Содержание к диссертации
Введение
Глава 1. Общая характеристика проблемы и основные направления ее решения 14
1.1. Патогенез развития атеросклероза 14
1.2. Методы лабораторного тестирования дислипопротеинемий 20
1.3. Инструментальные методы диагностики сердечно-сосудистых заболеваний 23
1.3.1. Метод реографии для выявления нарушений кровотока 24
1.3.2. Метод электрокардиографии для выявления признаков сердечно-сосудистых заболеваний 27
1.4. Выбор и обоснование направления исследований 30
1.5 Выводы 31
Глава 2. Математические и алгоритмические основы выявления диагностических признаков заболеваний сердечно-сосудистой системы 32
2.1. Метод классификации многомерных образов на основе обучения искусственной нейронной сети 32
2.1.1. Метод обратного распространения ошибки для обучения искусственных нейронных сетей 36
2.1.2. Итеративный самоорганизующийся метод анализа данных 45
2.1.3. Методы построения функции принадлежности 51
2.1.2. Метод потенциальных функций для определения областей кластеризации пространства параметров 57
2.3. Математическая модель реографического сигнала 59
2.4. Сравнительный анализ погрешностей искусственных нейронных сетей и метода потенциальных функций 67
2.5. Выводы 73
Глава 3. Применение разработанных теоретических положений для выявления диагностических признаков заболеваний сердечно-сосудистой системы 74
3.1. Применение нейронных сетей для распознавания патологий нарушений кровообращения по реоэнцефалограмме 74
3.2. Выявление признаков заболеваний сердечно-сосудистой системы по ЭКГ методами распознавания образов 85
3.3. Применение метода классификации многомерных образов на основе обучения искусственной нейронной сети 102
3.3.1. Построение обучающей выборки для искусственной нейронной сети по фенотипированию дислипопротеинемий 102
3.3.2. Построение функции принадлежности нечетких множеств для описания биохимических профилей 110
3.4. Выводы 117
Глава 4. Практическая реализация разработанных теоретических положений по выявлению диагностических признаков сердечно сосудистых заболеваний 119
4.1. Характеристика функциональной схемы и программного обеспечения комплекса ЭФКР-4 119
4.2.1. Характеристика программного обеспечения для реографических исследований 122
4.2.2. Характеристика функциональных возможностей для электрокардиографических исследований 129
4.2. Описание программного комплекса "Кардио-васкулярный профиль индивидуума" 140
4.3. Выводы 151
Заключение 152
Список литературы 154
Приложение 167
- Метод реографии для выявления нарушений кровотока
- Методы построения функции принадлежности
- Выявление признаков заболеваний сердечно-сосудистой системы по ЭКГ методами распознавания образов
- Характеристика функциональных возможностей для электрокардиографических исследований
Метод реографии для выявления нарушений кровотока
Реография является неинвазивным методом диагностики общего и органного кровообращения, атеросклероза, снижения или повышения пульсового кровотока и др. Она подразделяется на две основные группы: реографию сосудов головного мозга, которая называется реоэнцефалогра-фия (РЭГ), и реографию остальных органов тела человека и конечностей, которые в совокупности называются реовазографией (РВГ) [3, 7, 19, 54, 57].
Реография представляет собой запись изменяющейся величины электрического сопротивления живых тканей, органов или участков тела, которое зависит от кровенаполнения сосудистой системы. Сопротивление определяется путем пропускания через ткани переменного электрического тока высокой частоты, но слабого по силе. В этих условиях ткань рассматривают как электрический проводник, имеющий ионную проводимость. Говоря об электрическом сопротивлении тканей, имеется в виду полное электрическое сопротивление, или импеданс (совокупность омического и емкостного сопротивлений). Емкостное сопротивление возникает в основном в результате поляризации кожи и костной ткани и может быть достаточно высоким. Омическое (активное) сопротивление обусловлено колебанием ионной проводимости жидких сред (кровь). Как раз регистрация омического сопротивления важна в реографии, а применение высокочастотного переменного тока (100-1000 кГц) практически исключает влияние паразитного емкостного сопротивления кожного покрова.
Метод реографии обеспечивает возможность изучения гемодинамики любого доступного исследованию органа, головы, либо участка конечности. Реография позволяет дать характеристику артериального кровенаполнения, коллатериального кровообращения, микроциркуляции исследуемого участка.
Существенным преимуществом метода реографии является возможность одновременного изучения гемодинамики различных сосудистых областей - мозга, легких, печени, почек, конечностей и других областей, труднодоступных для исследования иными методами. Это позволяет изучать закономерности общей гемодинамики в условиях совершенно безвредного и необременительного для больного исследования. Действительно, при данном методе исследования через участок тела человека пропускается ток высокой частоты порядка 100 кГц и малой силы - не более нескольких единиц мА. Такие токи безвредны для организма и не ощущаются исследуемым.
В современных поликлинических условиях реоэнцефалография занимает ведущее положение по сравнению с реовазографией [19]. По анализу реографических кривых можно успешно определять многие патологии нарушения кровообращения, такие как атеросклероз, венозные нарушения, снижение или повышение тонуса сосудов, внутричерепная гипер-тензия и др. Для уточнения характера нарушений и их локализации регистрацию РЭГ выполняют в двух точках съема (фронтомастоидальном и октомастоидальном) [44, 96]. Кроме этого, используются функциональные пробы (нитроглицерин) и регистрация РЭГ с поворотом головы. Обработка указанных методик регистрации значительно сложнее поддается формализации, и здесь многое зависит от опыта и интуиции врача. Поэтому внимание исследователей, работающих по проблеме автоматической диагностики заболеваний по РЭГ, сосредоточено на показаниях основной регистрируемой кривой [29].
Для анализа формы РЭГ чаще всего применялись корреляционные методы [96], основанные на совмещение экспериментальных кривых со стандартными шаблонами, характерных для каждого типа нарушений. При этом регистрируемую кривую относили к определенному типу по максимуму корреляционной функции. Корреляционные и лингвистические методы оказались недостаточно эффективными из-за большого разброса форм, регистрируемых РЭГ и отсутствия возможности качественного обучения распознавания в указанных методах признаков ССЗ [32].
Тип нарушения кровообращения можно также определить по набору рассчитываемых индексов и показателей (обычно 10-15) реографиче-ской кривой. Индексы и показатели рассчитываются по пяти характерным точкам, определяемым в свою очередь по структурным особенностям дифференциальной реограммы (ДРГ) [3, 19, 21, 29].
Значительное снижение размерности входа при переходе к параметрическому представлению реограммы позволяет эффективно использовать традиционные методы распознавания образов. Но, как показывает опыт, некоторые различные патологии могут давать сходный набор значений параметров и их можно различить лишь по внешней форме кривой, которую врач определяет визуально.
Поэтому важным является развитие таких методов автоматизации диагностических заключений по всем дискретным отсчетам реографиче-ской кривой, которые позволяют выполнять эффективное обучение при больших входных размерностях и объемах обучающей выборки. Наиболее перспективными при этом представляются методы обучения искусственных нейронных сетей, поскольку, как неоднократно отмечалось многими авторами, нейронные сети обеспечивают лучшие результаты по сравнению со статистическими методами [28].
С целью эффектной генерации и анализа различных типов реографических кривых необходимо также построить модель реографического сигнала, достаточно простую, но позволяющую отображать все проявления нарушений системы кровообращений по реограмме.
Методы построения функции принадлежности
По общепринятой классификации методов построения функции принадлежности нечетких множеств [53, 109, 116-117, 122-124] их можно разделить на три категории: построение функции принадлежности для уникального эксперта, для группы экспертов и по терм-множествам. Методы, связанные с экспертными оценками, можно разделить на две группы: прямые и косвенные (рис.2.5).
Методы построения функции принадлежности
Прямые методы определяются тем, что эксперт непосредственно задает правила определения значений функции принадлежности ііт, характе ризующей понятие типа Т
В качестве примеров прямых методов можно привести непосредственное задание функции принадлежности таблицей, формулой, примером [1, 122-124]. Как правило, прямые методы используются для описания понятий, которые характеризуются измеримыми свойствами, такими как высота, рост, вес, объем. В этом случае удобно непосредственное задание значений степени принадлежности. К прямым можно отнести методы, основанные на вероятностной трактовке функции принадлежности j,T(w)=P(T и), т.е. вероятность того, что объект и є U будет отнесен к множеству, которое характеризует понятие Т. Прямые измерения, основанные на непосредственном определении принадлежности, должны использоваться только в том случае, когда такие ошибки незначительны или маловероятны. В косвенных методах значения функции принадлежности выбираются таким образом, чтобы удовлетворить заранее сформулированным условиям. Экспертная информация определяется только исходной информацией для дальнейшей обработки. Дополнительные условия могут налагаться как на вид получаемой информации, так и на процедуру обработки. Примерами дополнительных условий могут служить следующие: функция принадлежности должна отражать близость к заранее выделенному эталону, объекты множества U являются точками в параметрическом пространстве [1]; результатом процедуры обработки должна быть функция принадлежности, удовлетворяющая условиям интервальной шкалы [10]; при попарном сравнении объектов, если один объект оценивается в 1/а раз сильнее, чем другой, то второй объект оценивается только в 1/а раз сильнее, чем первый [124]; и т.д.
Косвенные методы основаны на попарном сравнении объектов. Косвенные методы более трудоемки, чем прямые, но их преимущество-в устойчивости по отношению к искажениям в ответе. В [123] задается для косвенных методов «условие безоговорочного экстремума»: при определении степени принадлежности множество исследуемых объектов должно содержать минимум два объекта, численные представления которых на интервале [0,1] 0 и 1 соответственно.
В работе [10] рассматриваются различные прямые методы для одного эксперта, предлагающие непосредственное назначение степени принадлежности или назначение аналитической функции, совпадающей с функцией принадлежности, анализируется предложенный Осгудом [116] метод семантических дифференциалов для описания понятия посредством нечеткого множества, характеризующих его свойств. В трудах [122-124] анализируются косвенные методы для одного эксперта; в [116] интенсивность принадлежности определяется, исходя из парных сравнений объектов; в [124] предлагается параметрическое задание идеального и произвольных объектов, на основе которого вводится мера сходства между объектом и идеалом. Для получения значений функции принадлежности в работах [1,10] решается задача на поиск наибольшего собственного значения матрицы попарных сравнений, используется метод наименьших квадратов, в [109] осуществляется поиск наиболее близкого по порядку к оценкам эксперта числового набора в факторном (параметрическом) пространстве минимальной размерности.
В [99] предлагается метод построения функции принадлежности, в определенном смысле согласованной с нечетким групповым предпочтением и заданной в интервальной шкале; в [123] анализируется возможность построения косвенных методов для группы экспертов и обсуждается процедура, позволяющая сводить исходную «размытую» функцию, полученную усреднением экспертных оценок, к характеристической функции неразмытого, четкого множества. В [10] значения функции принадлежности вычисляются по ранговым упорядочениям объектов группой экспертов.
В [1] предлагаются методы построения терм-множеств лингвистических переменных, систематизированы правила выбора терм-множеств. В [124] приведен способ построения частотных оценок на основании психологического эксперимента; в [10] рассматривается методика предварительной обработки экспериментальной таблицы для выравнивания статистических данных, предлагается параметрическое определение функций принадлежности термов в зависимости от расстояния до эталонов.
В [123] функции принадлежности элементов терм-множеств строятся одновременно на основе так называемого отношения моделирования, получаемого в виде таблицы, строки и столбцы которой соответствуют термам и элементам базового множества.
Классификация методов построения функции принадлежности приведена на рисунке 2.6.
В данной работе предлагается модификация косвенного метода построения функции принадлежности нечетких множеств, где в качестве экспертов выступают активности выходных нейронов, а итеративный процесс построения функции принадлежности аналогичен персептронному обучению.
В результате такое построение функции принадлежности можно представить в виде следующего алгоритма.
Результатом работы данного алгоритма является нечеткое описание всех компонент входного вектора для каждого кластера. По данному описанию эксперт определяет необходимое управляющее воздействие на объект исследования.
Выявление признаков заболеваний сердечно-сосудистой системы по ЭКГ методами распознавания образов
Как отмечалось в разделе 1.3.2, для выявления ярко выраженных клинических форм заболеваний сердечно-сосудистой системы достаточно проведение дифференциальной диагностики по электрокардиограмме (ЭКГ) по II стандартному отведению. Регистрация остальных отведений, как правило, помогает уточнить и локализовать очаг атеросклеротического поражения. Для применения методов распознавания патологий по II стандартному отведению получим небольшую размерность входных векторов, равную 9, по количеству параметров ЭКГ (амплитуды зубцов Р, Q, S, Т интервалы PQ, ST, QT, комплекс QRS) [26]. Число основных распознаваемых признаков заболеваний составляло 6 (гипертрофия предсердий, нарушения ритма и проводимости). Для этой методики был применен метод потенциальных функций в распознавании дифференциальных образов ЭКГ.
Для проведения автоматического выявления признаков заболеваний сердечно-сосудистой системы необходимо рассмотрение значений интервалов и амплитуд зубцов нормальной ЭКГ и по II стандартному отведению методом потенциальных функций.
Патология сердца при диагностике по ЭКГ отражается в следующих электрокардиографических синдромах: а) нарушение ритма сердца; б) нарушение проводимости; в) гипертрофия миокарда желудочков и предсердий; г) изменения в миокарде в виде нарушения метаболизма, ишемии, повреждения некроза, рубцов.
Ниже в таблице приводятся значения интервалов и амплитуд зубцов, характерных для нормальной ЭКГ, а также возможные патологии при выходе значений за допустимый интервал.
В результате анализа был выбран ряд заболеваний, которые определяются по параметрам II отведения. В конечном итоге для параметрического задания кардиологических заболеваний при возможном минимуме параметров была построена обучающая выборка, приведенная в таблице 3.3. Поскольку основной целью является отделение нормы и патологий, в обучающей выборке приводятся различные варианты нормальных ЭКГ. Общее количество нормальных ЭКГ составляет 30% от общего размера выборки.
В результате работы процент правильно распознанных заболеваний составил 85% из 2200 электрокардиограмм реальных пациентов г. Барнаула. Однако значительное увеличение размерности задачи при переходе к 12 отведениям требует рассмотрения альтернативных подходов. Так как исследование модельных задач выявило преимущество метода обратного распространения ошибки перед персептронным обучением, используемым в методе потенциальных функций (раздел 2.4), для дальнейшего развития метода диагностики по ЭКГ были выбраны нейронные сети. Входной слой в этом случае содержит 108 нейронов (амплитуды и длительности интервалов и зубцов ЭКГ по 12 отведениям). Сеть обучалась распознавать следующие заболевания: гипертрофия желудочков, блокада ножек пучка Гиса и ветвей левой ножки, инфаркт миокарда при различной локализации, нарушения функций ритма и проводимости. Общее число выходных нейронов равно 23 по числу распознаваемых заболеваний и нормы (рис. 3.3).
В итоге построенная обучающая выборка при использовании метода обратного распространения ошибки в нейросетях позволила обучить ИНС таким образом, что появилась возможность выдачи кардиологических диагностических заключений, обеспечивающих распознавание тех заболеваний, которые затруднительно описать только по II стандартному отведению.
Ниже приводится описание выборки, включающее заболевания, которые не диагностируются по II отведению и, следовательно, не вошли в обучающую выборку для метода потенциальных функций, а также диагностические признаки группы заболеваний, для которых введение дополнительных отведений позволяет провести их конкретную классификацию [46-47,74,80,85,100,104].
Гипертрофия левого желудочка.
Признаки гипертрофии левого желудочка делятся на типы.
Гипертрофия левого желудочка группы А: отклонение электрической оси сердца влево или горизонтально; RI \0MM; S(Q)avR 14мм; Rv5,v6 16 мм;. Ravi мм.
Признаки гипертрофии левого желудочка группы Б: Ri+Sm 20 мм; снижение сегмента STj вниз 0,5 мм при RI SI; S Vi 12 мм; S V\+Rv5 или v6 30 мм; Qv4.v6 2,5мм при Q 0,03 с; STv5, v6 0,5 мм при подъеме STv2-v4; отношение R/ Tv5, v6 10 при Tv5, v6 l мм; RaVF O мм; і?п 18 мм.
Диагноз гипертрофии левого желудочка можно ставить при наличии двух и более признаков группы А; трех и более признаков группы Б; одного признака из группы А и одного признака из группы Б.
Гипертрофия правого желудочка. Типичные признаки: RV! 7MM; S VI , v2 2мм; S v5 7мм; Rv5,v6 5 мм; Rvi+ Sv5 или Rvi+ S v6 10,5 мм; RavR 4 мм; отрицательный Tvi; Rvi 5 мм.
Косвенными признаками гипертрофии правого желудочка являются: Rv5,v6 больше Svbv2,; Sv5,v6 Rv5,v6; зубец RaVR больше 4 мм или RaVR Q(S)avR; отклонение электрической оси сердца вправо; электрическая ось сердца типа Si-Sn-Sm; полная или неполная блокада правой ножки пучка Гиса; электрокардиографические признаки гипертрофии правого предсердия, т.е. отрицательный Рп, Vi 2,5 мм; Р1Ь ш, avF ц, ш, aVF- Уверенность заключения о гипертрофии правого желудочка возрастает при наличии одновременно нескольких признаков.
Систолическая перегрузка левого желудочка. .
Электрокардиографическими признаками систолической перегрузки левого желудочка служат следующие изменения ЭКГ: зубец Q в отведениях V5,V6 меньше 2 мм; зубец R v5, v6 (выше 2,5 мм) больше высоты зубца R v4; высокий зубец R V5, v6, сочетается с глубоким зубцом S в отведениях Vi, V2; сегмент ST v5, v6 расположен ниже изолинии, зубец Т отрицательный.
Систолическая перегрузка правого желудочка:
Приведем электрокардиографические признаки систолической перегрузки правого желудочка: зубец Rvb v2 высокий (Rvi Svi); высокий зубец R 4 мм в отведении aVR; сегмент ST vb v2 расположен ниже изолинии, зубец Tvi-v3 отрицательный (нередко аналогичные изменения сегмента ST и зубца Т наблюдаются также во II, III и aVF отведениях); отклонение электрической оси сердца вправо; появление на ЭКГ в отведениях VbV2 признаков полной или неполной блокады правой ножки пучка Гиса.
Для диастолической перегрузки желудочков выделить типичные электрокардиографические признаки сложно, так как они не всегда соответствуют гемо динамическим данным.
Нарушения внутрижелудочковой проводимости.
Нарушения внутрижелудочковой проводимости можно разделить по уровню поражения на две группы-проксимальные и дистальные. В группу проксимальных нарушений входят блокады, возникающие вследствие нарушения проводимости по пучку Гиса. К группе дистальных нарушений относят нарушения проводимости, возникающие на уровне левой или правой ножки пучка Гиса и двух ветвей левой ножки.
Блокада правой ножки пучка Гиса.
Диагноз блокады правой ножки пучка Гиса ставится в основном по грудным отведениям. При блокаде правой ножки комплекс QR.S уширен и составляет свыше 0,12 с. В правых грудных отведениях Vi, V2 ЭКГ имеет вид rsR . Сегмент ST vbv2 расположен ниже изолинии. Зубец Т vbv2 отрицательный. Высота зубца Rvs, v6 ниже по сравнению с нормой. Сегмент 5Tv5,v6 расположен на уровне изолинии, зубец Tv5,v6 положительный. Электрическая ось сердца при блокаде правой ножки чаще расположена вертикально (резкое отклонение сердца вправо нехарактерно) или регистрируется электрическая ось типа Si-Sn-Sm. В отведении aVR зубец TavR отрицательный. Для блокады правой ножки характерно удлинение электрической систолы желудочков (QT) свыше 0,51с.
Сочетание блокады правой ножки и гипертрофии правого желудочка.
Блокада правой ножки пучка Гиса сама по себе часто является косвенным признаком гипертрофии правого желудочка. Амплитуда S v5, v6увеличивается ( 2,5). При наличии зубцаR v\ 8 мм при неполной блокаде, R vi 12 мм при полной блокаде правой ножки и отклонении электрической оси сердца вправо указывает на дополнительную гипертрофию правого желудочка.
Характеристика функциональных возможностей для электрокардиографических исследований
Программное обеспечение электрокардиографического исследования (рис. 4.6) содержит модули регистрации сигналов, автоматического расчета длительностей интервалов и амплитуд зубцов ЭКГ, а также модули диагностики автоматического определения шести основных нарушений ССЗ по II стандартному отведению методом потенциальных функций и выявлению признаков 23 заболеваний ССЗ методом обратного распространения ошибки ИНС (раздел 3.2) по параметрам Ї2 отведений.
В модуле регистрации важно отметить применение цифровой фильтрации в дополнение к аппаратной. Адаптивный режекторный фильтр [37, 69] на частоте 50 Гц позволяет эффективно бороться с сетевой наводкой, что не просто сделать аппаратными средствами (рис.4.7).
В приборе ЭФКР-4 имеется 8 аппаратных каналов, каждому из которых можно назначить один из 16 аналоговых сигналов, используя электронный коммутатор. Значения на выходах каналов передаются циклически в компьютер. Как отмечалось в разделе 1.3, для полного обследования необходима регистрация 12 отведений (стандартные-1, II, III; усиленные-aVL, aVR, aVF; грудные - Vh...,Ve), поскольку усиленные и III стандартное отведения линейно выражаются через стандартные отведения I и II.
Некоторые из 12-ти отведений не являются независимыми, и можно их регистрацию заменить программным вычислением, т.е. усиленные и III стандартное отведения можно выразить через I и II стандартные отведения:
Рассмотрим теперь методы, позволяющие автоматически определять параметры зубцов и интервалов электрокардиограммы. На рисунке 4.8 приведены основные принятые обозначения элементов ЭКГ. АПР означает абсолютный рефракторный период, ОРП - относительный рефракторный период. Уязвимым периодом считается интервал, в котором даже при слабом раздражении возможно сокращение сердца, что не должно происходить в рефракторном периоде.
Каждый склон в сжатом описании алгоритма AZTEC характеризуется своим размахом U и длительностью т. В алгоритме выделения QRS-комплекса склоньгподразделяются на три категории:
1) большие склоны (БС), для которых выполняются условия: т аь U (3i;
2) малые склоны (МС), характеризующиеся условиями: т а2, U p2;
3) средние склоны (СС), для которых не выполняются условия малых и больших склонов.
Параметры осі, а,2, Рь Рг подбираются экспериментально, причем, как оказалось, пороговые длительности а лучше всего брать пропорциональными RR-интервалам, оценку которых можно получить фильтрацией сигнала, т.е. вычитанием из сигнала его сглаживания скользящим окном. После такого преобразования на кардиологическом сигнале остаются только R-зубцы, которые легко выделяются пороговым методом. Пороговые раз-махи Р выбирались пропорциональными общему размаху сигнала (разности максимального и минимального значений) на анализируемом интервале.
Основные этапы алгоритма следующие.
1. Считается, что для распознавания R-зубца необходимо наличие комбинации одного большого склона и противоположно направленного большого или среднего склона. Поэтому прежде всего выполняется поиск большого склона (БС). Если он не найден, на анализируемом участке отсутствует QRS-комплекс, выполняется переход к следующему участку электрокардиосигнала.
2. Делается предположение, что найденный БС является передним склоном R-зубца (рис. 4.10), его начало принимается за точку Rb Далее анализируются последующие за БС элементы сжатого описания, пока не будет найден БС или СС противоположного направления. В этом случае считается, что R-зубец найден при условии, что общая длительность всех элементов, входящих в R-зубец (TQRS) не превышает 200 мс. Кроме этого, длительность каждого элемента, входящего в R-зубец, который может быть МС или линией, не должна превышать 80 мс. При удачном поиске выполняется переход к п. 4 для определения точек Q и S.
3. Если поиск в п. 2 алгоритма не дал результатов, то выполняется обратный поиск R-зубца. В обратном направлении анализируемого участка ищется БС или СС. При этом общая длительность всех включенных элементов не должна превышать 200 мс, а длительность каждого-80 мс. (рис. 4.12). Если обратный поиск не дал результатов, на анализируемом интервале QRS-комплекс отсутствует.
4. На этом этапе выполняется достройка склонов слева R-зубца и определение зубца Q. В достройку включаются все склоны того же направления, что и склон, оканчивающийся точкой Ri (рис.4.10), а также линии, протяженностью не более 30 мс. Если обнаруживается склон противоположного направления, то считается, что он является началом Q-зубца. В этом случае выполняется перебор пар линий и склонов в количестве не более трех, причем каждая линия должна быть длительностью не более 30 мс. Отметим, что зубец Q может отсутствовать.
