Содержание к диссертации
Введение
Глава I. Современное состояние проблемы ранней диагностики ишемической болезни сердца 13
1.1 Физиологические особенности и классификация ишемической болезни сердца 13
1.2 Методы диагностики ишемической болезни сердца 16
1.3 Сравнительный анализ инструментальных методов диагностики ИБС 23
1.4 Электрокардиография как метод диагностики ИБС 26
1.4.1 Электрокардиографические отведения 26
1.4.2 Особенности электрокардиографического сигнала при ИБС 30
1.5 Анализ существующих методов и алгоритмов обработки и анализа ЭКГ-сигнала в задачах выявления и классификации ИБС 32
1.6 Выводы по главе 1 41
Глава 2. Теоретические предпосылки создания системы экспрес-оценки наличия ИБС по одноканальной ЭКГ 43
2.1 Методы предварительной обработки ЭКС и извлечения информативных признаков 44
2.1.1 Частотные методы 45
2.1.2 Частотно-временной анализ 48
2.1.3 Сингулярный анализ 53
2.2 Методы классификации ЭКГ сигнала 57
2.2.1 Математическая постановка задачи классификации 57
2.2.2 Дискриминантный анализ 58
2.2.3 Метод опорных векторов 60
2.2.4 Искусственные нейронные сети 63
2.3 Обоснование выбора архитектуры ИНС и параметров ее обучения 68
2.4 Выводы по главе 2 72
Глава 3. Разработка и исследование алгоритмов обработки ЭКГ – сигнала для решения задачи ранней диагностики ИБС 74
3.1 Описание экспериментального архива данных 74
3.2 Исследование информативности данных ЭКГ-сигнала и производных от него сигналов 77
3.2.1 Алгоритм создания базы данных пространственных признаков и исследования их информативности 78
3.2.2 Исследование информативности ЭКГ во временной и частотной областях 80
3.2.3 Исследование информативности ритмограммы (РГ) во временной и частотной областях 81
3.2.4 Исследование информативности УКЦ во временной и частотной областях 83
3.3 Алгоритм сегментации ЭКГ-сигнала и формирования усредненных кардиоциклов 86
3.4 Исследование методов обработки и анализа УКЦ-сигнала для извлечения диагностических признаков ИБС 90
3.5 Нейросетевой алгоритм оценки эффективности методов классификации ИБС на основе одноканальной – ЭКГ 96
Глава 4. Экспериментальные исследования системы экспресс - оценки наличия ишемической болезни сердца по одноканальной ЭКГ 99
4.1 Результаты исследования методов предварительной обработки для извлечения диагностических признаков ИБС 100
4.1.1 Результаты исследования ИНС с использованием базы данных усреднённых кардиоциклов 100
4.1.2 Резултаты исследования ИНС с использованием базы данных спектральных оценок УКЦ 103
4.1.3 Результаты исследования ИНС с использованием базы данных вейвлет преобразования УКЦ 106
4.1.4 Результаты исследования ИНС с использованием базы данных, полученной в результате сингулярного разложения УКЦ 109
4.1.5 Сравнительный анализ результатов 111
4.2 Разработка структуры системы экспресс – оценки наличия ишемической болезни сердца по одноканальной ЭКГ 114
4.3 Разработка программного обеспечения оценки наличия ИБС 116
4.4 Перспективы разработанной системы и возможные области применения 118
4.5 Выводы 118
Заключение 120
Перечень сокращений и условных обозначений 122
Список использованной литературы 123
Приложение А 139
Приложение Б 140
- Методы диагностики ишемической болезни сердца
- Сингулярный анализ
- Алгоритм сегментации ЭКГ-сигнала и формирования усредненных кардиоциклов
- Сравнительный анализ результатов
Методы диагностики ишемической болезни сердца
Диагностика ИБС — проблема, весьма подробно освещенная как в российской, так и в зарубежной литературе. Тем не менее, постоянно возвращаются к ней как в связи с совершенствованием диагностической техники, так и изменением концепций проведения лечебно-диагностических мероприятий у данных больных. Широкая распространенность и большая социальная значимость ИБС обуславливает необходимость своевременной и максимально точной диагностики данного заболевания. Раннее выявление ИБС, а также обнаружение её у больных с бессимптомным течением имеет большое клиническое значение. Обычно диагностика ИБС включает в себя методы обследования, классификация которых представлена на рисунке 1.4 [12]:
Сбор анамнеза и физикальные исследования относятся к клиническим методам диагностики ишемической болезни сердца.
Сбор анамнеза – это подробный опрос обследуемого, в результате которого врач получает сведения, используемые для установления диагноза. При диагностике ИБС из данных анамнеза большое значение имеют продолжительность и характер болей, одышки или аритмии, связь их с физической нагрузкой, объём физической нагрузки, который пациент может выдержать без возникновения приступа, эффективность различных лекарственных средств при возникновении приступа и т.д.[13]. Физикальное исследование - это контактный осмотр пациента лечащим врачом, включающий прослушивание фонендоскопом, пальпацию и простукивание определенных участков тела. Физикальное исследование позволяет выявить шумы в сердце, отеки, аритмию и т.д. [12]. Но, несмотря на это объективных симптомов, характерных именно для ИБС нет. Любое подозрение на ишемию сердца требует выполнения инструментальных и лабораторных исследований.
Лабораторная диагностика. ИБС включает широкий спектр исследований, каждое из которых важно для установления точного диагноза, оценки тяжести процесса, а также выявления сопутствующих заболеваний. К лабораторным методам диагностики ишемии миокарда относят: общий анализ крови, анализ крови на сахар, коагулограмму, липидограмму, определение значений креатина и мочевины, а также исследование на присутствие кардиоспецифических ферментов [12]. Большое значение придаётся изучению липидного обмена и свёртывающей системы крови, нарушение которых лежит в основе атеросклеротического процесса, а также выявлению ферментов, которые появляются в крови при инфаркте и нестабильной стенокардии.
Инструментальные исследования. Диагноз ишемической болезни сердца на основе выше перечисленных методов обследования носит лишь предположительный характер. Для точного установления диагноза проводятся инструментальные исследования, то есть диагностические процедуры, для проведения которых требуется использование специального оборудования. При определении ИБС инструментальные методы исследования являются наиболее информативными диагностическими методами, которые помогают выявить ИБС на ранней стадии, более точно определить форму данного заболевания, тяжесть течения и прогноз [13]. К числу наиболее распространенных методов инструментальной диагностики ишемической болезни сердца относятся электрокардиография, эхокардиография (ЭхоКГ), сцинтиграфия миокарда, нагрузочные тесты, коронарография и радионуклидные методы.
Электрокардиографические методы. Одним из главных методов инструментальной диагностики всех ССЗ, в том числе ИБС является электрокардиография. Это инструментальный метод исследования электрофизиологической деятельности сердца, основанный на регистрации и графическом изображении разности биопотенциалов, возникающих в процессе сокращения миокарда [14]. На рисунке 1.5 представлена электрокардиограмма (ЭКГ) здорового человека.
ЭКГ – считается основным методом диагностики при острой и хронической ишемии миокарда. При острой ишемии ЭКГ дает информацию о распространении, локализации и временном течении ишемии [12].
Локализация, время и степень ишемии будут точно определять, какие изменения в работе сердца происходят. Изменения ЭКГ, наблюдаемые на ранней стадии ишемии, отличаются от изменений, наблюдавшихся на поздних стадиях. С другой стороны, инфаркт влияет на деполяризацию миокарда (известно что, мертвые клетки миокарда не деполяризуются), что влияет на комплекс QRS [9]. Наиболее характерное изменение ненормально большие волны Q (называемые патологическими Q-волнами). Другими распространенными отклонениями от нормы являются уменьшение амплитуды R-волны (из-за потери жизнеспособности миокарда) и наличие фрагментированных или вырезанных QRS-комплексов. Изменения ЭКГ при ишемии миокарда подробно обсуждаются в разделе 1.4.2.
Электрокардиограмма с 12 электродами (ЭКГ) по-прежнему является наиболее часто используемым диагностическим методом у пациентов с подозрением на ИБС [24].
Частое использование ЭКГ в качестве диагностического метода при подозрении на ИБС во всем мире объясняется несколькими факторами [36]:
1. ЭКГ обеспечивает уникальную возможность диагностики состояния миокарда путем изучения его электрической активности, которая не отображается другими методами визуализации сердца.
2. Это недорогое исследование, которое не связано с каким-либо риском для пациента и может быть выполнено в течение нескольких минут.
3. Технология широко доступна даже в развивающихся странах мира, медицинское сообщество имеет многолетний опыт работы с этим методом, потому что он существует уже более 100 лет.
Для выявления признаков ИБС при повседневной активности, в т.ч. для диагностики безболевой ишемии миокарда используется Метод холтеровского мониторирования ЭКГ, обладающий высокой диагностической ценностью.
Холтеровское мониторирование позволяет [8,14]:
а) провести анализ различных показателей, в том числе провоцирующих ишемию, число эпизодов ишемии и время их появления в течение суток, амплитуды депрессии ST-сегмента, средней частоты сердечных сокращений, продолжительности каждого эпизода ишемии, общую длительность ишемии за сутки;
б) сравнивать упомянутые показатели для дневного и ночного периодов суток.
Критерием ИБС при суточном мониторировании ЭКГ является депрессия сегмента ST 1 мм при ее длительности не менее 1 мин. Имеет значение продолжительность ишемических эпизодов по данным суточного мониторирования ЭКГ. Если общая продолжительность снижения сегмента ST достигает 60 мин, то это можно оценить как проявление тяжелой ИБС и считается одним из основных показаний к реваскуляризации миокарда [19].
Электрокардиографические нагрузочные тесты или Стресс-ЭКГ (велоэргометрии, тредмилтеста) используют для выявления коронарной патологии и прогнозирования риска развития ИБС. Стресс-ЭКГ заключается в регистрации серии нагрузочных ЭКГ до появления электрокардиографических и/или клинических признаков ИБС. Данная диагностика включает оценку изменений сегмента ST, реакцию АД и самочувствия пациента.
Сингулярный анализ
В качестве алгоритма для предварительной обработки ЭКГ-сигналов в данной работе рассматривается возможность применения сингулярного разложения. Алгоритмы сингулярного разложения имеют широкое практическое применение, как в медицине, так и в других областях науки и техники, что делает их незаменимым инструментом, который следует изучать.
Сингулярное разложение (Singular Values Decomposition–SVD) – мощный вычислительный инструмент, используемый при работе с матрицами в рекомендательных системах, для того, чтобы выделить те объекты, которые являются информативными [80]. В медицинских приложениях и системах[81, 82, 83] SVD применяется для различных целей, такие как сжатие медицинских данных, фильтрации биомедицинских сигналов и изображения, извлечения информативных признаков и классификации.
Метод сингулярного разложения основан на переходе от одномерного ряда с использованием сдвиговой оконной процедуры «Гусеница» в представляемый в матричной форме многомерный ряд, разложении его на компоненты, число которых определяется размером окна, выделения в них наиболее значимых компонент и восстановления (аппроксимации) ряда, очищенного от нежелательных компонент [84]. В отличие от методов, основанных на методе Фурье и вейвлет алгоритм сингулярного спектрального анализа, выключается в себя несколько шагов: вложение, сингулярное разложение, группировка и диагональное усреднение (восстановление). Необходимо также подчеркнуть, что достаточно часто появляется возможность выделить отдельные аддитивные составляющие (компоненты) исходного ряда. Такими компонентами являются не только различные колебательные движения, но и другие не менее важные компоненты: шум и тренд (гладкая, медленно меняющаяся часть ряда) [85].
Совокупность вложения и сингулярного разложения называется разложением, а совокупность группировки и диагонального усреднения -восстановлением. Основной параметр сингулярного разложения - это так называемая длина окна L. Причем 1 L N. Результатом данного алгоритма является разбиение временного ряда на аддитивные составляющие [86, 87]. Особенностью указанного метода является его устойчивость относительно изменения длины окна. Поэтому при выборе длины L необходимо учитывать, что резонансный эффект относительно данного параметра наиболее сильно проявляется не в количественном, а в качественном смысле.
Математические основы сингулярного разложения. Одной из самых плодотворных идей в теории матриц является матричное разложение или каноническая форма. В последнее время матричные разложения стали основой численных методов линейной алгебры, позволяющей решать множество проблем [88].
Элементы диагональной матрицы X называются сингулярные значения и стоит из неотрицательными диагональными элементами в убывающем порядке, где 1 , J2 ,. Jr сингулярные числа12 .. 0 .
Особенностью сингулярного разложения является то, что при надлежащем выборе матриц U и V можно большинство элементов матрицы X обратить в нули, более того, можно даже сделать её диагональной матрицей с неотрицательными диагональными элементами [80]. Сингулярное разложение матрицы обладает свойством, которое связывает задачу факторизации и нахождения собственных векторов. Собственным вектором x матрицы A является такой вектор, при котором выполняется условие Ax = x, где - собственное число.
Выбор длины окна. Основным параметром базового алгоритма метода сингулярного разложения является длина окна . Выбор длины окна зависит от решаемой задачи и предварительной информации об анализируемом сигнале [89]. В общем случае нет строгих правил и безусловных рекомендаций для выбора длины окна. Однако существуют несколько эмпирических принципов выбора длины окна , которые не имеют теоретического обоснования [86].
Так, например, для получения наиболее детального сингулярного разложения траекторной матрицы предлагается использовать длину окна, приблизительно равную половине длины ряда ( /2). Следует отметить, что практическое выполнение данной рекомендации для достаточно длинных временных рядов (ВР) приводит к резкому увеличению времени выполнения вычислений, а также получению заведомо избыточной информации, так как количество собственных троек сингулярного разложения траекторной матрицы, которые должны быть проанализированы, равняется /2 [86].
К достоинствам метода SVD относятся отсутствие требований к стационарности анализируемых сигналов, наличие строгого математического обоснования и возможность подбора окна таким образом, чтобы получаемые результаты имели однозначную трактовку с точки зрения физического содержания процесса, породившего данный ВР, а также возможность применения алгоритма для прогнозирования ВР [89]. Недостатки метода SVD – высокие вычислительные затраты алгоритма, отсутствие полной автоматизации процесса декомпозиции, зависимость разделимости рядов от соотношения , вида ВР и наличия шума в нем [90].
Сингулярное разложение часто принимается как техника сжатия и / или фильтрации ЭКГ [82, 83, 91]. Метод сингулярного разложения ЭКГ позволяет разделить ЭКГ на отдельные ортогональные составляющие, что обеспечивает возможность извлечения информативных признаков, отделяя их от не желательных компонентов и шума, что позволяет использовать SVD как математический аппарат обработки и анализа ЭКГ-сигнал в целях повышения достоверности диагностической классификации.
Алгоритм сегментации ЭКГ-сигнала и формирования усредненных кардиоциклов
При обработке и автоматическом анализе ЭКГ-сигнала часто возникает задача сегментации электрокардиосиганала для выделения характерных точек, сегментов и интервалов, в том числе, т.е. разбиение на кардиоциклы.
Поскольку форма нормального кардиоцикла во времени меняется медленно, а каждый текущий кардиоцикл может быть искажен артефактами и шумами, то распознавать характерные сегменты имеет смысл по некоторой усредненной форме кардиоцикла. Усредненная форма кардиоцикла рассчитывается на основе нескольких форм кардиоциклов прошедших процедуру корреляции друг с другом. Затем отобранные формы кардиоциклов усредняются поточечно [126].
Необходимо также отметить, что результаты исследования информативности ЭКГ и производных от него сигналов (ритмограмма и усредненный кадриоцикл) показало преимущество применения усредненного кардиоцикла. Следовательно, в данной работе разработан алгоритм сегментации ЭКГ-сигнала для формирования усредненных кардиоциклов, представленный на рисунке 3.12.
Суть алгоритма заключается в том, что ЭКГ-сигнал загружается, фильтруется, а затем передается в блок детектирования R-зубцов. На основе полученных меток о расположении R-зубцов производится сегментация ЭКГ-сигнала на кардиоциклы. Далее проводится оценка кардиоциклов для исключения тех КЦ, которые не имеют неудовлетворительное качество. Под удовлетворительным качеством кардиоцикла понимается КЦ, чья форма QRS-комплекса не искажена. Заключительными этапом данного алгоритма является процедура усреднения полученного ансамбля. Применения данного алгоритма позволяет получить усредненную форму кардиоцикла или усредненный кардиоцикл (УКЦ).
Фильтрация ЭКГ. Наличие артефактов в электрокардиологическом сигнале (ЭКС) существенно затрудняет его анализ и выявление диагностических признаков. При решении данной задачи сложность заключается в выборе методов фильтрации для устранения определенного типа артефактов. В данной работе проводится фильтрация ЭКГ-сигнал в соответствии с применяемыми в медицинской практике частотными параметрами (частотный диапазон 0,05 Гц до 100 Гц), а также используется режекторный фильтр для устранения сетевой наводки.
Детектирование R-пиков. Для обнаружения R-зубцов существуетмножество методов и алгоритмов, наиболее простым и известными из которых являются методы идентификации QRS-комплексов, основанные на вычислении производной и поиске её максимума, так как QRS-комплекс имеет наибольшую крутизну. На рисунке 3.13 представлены результаты обнаружения R-зубцов на ЭКГ здорового человека.
Сегментация ЭКГ. Исходя из параметров нормальной ЭКГ были определены длительности частей ЭКС слева и справа от R зубца, а именно: 0.26с и 0.45с соответственно. Таким образом, было определено временное окно для анализа ЭКС (T=0,710с) и проведена процедура сегментация ЭКГ с указанными параметрами, как показано на рис.3.14
Оценка качества кардиоциклов. Существует различные подходы к определению эталонного кардиоцикла, одним из которых является усреднение по ансамблю. В данной работе используется первый собственный вектор ковариационной матрицы, построенной из ансамбля кардиоциклов исследуемого ЭКГ-сигнала. Первый собственный вектор выбирается в качестве эталонного КЦ. Далее вычисляется коэффициент корреляции между эталоном и всеми элементами ансамбля КЦ.
В результате получается массив значений коэффициентов корреляции (КК) между эталонным и остальными кардиоциклами. Коэффициент корреляции, имеющий значение ближе к единице свидетельствует о наличии максимального сходства образца и фрагмента ЭКГ (кардиоцикла). Остальные КЦ исключается из ансамбля. Вычислив среднее значение по ансамблю можно получить усреднённая форма ЭКГ-сигнала (рисунок 3.15)
На основе полученных усредненных кардиоциклов были созданы базы данных УКЦ, обобщённая структура которой показана в таблице
Для последующего использования в процессе разработки автоматизированной системы анализа ЭКГ на предмет наличия или отсутствия ИБС были взяты исходные базы данных УКЦ, объемы выборки которых представлены в таблице. 3.2
Сравнительный анализ результатов
Результаты экспериментальных исследований оценки эффективности ИНС в зависимости от методов анализа наличия ИБС по одноканальной ЭКГ представлены на рисунке 4.14. На рисунке показаны графики зависимости критерия эффективности ИНС (AUC) от числа нейронов скрытого слоя для нескольких вариантов входных сигналов ИНС, а именно: применение в качестве входной информации спектральных оценок УКЦ, вейвлет-преобразования УКЦ (с использованием базиса Морле и Дебоши4), результатов сингулярного разложения УКЦ и временных отсчетов УКЦ.
Анализ приведенных графиков (рисунок 4.14) показывает, что база данных на основе БПФ (кривая 3) и вейвлет-анализа УКЦ (кривая 1,2) имеют низкую информативность, в то время как, сингулярное разложение показало более устойчивые и высокие результаты при разных количествах нейронов в скрытых слоях (кривая 4). Снижение эффективности при применении средних значений вейвлет-коэффициентов, объясняется, возможно, недостаточной информацией для классификации с помощью ИНС, поскольку используется не сами коэффициенты, а лишь их средняя оценка.
В таблице 4.6 приведены значения основных критериев эффективности распознавания ИБС с помощью разработанной ИНС на основе трехслойного персептрона, а именно, чувствительность (Se), специфичность (Sp), точность (Ac) и количество нейронов в первом скрытом слое для пяти вариантов ИНС. В качестве входной информации использовались УКЦ, обработанными разными методами.
Сравнительный анализ результатов рассмотренных подходов обработки одноканальной ЭКГ в задачах ранней диагностики ИБС на основе анализа значений чувствительности, специфичности и точности показал преимущество варианта использования сингулярного разложения усредненного кардиоцикла, используемого в качестве входной информации при обучении ИНС в отличии от пространственных признаков, полученных в результате применения Фурье-преобразования, вейвлет-преобразования и исходных временных отсчетов УКЦ.
При количественном сравнении результатов классификации ЭКГ на основе данных УКЦ и соответствующих им главным компонентам сингулярного разложения, не трудно заметить, что, несмотря на преимущество метода сингулярного разложения, варианта применения временных отсчетов УКЦ уступает незначительно от вариант применения главных компонент временного ряда УКЦ (на рисунке 4.14, кривые 4 и 5).
Указанный результат позволяет сделать вывод о том, несмотря на преимущество результатов сингулярного разложения, в силу сложности формирования траекторной матрицы УКЦ и вычисления главных компонент, нецелесообразно его использовать в мобильных устройствах из-за ограниченных вычислительных и временных ресурсов. Подобный алгоритм может быть применен при разработке программных средств на ЭВМ. Для мобильных приложений целесообразно использовать временные отчеты УКЦ для экономии временных и вычислительных ресурсов мобильного устройства.