Содержание к диссертации
Введение
ГЛАВА 1 Современное состояние проблемы обнаружения и устранения помех, шумов и искажений в биоэлектрических сигналах 11
1.1 Особенности съема, обработки и анализа электрокардиографического сигнала 12
1.2 Анализ помех и шумов ЭКГ 17
1.3 Способы борьбы с помехами в современной электрокардиографической аппаратуре 26
1.4 Анализ современных методов и алгоритмов обнаружения и устранения помех в электрокардиографическом сигнале 29
1.5 Выводы 35
ГЛАВА 2 Теоретические предпосылки решения задачи обнаружения помех в биосигнале 37
2.1 Вейвлет-преобразование 37
2.1.1 Преобразование и ряд Фурье 39
2.1.2.Непрерывное вейвлет-преобразование 41
2.1.3 Дискретное вейвлет-преобразование (ДВП) 43
2.1.4 Примеры вейвлет-образующих функций 45
2.2. Анализ независимых компонент 47
2.2.1 Модель метода независимых компонент 48
2.2.2 Независимость случайных величин 49
2.2.3. Предварительная обработка сигнала перед анализом НК 52
2.2.4 Алгоритмы АНК 53
2.3 Искусственные нейронные сети 55
2.3.1 Биологический нейрон 56
2.3.2 Математическая модель биологического нейрона 57
2.3.3. Функции активации 59
2.3.4 Структура нейронной сети 61
2.3.5 Многослойный персептрон 62
2.3.6 Обучение нейронной сети 64
2.3.7 Типы нормализации 69
2.4.Выводы 70
Глава 3 Исследование нейросетевого подхода к анализу электрокардиосигналов 72
3.1 Описание экспериментального архива данных 72
3.2 Алгоритм формирования анализа базы данных 79
3.3 Методика формирования входного образа ЭКС 82
3.4 Разработка структуры базы данных ИНС 85
3.5 Процедура проведения исследований 86
3.6 Обоснование выбора функций активации 3.6.1 Исследование эффективности работы многослойного персептрона с одним скрытым слоем 90
3.6.2 Исследование эффективности работы многослойного персептрона с двумя скрытыми слоями 92
3.7. Обоснование выбора количества скрытых слоев 95
3.8 Обоснование выбора типа структуры ИНС 96
3.9. Разработка методики нахождения оптимального количества нейронов скрытого слоя 98
3.10 Разработанная структура ИНС и ее параметры 102
3.11 Выводы 103
ГЛАВА 4 Экспериментальные исследования нейросетевой системы обнаружения искажений в ЭКС 106
4.1 Результаты исследования искусственной нейронной сети 107
4.1.1 Исследование возможности выявления искажений в электрокардиосигнале на основе комплексного применения дискретного
вейвлет-преобразования и нейросетевого анализа 107
4.1.2 Результаты исследования искусственной нейронной сети без применения дискретного вейвлет-преобразования 113
4.1.3.Сравнительный анализ результатов ИНС с применением ДВП и без его применения 116
4.2 Разработка системы обнаружения искажений в ЭКС 117
4.3 Результаты исследования возможности применения эмпирической модовой декомпозиции для устранения помеховых искажений в ЭКГ 118
4.3.1 Устранение дрейфа изолинии 120
4.3.2. Устранение высокочастотных помех из ЭКГ 122
4.4 Возможные области применения разработанной системы обнаружения искажений ЭКС (СОИ ЭКС) и пути ее развития 122
4.5.Сравнение полученных результатов с аналогом 126
4.6. Разработка программного обеспечения оценки качества ЭКГ 127
4.7 Выводы 129
Заключение 130
Библиографический список
- Способы борьбы с помехами в современной электрокардиографической аппаратуре
- Примеры вейвлет-образующих функций
- Методика формирования входного образа ЭКС
- Результаты исследования искусственной нейронной сети без применения дискретного вейвлет-преобразования
Введение к работе
Актуальность проблемы. Как известно, наиболее опасными и распространенными болезнями в настоящее время являются сердечнососудистые заболевания (ССЗ). Поэтому кардиология, занимающаяся изучением и борьбой с ССЗ, занимает особое место в современной медицине. Для диагностики функционального состояния сердца используется электрокардиография, представляющая собой запись электрической активности сердца.
Достоверность результатов медицинской диагностики является важнейшим показателем медицинской деятельности. Известно, что процесс кардиодиагностики зачастую сопряжен с ошибками. Анализ литературных источников показывает, что примерно 38% электрофизиологов принимают артефакт кардиосигнала за желудочковую тахикардию, а 55% врачебных заключений Холтеровского суточного мониторирования содержат ошибки методического характера. До 43% ложных тревог от прикроватных мониторов ЭКГ вызваны неверной интерпретацией артефактов сигнала встроенным программным обеспечением. Ежегодно регистрируется больше 20 миллионов электрокардиограмм (ЭКГ) во всем мире. Качество регистрации ЭКГ зависит от многих факторов, в том числе опыта персонала и качества оборудования. В результате 5% регистрируемых в мире ЭКГ (что составляет порядка 1 миллиона) имеет те или иные проблемы, связанные с их качеством, а 1% имеют недопустимое качество. Ошибки электрокардиодиагностики недопустимо часто приводят к тому, что пациенту назначается неправильное лечение, вплоть до назначения операции по имплантации электрокардиостимулятора.
С учетом изложенного необходимость контроля и повышения качества электрокардиографического сигнала за счет обнаружения в нем искажений, приводящих к снижению достоверности диагностической информации и, как следствие, к ложным заключениям, является актуальной проблемой функциональной диагностики работы сердца.
Анализ литературы по методам обнаружения помех и искажений в ЭКГ показывает, что в настоящее время широко используются такие методы, как анализ независимых компонент (АНК), вейвлет-преобразование (ВП), эмпирическая модовая декомпозиция (ЭМД) и искусственные нейронные сети (ИНС). Большой вклад в развитие методов обработки и контроля качества ЭКГ внесли А.П. Немирко, А.Н. Калиниченко, К.В. Подмастерьев, G.D. Clifford, R.G. Mark, L.Y. Di Marco, A. Murray, G.B. Moody, P. Augustyaniak и др.
В связи с этим целью данной работы является повышение диагностической достоверности электрокардиографических исследований на основе использования нейросетевой системы обнаружения искажений.
Объектом исследования является система обнаружения искажений при автоматическом распознавании электрокардиосигнала.
Предметом исследования является изучение возможности и целесообразности применения искусственной нейронной сети (ИНС) для обнаружения типовых искажений в электрокардиографическом сигнале.
Методы исследования. В работе использованы методы цифровой обработки сигналов, математической статистики, распознавания образов и машинного обучения. Экспериментальные исследования выполнены на общедоступных и апробированных множествах сигналов из архива PhysioNet.
Для достижения поставленной цели необходимо решить следующие
задачи:
-
Провести анализ литературы по существующим алгоритмам, подходам и методам обнаружения помех и искажений в электрокардиосигнале.
-
Исследовать современные методы и подходы обнаружения искажений в ЭКГ-сигнале.
-
Выбрать и обосновать исходную структуру нейросетевой системы для обнаружения типовых искажений в ЭКС.
-
Сформировать необходимый объем обучающих и тестовых данных записей электрокардиосигналов с допустимым и недопустимым качеством с точки зрения пригодности для функциональной диагностики ССС.
-
Исследовать влияние функций активации и количества скрытых слоев на эффективность работы нейросетевой системы обнаружения искажений в электрокардиосигнале.
-
Разработать алгоритм обоснования оптимального количества нейронов скрытого слоя ИНС.
-
Исследовать эффективность работы выбранной структуры ИНС для обнаружения типовых искажений в ЭКС.
Научная новизна работы. В диссертации получены следующие результаты, характеризующиеся научной новизной:
-
Алгоритм формирования обучающей базы данных, построенный на основе многоуровневой кластеризации с использованием метода К-средних, позволяющий исключить дублирование обучающих примеров и преобладание одного класса над другими.
-
Результаты исследования влияния функции активации и количества скрытых слоев ИНС на эффективность ее функционирования, полученные на основе использования совокупности типовых функций активации, применяемых в задачах анализа ЭКГ-сигналов, которые позволяют обосновать структуру построения персептронной ИНС и обеспечить эффективность ее обучения, определяемой по общепризнанным критериям чувствительности, специфичности и точности.
-
Алгоритм обоснования количества нейронов скрытого слоя ИНС, отличающийся использованием ROC-анализа для оценки эффективности работы ИНС в зависимости от количества нейронов скрытого слоя, по критерию AUC, обеспечивающему такое сочетание значений чувствительности и специфичности, при котором достоверность обнаружения искажений в ЭКГ- сигнале максимальна.
-
Структура нейросетевой системы обнаружения типовых искажений ЭКГ, отличающаяся от аналога по критериям специфичности и точности, которая
5 характеризует диагностическую эффективность обнаружения искажений, на 7% и 8% соответственно.
Практическая значимость. Разработанные алгоритмы и программы являются основой нейросетевой системы обнаружения искажений ЭКГ, применение которой позволяет решать следующие задачи практической медицины:
Сократить субъективные врачебные ошибки, связанные с принятием некоторых артефактов за аритмию и наоборот;
Уменьшить количество ложных тревог автоматизированных систем суточного мониторирования при условии ее адаптации для работы в режиме реального времени.
Достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается:
результатами тестирования на основе баз данных записей ЭКГ из архива PhysioNet, экспериментальных исследований и апробации разработанных специализированных нейросетевых блоков анализа ЭКГ на предмет наличия искажений и артефактов;
оценкой эффективности функционирования разработанной нейросетевой системы обнаружения искажений в ЭКС на основе использования общепризнанного инструмента ROC-анализа и критериев чувствительности, специфичности и точности.
Основные научные положения, выносимые на защиту:
-
Алгоритм формирования обучающей базы данных, построенный на основе многоуровневой кластеризации с использованием метода К-средних, позволяющий исключить дублирование обучающих примеров и преобладание одного класса над другим.
-
Алгоритм обоснования количества нейронов скрытого слоя ИНС, отличающийся использованием ROC-анализа для оценки эффективности работы ИНС в зависимости от количества нейронов скрытого слоя, по критерию AUC, обеспечивающему такое сочетание значений чувствительности и специфичности, при котором достоверность обнаружения искажений в ЭКГ- сигнале максимальна.
-
Структура нейросетевой системы обнаружения типовых искажений ЭКГ, отличающаяся от аналога по критериям специфичности и точности, характеризующей диагностическую эффективность обнаружения искажений на 7% и 8% соответственно.
Результаты внедрения работы
Результаты научной работы внедрены в учебный процесс кафедры биомедицинских и электронных средств и технологий ВлГУ по подготовке студентов по направлению «Биотехнические системы и технологии» (бакалавриат и магистратура), а также в научно-исследовательскую деятельность ООО НПЦ «Биомединженерия». Акты внедрения прилагаются.
Личный вклад автора во всех работах, выполненных в соавторстве, включает постановку задачи, разработку основных методов и средств для проведения исследований, обработку и анализ результатов. Автор является непосредственным исполнителем теоретических и экспериментальных исследований.
Апробация работы. Материалы диссертационной работы докладывались и обсуждались на:
XI международной научной конференции «Физик и радиоэлектроника в
медицине и экологии» (ФРЭМЭ), (г. Владимир, г. Суздаль 2014г);
Всероссийской молодежной научной конференции «Современные проблемы биомедицинской инженерии», (г. Саратов 2015);
XXVIII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов "Биотехнические, медицинские и экологические системы и комплексы" Биомедсистемы – 2015 (г. Рязань 2015);
XII Международной научной конференции «Физика и Радиоэлектроника в
Медицине и Экологии» ФРЭМЭ’2016 (г. Владимир, г. Суздаль 2016 г).
Публикации. По материалам диссертации опубликованы 13 работ, в том числе 2 на всероссийских конференциях, 4 на международных конференциях, 2 в сборнике трудов, 5 статей в профильных журналах, рекомендованных ВАК РФ, в том числе одна в базе данных Scopus.
Структура и объём диссертации.
Диссертация состоит из введения, четырёх глав, заключения, библиографического списка, включающего 149 наименований, списка сокращений и 1 приложение. Объём диссертации составляет 152 страницы машинописного текста, 55 рисунков и 21 таблица.
Способы борьбы с помехами в современной электрокардиографической аппаратуре
На ЭКГ различают зубцы Р, Q, R , S и Т. Зубец Р представляет собой алгебраическую сумму электрических потенциалов, возникающих при возбуждении правого и левого предсердий [ 124]. Комплекс зубцов QRST отражает электрические изменения, обусловленные возбуждением желудочков. Зубцы Q, R, S характеризуют начало возбуждения желудочков, а зубец Т — конец. Интервал Р—Q отражает время, необходимое для проведения возбуждения от предсердий до желудочков. Из литературных источников известно, что сложная кривая отражающая процесс возбуждения желудочков свидетельствует о том, что это возбуждение охватывает желудочки не сразу. Полагают, что зубец Q обусловлен возбуждением внутренней поверхности желудочков, правой сосочковой мышцы и верхушки сердца, а зубец R — возбуждением поверхности и основания обоих желудочков. К окончанию зубца S оба желудочка целиком охвачены возбуждением, вся поверхность сердца стала электроотрицательной, и разность потенциалов между различными отделами миокарда исчезла. (Поэтому интервал S — Т находится на изоэлектрической линии.) Зубец Т отражает процессы реполяризации, т. е. восстановление нормального мембранного потенциала клеток миокарда. Эти процессы возникают в различных клетках не строго синхронно. Вследствие этого появляется разность потенциалов между участками, миокард которых еще деполяризован (т. е. обладает отрицательным зарядом), и участками, восстановившими свой положительный заряд. Указанная разность потенциалов регистрируется в виде зубца Т. Этот зубец — самая изменчивая часть ЭКГ [ 28].
При различных нарушениях нормального функционирования сердца вид ЭКГ претерпевает изменения. Одним из основных достоинств ЭКГ является то, что она является абсолютно безвредным методом исследования и в то же время очень информативным показателем состояния функций сердца [ 26]. Типовая процедура обработки сигнала включает в себя [ 46]: 1. Минимизацию синфазной составляющей сигнала (выделение полезной составляющей); 2. Удаление дрейфа нуля (высокочастотная фильтрация); 3. Удаление высокочастотных помех (низкочастотная фильтрация); 4. Удаление гармонических помех (режекторная фильтрация); 5. Масштабирование сигнала (усиление); 6. Определение опорных точек в сигнале; 7. Классификацию текущего функционального состояния сердца. Основная задача первых пяти этапов – выделить полезный сигнал на фоне помех при минимизации его искажения самой системой обработки. Последние два этапа в представленной выше процедуре обработки электрокардиографического сигнала (ЭКС) относятся к задаче анализа данных, так как позволяют получить информацию о функциональном состоянии сердца, как в количественной, так и в качественной форме. Для решения этой задачи анализа существует множество методов и подходов. При этом используются различная степень детализации описания ЭКС.
Первичная обработка электрических сигналов датчиков (усиление сигналов, фильтрация помех, аналого-цифровое преобразование), измерение амплитудно-временных характеристик сигналов (RR-интервалов ЭКГ для определения ЧСС), позволяют в ряде случаев получить показатели, имеющие диагностическую ценность. Дальнейшая обработка сигналов ведется с помощью вычислительной техники, которая представляет большие возможности по реализации сложных диагностических алгоритмов обработки физиологической информации [ 42].
Существуют универсальные и специализированные методы обработки сигналов и данных. К универсальным относятся такие методы, как пространственно-временные, статистические, спектральные и т.д. Выбор того или иного метода определяется конечной целью обработки сигнала и зависит от вида исследуемого сигнала, способа его получения и специфических свойств [ 43].
Применительно к медицине и, в частности, к исследованию сердечно-сосудистой системы в качестве исходного источника информации о сердечном ритме, как известно, используются электрокардиограмма и RR-интервалограмма. В результате первичной обработки ЭКГ преобразуется в цифровой вид. На этом этапе шумы и артефакты сводятся к минимуму [ 45].
Классический подход к получению диагностических показателей функционального состояния сердца в кардиологии базируется на использовании пространственно-временных, статистических, пространственно-спектральных методов, методов теории хаоса, вейвлет-анализа, нелинейной динамики и математического моделирования [ 40, 41].
Одним из наиболее часто используемых методов анализа ЭКГ является метод анализа ритмограммы, которая иллюстрирует вариабельность сердечного ритма (ВСР). Это графическое представление последовательности R-R интервалов за определенный временной промежуток, как показано на рисунке 1.5. Если по оси абсцисс откладывается время, то она называется ритмограммой, а если номер кардиоинтервала (КИ), то кардиоинтервалограммой [ 26].
Типичная ЭКГ и ритмограмма здорового человека Методы анализа ритма сердца (РС) можно разделить на три больших класса Исследование общей вариабельности РС (статистические методы и временной анализ); Исследование периодических составляющих ВСР (частотные (спектральные) методы и вейвлет-анализ); Исследование внутренней организации динамического ряда кардиоинтервалов (КИ) (методы нелинейной динамики, автокорреляционный анализ, корреляционная ритмография).
Несмотря на успехи клинического использования электрокардиографии, требования к аппаратуре для изучения биоэлектрической активности организма постоянно возрастают [ 30]. Основной проблемой при изучении биоэлектрической активности организма является повышение достоверности передачи информационных признаков полезного сигнала на фоне помех, которые наводятся на тело человека, и снижение искажений, вносимых каналом передачи информации [ 31].
Человеческое тело представляет собой сложную динамическую систему, включающую в себя ряд подсистем и процессов. В любой заданный момент времени активными могут быть несколько физиологических процессов. Каждый из них порождает множество сигналов различных типов. Появление сигналов от тех процессов и систем, которые не являются в данный момент объектами исследования может рассматриваться как физиологическая помеха. Спектры таких сигналов перекрываются между собой. Поэтому выделение одного требуемого сигнала из всей совокупности биопотенциалов, являющихся в данном случае помехами, затруднено [ 31, 32]. В таблице 1.1. сведены основные характеристики биосигналов.
Примеры вейвлет-образующих функций
Непрерывное wavelet-преобразование использует весь диапазон изменения величин и . Однако, на практике этого достичь невозможно. Требуется конкретный выбор отсчетов относительно и , то есть адекватная дискретизация (дискретизация не подразумевает дискретизацию по (t)фазового пространства, которая устраняла бы эту избыточность) [ 56].
Непрерывное W-преобразование может быть проведено аналитически лишь для простейших функций, а вычисление его на ЭВМ при помощи квадратур является весьма трудоемким. Поэтому в приложениях обычно используется дискретный вариант, который при специальном выборе базисных функций может быть выполнен крайне эффективно и без дополнительных затрат памяти (вектор коэффициентов рекурсивно замещает вектор исходных значений). Дискретное W-преобразование может выполняться аппаратно на специализированных процессорах, как и быстрое преобразование Фурье.
Дискретное вейвлет-преобразование (ДВП) реализуется посредством пирамидального алгоритма Малла [ 59]. Быстрое ДВП - линейное преобразование, которое оперирует вектором цифровых данных длиной N, кратной некоторой степени числа 2, преобразовывая его в другой вектор той же длины. Так же, подобно быстрому преобразованию Фурье (БПФ), дискретное вейвлет-преобразование обратимо и ортогонально, при этом матрица обратного вейвлет-преобразования вычисляется путем транспонирования матрицы прямого вейвлет-преобразования. Вычисления как прямого, так и обратного вейвлет 44 преобразований занимают N операций, что меньше, чем для вычисления БПФ, для которого число операций равно N log N.
В основе алгоритма быстрого ДВП лежит использование двух, связанных между собой, цифровых фильтров, один из которых сглаживающий (SmF()), а второй – детализирующий (DetF()), настроенных на особенности сигнала, размеры которых согласуются с эффективной шириной фильтра [ 60]. Одиночная операция ДВП представляет собой, по сути, умножение вектора входных данных на квадратную матрицу вейвлет-преобразования с последующим разделением результата на гладкую и детализирующую части (гладкие и детализирующие коэффициенты первого уровня) [ 58].
Последовательное применение нескольких итераций дискретного вейвлет-преобразования по пирамидальному алгоритму Малла, в котором входными данными для каждой последующей итерации преобразования является вектор коэффициентов аппроксимации (после НЧ-фильтра), полученный на предыдущей итерации ДВП, позволяет получить вейвлет-разложение сигнала (рис. 2.2). Быстрым способом получения коэффициентов (ДВП) является использование структуры фильтров, показанной на рисунке 2.2.
Структура дискретного вейвлет- преобразования до третьего уровня [ 61] Как видно из рисунка, коэффициенты аппроксимации на более низком уровне, передаются через фильтр высоких(H [N]) и нижних частот (G [N]), за которым следует субдискретизации на два для вычисления обоих детализирующих (из фильтра верхних частот) и аппроксимирующих (от фильтра нижних частот) коэффициентов на более высоком уровне. Два фильтра соединены друг с другом, и они известны как квадратурный зеркальный фильтр. Фильтры высоких и нижних частот являются производными от материнского Вейвлета и функции масштабирования [ 61].
На рисунке 2.3 показаны третий аппроксимирующий коэффициент и перекрывающиеся детализирующие коэффициенты при трехуровневом разложении сигнала. Они имеют непосредственное отношение к полосам частот, для которых выполняется анализ, где fs–частота дискретизации. Рисунок 2.3 частотный диапазон детализирующих и последнего аппроксимирующего коэффициентов 2.1.4 Примеры вейвлет-образующих функций Выбор анализирующего вейвлета, как правило, определяется тем, какую информацию необходимо извлечь из сигнала. Каждый вейвлет имеет особенности во временном и частотном пространстве, поэтому иногда с помощью разных вейвлетов можно полнее выявить и подчеркнуть те или иные свойства анализируемого сигнала. Если сравнить вейвлет с микроскопом, то параметр сдвига b фиксирует точку фокусировки микроскопа, масштабный коэффициента a - увеличение и, наконец, выбором базисного вейвлета определяются оптические свойства микроскопа. Вещественные базисы часто конструируются на основе производных функции Гаусса [ 57]: 1 d m t 2 ( 2.8), ш (t ) = (-1) m—=[ех(-)], o2idt m p 2 где – среднеквадратическое отклонение. Более высокие производные имеют больше нулевых моментов и позволяют извлечь информацию об особенностях более высокого порядка, содержащихся в сигнале. На рисунке 2.4а, б показаны вейвлеты, полученные при m=1, m=2 соответственно. Из-за их формы первый называют обычно wave-вейвлет, второй – MHAT или «мексиканская шляпа». Среди комплексных вейвлетов наиболее часто используется базис, основанный на хорошо локализованном и во временной и в частотной областях вейвлете Морле. Характерный параметр 0 позволяет изменять избирательность базиса. Вещественная и мнимая части (t) – это амплитудно-модулированные колебания [ 48].
На рисунке 2.4в,г приведены примеры вейвлет, которые часто служат основой для построения ортогональных дискретных базисов, а именно, вейвлет Морле (в), и вейвлет Добечи (г). Однако, как показала практика, применение вейвлет-преобразования для обработки и анализа ЭКС в условиях интенсивных помех различного вида приводит к ряду недостатков, присущих данному преобразованию [ 66]: – низкая эффективность подавления интенсивных помех различного вида, обусловленная невозможностью адаптации базового вейвлета к локальным особенностям зарегистрированного сигнала;
Методика формирования входного образа ЭКС
На функционирование ИНС влияют различные факторы, одним из которых является выбор функции активации (ФА), выполняющей роль передаточной функции в нейронных сетях.
Существует большое количество функций активации, самыми известными из которых являются линейная, сигмоидальная, гиперболический тангенс, экспонента и гауссова кривая.
Для исследования влияния вида функции активации на результат обучения многослойного персептрона (МП) в данной работе были выбраны наиболее распространенные и часто применяемые для биомедицинских задач функции активации, приведенные в таблице 3.5, а именно линейная функция, сигмоидальная и гиперболический тангенс [ 107]. Аналитическое выражение
Теоретически, любая дифференцируемая функция может быть применена в качестве функции активации. Однако всякая функция активации должна обеспечивать выделение сложных связей в пространстве признаков [ 103]. Известно, что линейные функции в большей степени применяются во входном и выходном слоях, а нелинейные функции активации могут быть использованы в скрытых и выходном слоях. Выбор функции активации может сильно повлиять на сложность структуры и функционирование НС [ 102, 103].
В литературе существует предположение, что вид нелинейности не оказывает принципиального влияния на решение задачи. Однако удачный выбор ФА может сократить время обучения НС в несколько раз [ 84].
В данной работе сначала было проведено исследование функций активации нейронной сети типа многослойный персептрон (МП), состоящей из входного, одного или двух скрытых слоев и выходного. Количество элементов во входном слое равно размеру входного массива, представляющего собой электрокардиоинтервал. Каждый из входов соединен с нейронами скрытого слоя. Выходной слой имеет три выхода, которые соответствуют трем классам: «нормальная ЭКГ», «НЧ помехи» и «ВЧ помехи». Вектор значений электрокардиоинтервала подается на входы, далее они обрабатываются скрытым слоем, и принимается решение о принадлежности сигнала к одному из трех выше указанных классов. Процесс создания и обучения НС производился в среде MatLab.
Строгой теории выбора оптимального количества скрытых слоев и нейронов в скрытых слоях пока не существует. На практике чаще всего количество нейронов в скрытых слоях обычно колеблется от Nx / 2 до 3Nx , где Nx - количество элементов во входном слое [ 104]. В работе [ 105] выбор необходимого количества нейронов в скрытых слоях МП осуществлен по формуле, являющейся следствием из теорем Арнольда-Колмогорова-Хехт-Нильсена.
Исходя из выше изложенного и учитывая, что в данной работе входной слой МП Nx = 234 (0.65 с 360 Гц), для исследования влияния функций активации выбирается диапазон от 1 до 610 с шагом 10.
Для исследования влияния вида функции активации на результат обучения многослойного персептрона (МП) использовались различные комбинации.
Для оценки эффективности функционирования МП использовались известные критерии [ 105]: чувствительность и специфичность, описанные выше. Поскольку оценки по выбранным критериям могут противоречить друг другу, для получения более точной оценки результатов исследования в работе использовались средние значения чувствительности и специфичности.
Результаты исследования искусственной нейронной сети без применения дискретного вейвлет-преобразования
Системы суточного мониторирования ЭКГ. Основная задача суточного мониторирования – оценка нарушений ритма сердца и обнаружение ишемии миокарда. Для анализа аритмий важно оценить форму QRS-комплекса, что позволяет уверенно выделять комплексы желудочкового происхождения и эпизоды нарушения внутрижелудочкового проведения. Визуальный просмотр около 100 тысяч QRS-комплексов, зарегистрированных за сутки, задача очень трудоёмкая и практически нереальная в практической работе, поэтому предусмотрена автоматическая обработка и анализ ЭКГ. Мониторная система обнаруживает аритмию по форме QRS-комплекса и интервалу RR все аритмии [ 129]. Однако, по данным [ 130] до 43 % ложной тревоги от прикроватных мониторов происходит именно по причине неверной интерпретации артефактов сигнала встроенным программным обеспечением.
Сигналы ложной тревоги в отделении интенсивной терапии воздействуя как на пациента, так и на медперсонала может привести к снижению качества медицинской помощи. Сигналы тревоги в отделении интенсивной терапии имеют интенсивность звука выше 80 дБ, что может привести к лишению сна , стресс для обоих пациентов и медперсонала и депрессии иммунной системы [ 132]. Сигналы ложной тревоги в отделении интенсивной терапии составляет 86%, из которых от 6% до 40% являются верным, но клинически незначительным (не требующий немедленных действий). На самом деле, только 2% до 9% тревог требуют немедленных действий [ 133]. Таким образом, задача сокращения количества ложных тревог от прикроватных мониторов является актуальной.
В современных отделениях интенсивной терапии практически все прикроватные мониторы генерируют два класса тревог [ 134]: "Желтый" сигнал тревоги для оповещения о чем-то ненормальным, "красный" сигнал тревоги для уведомления о критической или угрожающем жизни событии. "Желтый" сигнал тревоги, как правило, не очень громкий и длится 5 или 6 секунд. Тем не менее, критические или "красный" сигналы тревоги гораздо громче и имеют характерный тон, который продолжается, пока не придет медперсонал, как правило, медсестра. В таблице 4.6 Показаны главные причины возникновения сигнала тревоги.
Разработанная система позволяет проверить насколько данная часть ЭКГ требует включения сигнала тревоги и тем самым исключить возможные ошибки. Для расширения способности СОИ ЭКС рекомендуется включить базы данных других возможных причин возникновения ложной тревоги, что является перспективным направлением развития системы. Другим направлением развития также является адаптация СОИ ЭКС для функционирования в режиме реального времени.
Обычные кардиографы. Разработанная СОИ ЭКС может быть применена в качестве приставки к обычному кардиографу для осуществления функции контроля качества ЭКГ сигнала, регистрируемого данным кардиографом. Разработанная система при необходимости позволяет получить детальную оценку по кардиоциклам по отдельности. Система требует расширение обучающих примеров для того, чтобы охватить как можно больше примеров типов аритмий, а также целесообразна ее адаптация для работы в онлайн режиме.
Мобильные электрокардиографы . Успехи технологий мобильных телефонов привели к глобальной доступности портативных вычислительных устройств, способных выполнять многие функции, которые традиционно требуют больших настольных компьютеров. Они удобны и являются одними из самых эффективных и наиболее широко используемых средств связи. В настоящее время приходится примерно один сотовый телефон на каждые двух человека в мире [ 131].
В настоящее время, мобильные устройства стали использоваться для съема и передачи ЭКГ в медицинские центры для обработки и получения соответствующего врачебного заключения. Мобильная ЭКГ подразумевает запись ЭКГ неквалифицированным лицам. Поэтому требуется разработка эффективных алгоритмов, способных работать в режиме ближе к реальному времени, который может обеспечить полезную обратную связь для непрофессионалов в процессе записи ЭКГ. Как минимум, алгоритм должен иметь возможность сообщить в течение нескольких секунд о качестве ЭКГ пока пациент все еще на месте, чтобы была возможность повторить запись если она непригодная для диагностики. Разработанная в данной работе система позволяет оценить качество ЭКГ-сигнала, обнаружить его искажения.
Перспективой в данном направлении является адаптация системы к мобильным устройствам, так чтобы система учитывала вычислительные способности мобильных устройств. Система должна также обеспечить обратную связь, давать рекомендации по устранению причины ошибок.
В качестве аналога была взята работа Xiaopeng Zhao, занявшая первое место в конкурсе Physionet Challenge 2011, проведенном на базе международного сообщества Physionet. Конкурс был посвящен решению задачи оценки качества ЭКГ сигнала, снятого с помощью мобильных устройств. В качестве данных использовались 10-ти секундные записи 12-ти отведений ЭКГ с частотой дискретизацией 500 Гц. ЭКГ были зарегистрированы неспециалистами. В конкурсе приняли участие 49 научных коллективов, среди которых, к сожалению, отсутствовали российские специалисты.
Задача состояла в разработке алгоритма оценки качества ЭКГ и ее классификации на пригодные или не пригодные для дальнейшего анализа и интерпретации. По завершению конкурса были объявлены результаты и опубликованы тезисы лучших работ.
Для сравнения полученных в диссертации результатов в качестве аналога была взята работа, занявшая первое место в конкурсе. Она посвящена разработке алгоритма для оценки качества ЭКГ в реальном времени. Разработанный алгоритм представляет собой многошаговую оценку качества всех отведений ЭКГ-сигнала, а именно: оценка прямолинейности каждого отведения; оценка отсутствие сигнала в каждом отведении; оценка автокорреляции каждого отведения; оценка взаимной корреляции между текущим отведением и остальными отведениями. При выполнении указанных требований качество ЭКГ считается пригодным. Тестирование разработанного алгоритма [ 146] показало следующие результаты: чувствительность 95.11 %, специфичность 83.22 %, точность 85.9 %. В таблице 4.7. приведено количественное сравнение результатов тестирования аналога [ 146] и разработанной в диссертационной работе системы обнаружения искажений ЭКГ (СОИ ЭКС).