ФГБОУ ВПО Пензенский государственный университет. РЯБЧИКОВ Роман Вадимович

Размер: px
Начинать показ со страницы:

Download "ФГБОУ ВПО Пензенский государственный университет. РЯБЧИКОВ Роман Вадимович"

Транскрипт

1 ФГБОУ ВПО Пензенский государственный университет На правах рукописи РЯБЧИКОВ Роман Вадимович СОВЕРШЕНСТВОВАНИЕ СИСТЕМ ОБРАБОТКИ КАРДИОГРАФИЧЕСКОЙ ИНФОРМАЦИИ ДЛЯ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА Специальности: Приборы, системы и изделия медицинского назначения Системный анализ, управление и обработка информации Диссертация на соискание ученой степени кандидата технических наук Научный руководитель: д.т.н. О.Н. Бодин Научный консультант: д.м.н. Ф.К. Рахматуллов Пенза

2 Оглавление ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ... 5 ВВЕДЕНИЕ... 6 ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ Электрокардиографический способ диагностики состояния сердца Генез электрокардиосигнала ЭКС-признаки инфаркта миокарда Нейросетевой анализ электрокардиосигнала Искусственный нейрон и его функции активации Современное состояние в области нейросетевого анализа электрокардиосигнала Нейросетевой анализ сегментов кардиоцикла ЭКС Структура нейронной сети LVQ и алгоритмов ее обучения Нейросетевой анализ с применением LVQ Сравнительные характеристики современных систем поддержки принятия решения в области нейросетевого анализа электрокардиосигнала Способ неинвазивного определения электрофизиологических характеристик сердца Постановка задач исследования ГЛАВА 2. РАЗРАБОТКА МЕТОДИКИ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА НА ОСНОВЕ НЕЙРОСЕТЕВОГО АНАЛИЗА СЕГМЕНТОВ КАРДИОЦИКЛА И ПОСЛЕДОВАТЕЛЬНО-ПАРАЛЛЕЛЬНОГО СОЕДИНЕНИЯ НЕЙРОННЫХ СЕТЕЙ Обоснование предлагаемого подхода к совершенствованию обработки электрокардиосигнала для диагностики инфаркта миокарда Предварительная обработка электрокардиосигнала

3 2.2.1 Обоснование статистического подхода в предварительной обработке электрокардиосигнала Построение фазовой траектории электрокардиосигнала Фильтрация ЭКС Выделение элементов кардиоцикла электрокардиосигнала Нейросетевой анализ электрокардиосигнала для диагностики ИМ Формирование обучающей выборки для анализа сегментов кардиоцикла Особенности обучения нейронных сетей для анализа сегментов кардиоцикла Методика принятия решения о диагностическом заключении Исследование разработанной методики нейросетевого анализа сегментов кардиоцикла электрокардиосигнала для диагностики инфаркта миокарда Определение критериев, влияющих на качество обучения нейронной сети LVQ Выбор оптимальных параметров обучения нейронной сети LVQ Выбор оптимального количества входов и выходов НС Определение количества нейронов НС Определение величины нормирования, зашумления, сдвига, коэффициента избыточности Определение количества векторов в обучающем наборе данных Определение чувствительности и специфичности методики нейросетевого анализа электрокардиосигнала Тестирование обученных нейронных сетей Выводы ГЛАВА 3. РАЗРАБОТКА МЕТОДИКИ РАСЧЕТА ОСНОВНЫХ ЭЛЕКТРОФИЗИОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК СЕРДЦА Подход к определению электрофизиологических характеристик сердца 83 3

4 3.2 Получение исходных данных для определения электрофизиологических характеристик сердца Определение электрофизиологических характеристик сердца Расчет распределения потенциалов, генерируемых сердцем, на торсе пациента Расчет распределения потенциалов, генерируемых сердцем, на торсе пациента Моделирование распространения волны возбуждения в миокарде Синтез модельного ЭКС Коррекция расчетных параметров Выводы ГЛАВА 4 РЕАЛИЗАЦИЯ РАЗРАБОТАННОГО ПОДХОДА К АНАЛИЗА ЭЛЕКТРОКАРДИОСИГНАЛА ДЛЯ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА В КОМПЬЮТЕРНОЙ ДИАГНОСТИЧЕСКОЙ СИСТЕМЕ Структура и реализация КДС Структура взаимодействия в компьютерной диагностической системе Методика анализа ЭКС для диагностики инфаркта миокарда Результаты внедрения Выводы ОСНОВНЫЕ РЕЗУЛЬТАТЫ СПИСОК ЛИТЕРАТУРЫ ПРИЛОЖЕНИЕ А. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ СПОСОБОВ ОБРАБОТКИ ЭКС ДЛЯ ДИАГНОСТИКИ ИМ

5 ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ АВ Атриовентрикулярный АВА БД ВНД ИМ ИО ИП КИ КДС МИС МКБ НС НСА ОИМ ОНД ССС СУБД ФОС ЭКГ ЭКС ЭОС LVQ CCLVQ3 Амплитудно-временной анализ База данных Валидационный набор данных Инфаркт миокарда Информационное обеспечение Информационный параметр Кардиографическая информация Компьютерная диагностическая система Медицинская информационная система Международная классификация болезней Нейронная сеть Нейросетевой анализ Острый инфаркт миокарда Обучающий набор данных Сердечно-сосудистая система Система управления базами данных Флюорографические снимки Электрокардиограмма Электрокардиосигнал Электрическая ось сердца Квантование обучающих векторов Алгоритм обучения НС LVQ, основанный на использовании метода выпуклой комбинации (convex combination) 5

6 ВВЕДЕНИЕ Актуальность работы. На сегодняшний день в нашей стране смертность от болезней сердечнососудистой системы составляет более 50% от всех причин смертности. Инфаркт миокарда (ИМ) представляет из себя наиболее опасное для жизни человека заболевание сердечно-сосудистой системы. Из-за протекания и летальности (около 30%) качественная своевременная диагностика данного заболевания является одной из актуальнейших задач современного здравоохранения. Огромный вклад в развитие компьютерной диагностики состояния сердечнососудистой системы был внесен научными школами под руководством таких выдающихся российских ученых, как Е. И. Чазов, Л. А. Бокерия, Л. В. Розенштраух, А. Н. Волобуев, И. М. Гельфанд, Ю. В. Гуляев, М. П. Рощевский, В. С. Анищенко, Л. И. Титомир, Р. М. Баевский, Г. Г. Иванов, А. В. Струтынский, Ю. И. Неймарк, В. Н. Орлов, С. В. Селищев, А. П. Немирко, Э. К. Шахов, В. В. Шкарин, На сегодняшний день, несмотря на значительное разнообразие применяемых математических, статистических способов и компьютерных средств при обработке кардиографической информации, в этой сфере изысканий остается крайне актуальной задача повышения достоверности систем анализа ЭКС для диагностики инфаркта миокарда. Существующие классические методики и средства диагностики, основанные на амплитудно-временном анализе ЭКС, не удовлетворяют современным требованиям достоверности диагностики ИМ (диагностируются 3 инфаркта миокарда из 4). Учитывая, имеющиеся несовершенные приборы и системы диагностики ИМ, а также человеческий фактор, очевидной является необходимость в создании системы поддержки принятия решения с повышенной достоверностью диагностики ИМ, способной помочь врачу. Отдельно стоит применение искусственных нейронных сетей (НС) в анализе ЭКС для диагностики ИМ. Нейросетевой анализ (НСА) 6

7 кардиографической информации активно развивается и привлекает исследователей всего мира. Однако достоверность, НСА при диагностики ИМ, определяемая чувствительностью и специфичностью, составляет 85%-90% и также не удовлетворяет требованиям современного здравоохранения. Под специфичностью понимается вероятность правильного определения здоровых людей среди общего числа здоровых, а чувствительность вероятность правильного определения больных пациентов среди общего числа больных. Проблема повышения достоверности диагностики состояния сердца обуславливает необходимость улучшения подходов к получению новой диагностической информации. Цель работы: повышение достоверности средств обработки кардиографической информации на основе нейросетевого анализа, моделирования и визуализации для диагностики инфаркта миокарда. Задачи исследования. Чтобы достичь поставленную цель нужно решить следующие задачи: 1. Критический анализ существующих методик и средств обработки кардиографической информации для диагностики инфаркта миокарда, обнаружение их недостатков и обоснование разработки новых методик обработки кардиографической информации и нейросетевого анализа ЭКС. 2. Разработка новой методики определения электрофизиологических характеристик сердца для диагностики инфаркта миокарда. 3. Разработка новой методики нейросетевого анализа электрокардиосигнала для диагностики инфаркта миокарда на основе совместного анализа прямых и реципрокных признаков инфаркта миокарда отдельных элементов кардиоцикла. 4. Разработка новой методики выделения отдельных элементов кардиоцикла. 5. Построение выходных логических функций для составления диагностического заключения о локализации ИМ. 7

8 6. Разработка и внедрение системы поддержки принятия решения о наличии инфаркта миокарда. Объект исследования. Объектом исследования является система поддержки принятия решения о наличии инфаркта миокарда. Предмет исследования. Предметом исследования являются способы обработки кардиографической информации для диагностики инфаркта миокарда, структура и алгоритмы обучения нейронных сетей, методы подготовки исходных данных. Методы исследования. Для решения поставленных задач в работе использованы методы теории систем и системного анализа, кардиологии и диагностики ИМ, теории искусственных нейронных сетей, теории цифровой обработки сигналов. Достоверность полученных результатов работы обусловлена полнотой и непротиворечивостью исходных данных, корректным применением аналитических и расчетных методов, сопоставимостью результатов теоретического исследования с экспериментальными данными предложенной методики анализа ЭКС в составе макета диагностической системы. Научная новизна исследования состоит в следующем: 1. Разработана методика обработки кардиографической информации, отличающаяся совместным применением статистического анализа, нейросетевого анализа ЭКС, неинвазивным определением электрофизиологических характеристик сердца, моделированием электрической активности сердца и визуализацией распространения возбуждения по эпикардиальной поверхности миокарда, позволяющая точнее локализовать инфаркт миокарда и наглядно представить на трехмерной модели сердца пациента место повреждения миокарда. 2. Предложена методика нейросетевого анализа ЭКС, расширяющая его функциональные возможности, за счет последовательного нейросетевого анализа трансмуральности инфаркта миокарда и сегментов кардиоцикла, и синтеза логической функции о наличии инфаркта миокарда, позволяющая 8

9 формировать диагностическое заключение независимо от количества проявившихся прямых и реципрокных признаков ИМ. (Патент РФ ). 3. Разработана методика статистической обработки временных отсчетов ЭКС за счет построения фазовой траектории ЭКС, позволяющая достовернее выделить амплитудно-временные параметры зубцов Q, R, S, T, сегмента ST. 4. Разработана новая методика неинвазивного определения электрофизиологических характеристик сердца, отличающаяся возможностью коррекции расчетных параметров и визуализацией распространения возбуждения по эпикардиальной поверхности миокарда. (Патент РФ ) 5. Предложена и обоснована структура системы поддержки принятия решения о наличии инфаркта миокарда, реализующая предложенные методики и позволяющая приблизить возможности доклинической обработки кардиографической информации к уровню клинических обследований сердца. Практическая значимость и реализация результатов: 1. Предложенные методики обработки кардиографической информации применимы при построении новых средств и систем кардиодиагностики. Результаты диссертационной работы реализованы в действующем макете компьютерной диагностической системы (КДС) «Кардиовид», которая проходит апробацию в городской больнице скорой медицинской помощи им. Г. А. Захарьина г. Пензы. Испытания КДС «Кардиовид» отражают повышение чувствительности и специфичности диагностики ИМ, что позволяет повысить качество диагностики. 2. Методика обработки кардиографической информации и нейросетевого анализа ЭКС на основе предварительного выделения отдельных сегментов кардиоцикла, их нейросетевом анализе, моделировании электрической активности сердца и визуализации процесса распространения возбуждения расширяет функциональные возможности доклинической обработки кардиографической информации, позволяет точнее локализовать инфаркт 9

10 миокарда и наглядно представить на трехмерной модели сердца пациента место повреждения миокарда. 3. Разработанный при участии автора работы макет КДС применяется в образовательном процессе Медицинского института Пензенского государственного университета. 4. Работа выполнена в рамках ФЦП «Исследование и разработка по приоритетным направления развития НТК России на г.» На защиту выносятся: 1. Методика обработки кардиографической информации и нейросетевого анализа ЭКС, заключающаяся в предварительном выделении отдельных сегментов кардиоцикла путем статистической обработки временных отсчетов ЭКС, их нейросетевом анализе, определении электрофизиологических характеристик сердца, моделировании электрической активности сердца и визуализации процесса распространения возбуждения, позволяющая точнее локализовать инфаркт миокарда и наглядно представить на трехмерной модели сердца пациента место повреждения миокарда. (Специальность , п.1.) 2. Методика нейросетевого анализа ЭКС, заключающаяся в выделении и совместном нейросетевом анализе прямых и реципрокных признаков инфаркта миокарда отдельных элементов кардиоцикла, обеспечивающая принципиальную возможность в условиях массового применения с вероятностью до 98 % определить вид и локализацию ИМ. (Специальность , п. 1.) 3. Методика выделения сегментов кардиоцикла, основанная на статистический обработке кардиографической информации и построении фазовой траектории ЭКС. (Специальность , пп. 1, 13.) 4. Методика неинвазивного определения электрофизиологических характеристик сердца, характеризующаяся возможностью коррекции расчетных параметров и визуализацией распространения возбуждения по эпикардиальной поверхности миокарда. (Специальность , п. 12). 10

11 5. Структура системы поддержки принятия решения о наличии инфаркта миокарда, позволяющая реализовать разработанный подход к обработке кардиографической информации, и используемая в качестве основы для построения принципиально новых средств кардиодиагностики. (Специальность , п.1). Апробация результатов исследования. Основные результаты работы прошли апробацию на 4 международных научных конференциях, в том числе: 14 Конгрессе Российского Общества холтеровского мониторирования и неинвазивной электрофизиологии (РОХМИНЭ-2013), Иркутск, 2013; XI Международном Конгрессе «Кардиостим-2014», Санкт-Петербург, Публикации. Основные положения работы представлены в 9 публикациях, в том числе 7 статьях и тезисах докладов конференций (из них 3 в изданиях, рекомендованных ВАК), 2 патентах РФ на изобретение (на способы обработки электрокардиосигнала). Структура и объем работы. Работа состоит из введения, четырех глав, заключения, списка литературы и одного приложения. Общий объем составляет 128 страниц, работа содержит 40 рисунков, 9 таблиц, список литературы, включающий 104 наименования. 11

12 ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ 1.1.Электрокардиографический способ диагностики состояния сердца Генез электрокардиосигнала Одним из величайших достижений человечества в ХХ веке является электрокардиография. Ежегодно только в нашей стране регистрируются миллионы электрокардиограмм (ЭКГ). Электрокардиографии посвящены работы многих ученых как отечественных, так и зарубежных (М.П. Рощевский, В.Н.Орлов, М.И. Кечкер, Ф. Циммерман, А.Б. де Луна, А.В. Струтынский, и др.). Поэтому для определения направлений данного исследования кратко опишем возможности и особенности развития электрокардиографии. В основу метода легло представление о том, что биотоки сердца имеют определенное распределение на поверхности тела и могут быть зарегистрированы (отведены), усилены, а затем записаны в виде характерной кривой ЭКГ. Впервые это сделать удалось В. Эйнтховену (W. Einthowen) в 1903 г. В. Эйнтховен обозначил зубцы ЭКГ следующими подряд буквами латинского алфавита: P, Q, R, S, T. ЭКГ представляет собой графическое отображение электрофизиологических процессов, происходящих в миокарде. Сердце функционирует (возбуждается) под действием электрических импульсов, которые генерирует собственный водитель ритма [19]. Анатомически этот возбудитель сердца расположен в правом предсердии, в месте слияния полых вен, в синусовом узле (см. рисунок 1.1), поэтому импульс возбуждения, исходящий из него называется, соответственно, синусовым импульсом. 12

13 Рисунок 1.1 Анатомия проводящей системы сердца Синусовый узел вырабатывает электрические импульсы, которые распространяясь по проводящей системе возбуждают клетки миокарда. В результате электрической активности клеток миокарда сердце создает вокруг себя периодически меняющееся электрическое поле. Электроды, размещенные на коже, воспринимают и передают изменения этого поля на электрокардиограф. Зубцы и интервалы нормальной ЭКГ приведены на рисунке 1.2 [68]. Рисунок 1.2 Зубцы и интервалы нормальной ЭКГ Помимо регистрации по вертикали зубцов, по горизонтали на ЭКГ записывается время, в течение которого импульс проходит по определенным 13

14 отделам сердца. Отрезок на кардиограмме, измеренный по своей продолжительности во времени (в секундах), называют интервалом. Электрический импульс возбуждения появляется в синусовом узле (не регистрируется на ЭКГ), проходит по предсердиям (образуется зубец P) и распростарняется по атриовентрикулярному (АВ) узлу (см. рисунок 1.1). В АВузле совершается физиологическая задержка импульса (замедление скорости его проведения), поэтому на ЭКГ участок между зубцами P и Q (сегмент PQ) отражается прямой линией, которая называется изоэлектрической (изолинией). Затем электрический импульс доходит до проводящих путей желудочков, которыми являются система пучка Гиса и волокна Пуркинье (см. рисунок 1.1), и возбуждает ткань желудочков. Данный процесс отражается образованием желудочкового комплекса QRS (см. рисунок 1.2). Распространив возбуждение по желудочкам, электрический импульс угасает, при этом происходят процессы реполяризации, которые отражаются на ЭКГ1сегментом ST и зубцом T. Таким образом, генезис ЭКГ обусловливается процессами деполяризации (возбуждения) и реполяризации (расслабления или восстановления исходного состояния) в клетках миокарда. Процесс генезиса ЭКГ можно представить в виде условной схемы, приведенной на рисунке 1.3 [3.68]. ЭКС в соответствующем отведении образуется как сумма смещенных по фазе кривые трансмембранного потенциала действия (ТМПД) всех элементов поверхности сердца (Si) умноженных на соответствующие коэффициенты k li (см. рисунок 1.3). Регистрация электрокардиосигнала (ЭКС) проводится в четком соответствии с установленными правилами. Применяется несколько общепринятых способов регистрации электрокардиосигнала. Для потребностей функциональной диагностики запись электрокардиограммы в 12 стандартных отведениях является неизменным подходом к регистрации электрокардиосигнала. 14

15 а б Рисунок 1.3. Генез электрокардиосигнала (а) и схема наложения электродов при регистрации ЭКС в 12 стандартных отведениях (б) Отведение образуется как разность потенциалов между двумя электродами, расположенными на поверхности тела пациента. Для регистрации ЭКС в стандартных отведениях электроды накладывают согласно принятым правилам: I запястья правой и левой рук, II лодыжка левой ноги и запястье правой рука, III лодыжка левой ноги и запястье левой руки. В усиленных отведениях электрод располагают для отведения avr на запястье правой руки, для отведения avl на запястье левой руки, для отведения avf на лодыжке левой ноги. Для отведений V1 V6 точка на поверхности грудной клетки является одним из электродов, а другим объединенный электрод от всех конечностей. 15

16 Каждое из 12 отведений показывает изменения электрической активности конкретного отдела миокарда [19]. В таблице 1.1 приведена информация об отделах сердца и отображающих их состояние стандартных отведениях.[19] Таблица 1.1 отведением Отведение I II III avr avl avf V1 и V2 V3 V4 V5 V6 Соответствия отведений и отделов миокарда, отображаемые Отдел миокарда, отображаемый отведением Передняя стенка сердца Суммарное отведение I и III Задняя стенка сердца Правая боковая стенка сердца Левая передне-боковая стенка сердца Задне-нижняя стенка сердца Правый желудочек Межжелудочковая перегородка Верхушка сердца Передне-боковая стенка левого желудочка Боковая стенка левого желудочка ЭКС-признаки инфаркта миокарда Среди заболеваний сердца по летальности первое место занимает инфаркт миокарда (ИМ). Летальность составляет около 30%. Инфаркт миокарда (ИМ) это ишемический некроз сердечной мышцы, развивающийся в результате острой недостаточности коронарного кровообращения. Современная классификация ИМ предусматривает его деление: 16

17 по величине и глубине поражения сердечной мышцы; по характеру течения заболевания; по локализации ИМ; по стадии заболевания; При нарушении коронарного кровообращения при инфаркте приводит образуются три зоны патологических изменений. Непосредственно зона некроза, а вокруг нее зона ишемического повреждения и зона ишемии. На рисунке 1.4 приведена иллюстрация формирования ЭКС в трех зонах патологических изменений миокарда. Рисунок 1.4 Генез электрокардиосигнала в трех зонах патологических изменений миокарда В отведениях, в которых электрод находится непосредственно над областью ИМ, каждая из этих зон участвует в формировании следующих ЭКГизменений. 1. Зона некроза формируется патологический зубец Q (продолжительностью дольше 30 мс) и резкое уменьшение амплитуды зубца R или комплекс QS. 2. Зона ишемического повреждения смещение сегмента ST выше или ниже изолинии (при субэндокардиальном поражении сердечной мышцы). 17

18 3. Зона ишемии коронарный (равносторонний и остроконечный) зубец Т (высокий положительный или отрицательный) Рассмотрим стадии заболевания. На рисунке 1.5 приведена иллюстрация развития стадий ИМ. Различают острейшую, острую и подострую стадии ИМ [68]. Рисунок 1.5 Иллюстрация развития стадий ИМ 1. Острейшая стадия (до 2-х ч от начала инфаркта миокарда). В течение нескольких минут после прекращения коронарного кровотока и возникновения ангинозного приступа в сердечной мышце обычно выявляется зона субэндокардиальной ишемии, для которой характерно образование высоких коронарных зубцов Т и смещение сегмента ST ниже изоэлектрической линии (см. рисунок 1.5, а, б). Когда зона ишемического повреждения расширяется до эпикарда, на ЭКГ фиксируется смещение сегмента ST выше изолинии. Сегмент ST при этом сливается с положительным зубцом Т, образуя так называемую монофазную кривую, напоминающую по форме ТМПД (см. рисунок 1.5, в). 18

19 2. Острая стадия определяется быстрым, в течение 1 2 суток, образованием патологического зубца Q или комплекса QS и уменьшением амплитуды зубца R, что указывает на образование и распространение зоны некроза (см. рисунок 1.5, г, д). Параллельно в течение нескольких дней сохраняется смещение сегмента ST выше изолинии и сливающегося с ним вначале положительного, а затем отрицательного зубца Т. Через несколько дней сегмент ST подходит к изолинии, а к концу 1-й недели или в начале 2-й недели болезни становится изоэлектричным, что говорит об уменьшении зоны ишемического повреждения (см. рисунок 1.5, е). Отрицательный коронарный зубец Т резко углубляется и становится симметричным и заостренным (повторная инверсия зубца Т). 3. В подострой стадии инфаркта регистрируется патологический зубец Q или комплекс QS (некроз) и отрицательный коронарный зубец Т (ишемия), амплитуда которого, начиная с х суток инфаркта миокарда, постепенно уменьшается. Сегмент ST находится на изолинии (см. рисунок 1.5, ж). Рубцовая стадия ИМ определяется сохранением в течение многих лет патологического зубца Q или комплекса QS и наличием отрицательного, сглаженного или остроконечного зубца Т (см. рисунок 1.5, з). Общепринятыми ЭКГ-признаками инфаркта являются [19]: 1. Образование патологического зубца R или его отсутствие в отведениях, расположенных над зоной инфаркта. 2. Образование патологического зубца Q в отведениях, расположенных над зоной инфаркта. 3. Элевация сегмента ST выше изолинии в отведениях, расположенных над зоной инфаркта. 4. Депрессия сегмента ST ниже изолинии в отведениях, противоположных зоне инфаркта. 5. Образование отрицательного зубца T в отведениях, расположенных над зоной инфаркта. 19

20 6. Образование остроконечного зубца Т в отведениях, противоположных зоне инфаркта В зависимости от локализации ИМ ЭКГ-признаки обнаруживаются в различных ЭКГ-отведениях (см. таблицу 1.2). [68] Стоит сказать, что чувствительность и специфичность ЭКГ метода являются далеко не абсолютными. Известно, что электрокардиографическая диагностика ИМ не специфична, то есть очаговые трансформации электрических процессов могут быть вызваны не только ишемическими повреждениями и морфологическими изменениями в сердце, а с определенной вероятностью кардиомиопатией и гипертрофией желудочков. Ошибки в электрокардиографической диагностике ИМ, к сожалению, возможны. При диагностике инфаркта могут появляться проблемы, связанные с рассмотрением начла желудочкового комплекса, определяющего деполяризацию желудочков (комплекс QRS), и трудности толкования изменений конца желудочкового комплекса реполяризации желудочков (сегмент ST и зубец T). По информации некоторых источников, не диагностируется своевременно до 40% случаев инфаркта миокарда. Чувствительность некоторых ЭКГ-признаков острого инфаркта составляет: сегмент ST 54%, патологический зубец Q 31% [102] 20

21 Таблица 1.2 Соответствия локализаций ИМ и отведений, в которых обнаруживают признаки ИМ Локализация ИМ Отведения, в которых обнаруживают признаки ИМ Прямые признаки: патологический Q (QS); элевация RS T; отрицательный корон арный Т Реципрокные признаки: депрессия RS T; высокий положительный Т; высокий R (при задних ИМ) Инфаркт миокарда передней стенки ЛЖ Переднеперегородочный V1 V3 Передневерхушечный V3, V4 Переднебоковой I, avl, V5, V6 Переднебазальный (высокий передний) V 2 4 V 2 6 и/или V 3 4 V 3 6 Распространенный передний I, avl, V1 V6 III, avf, II Инфаркт миокарда задней стенки ЛЖ Заднедиафрагмальный (нижний) III, avf, II Заднебазальный V1 V3 Заднебоковой V5, V6, III, avf Распространенный задний III, avf, II, V5, V6, V1 V3 21

22 1.2 Нейросетевой анализ электрокардиосигнала Искусственный нейрон и его функции активации Искусственные нейронные сети (ИНС) образовались из исследований в части искусственного интеллекта, а конкретно, из попыток повторить способность биологических нервных систем учиться и исправлять ошибки, повторяя низкоуровневую структуру мозга. Обширное количество вопросов, решаемых ИНС, не позволяет создавать универсальные, мощные сети. Отсюда возникает необходимость разрабатывать специализированные нейронные сети, которые работают по различным алгоритмам в аппаратном или программном исполнении. При этом базис каждой НС составляют сравнительно несложные, в большинстве своем однотипные элементы (ячейки), моделирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием, которое может быть возбужденным или заторможенным. Нейрон обладает разветвленной структурой ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других ячеек с помощью синапсов. Каждый нейрон характеризуется размерностью входного вектора (количеством дендритов) и функцией активации. Каждая синоптическая связь определяется величиной синоптической связи или ее весовым коэффициентом w i, который по физическому смыслу равноситлен электрической проводимости. Структура нейрона и его возможные функции активации приведены на рисунке

23 Рисунок 1.6 Структура нейрона и его функции активации: а) функция единичного скачка; б) линейный порог (гистерезис); в) сигмоид гиперболический тангенс; г) сигмоид Состояние нейрона в данный момент времени определяется, как взвешенная сумма его входов: s = Σ x i * w (1.1) Выход нейрона определяется функцией его состояния: y = f (s) (1.2) Нелинейная функция f называется активационной и может иметь различный вид, как показано на рисунке 1.6. Логистическая функция или сигмоид является одной из наиболее распространенных функций (то есть функция S образного вида): f (x) = 1/(1+e -αx ) (1.3) Современное состояние в области нейросетевого анализа электрокардиосигнала Задача создания нейронных сетей представляет собой отдельное направление нейрокомпьютерной науки. Известно, что НС может выполнить любое сложное преобразование «вход-выход». Нейросетевая парадигма анализа электрокардиосигнала приведена на рисунке

24 Рисунок 1.7 Нейросетевая парадигма анализа ЭКС При использовании нейронных сетей для анализа ЭКС возникают задачи: выбора класса НС; выбора архитектуры НС; и выбора алгоритма обучения. Любая НС применяется как самостоятельная система представления знаний, выступающая в практических приложениях, как правило, одним из компонентов модуля принятия решений либо системы управления. Функции, которые способна выполнять сеть можно разделить на несколько основных групп: аппроксимация и интерполяция, распознавание и классификация образов, сжатие данных, прогнозирования, идентификации, управления, ассоциации. Известным подходом является применение нейронных сетей с элементами самоорганизации для интегральной оценки биоэлектрических сигналов [50,93]. Применение многослойных нейронных сетей для этих целей является бессмысленным, потому что они плохо обучаются при высокой размерности нейронной сети. Эта проблема носит название «проклятие размерности» и 24

25 досконально исследована и подробно описана в работах А.И. Иванова [20, Ошибка! Источник ссылки не найден.]. Известны исследования диагностики инфаркта миокарда с использованием нейронных сетей [Ошибка! Источник ссылки не найден.]. Информационные характеристики (длины сегментов, амплитуды зубцов) ЭКC, зарегистрированного в 12-ти стандартных отведениях, послужили Входными данными для сетей. Исследователи университета Глазго (Великобритания) разработали и провели обучение значительного количества нейронных сетей на массиве данных из 360 ЭКC [Ошибка! Источник ссылки не найден.]. Затем провели тестирование полученных нейронных сетей на специально подготовленной выборке с заранее известными значениями. Параллельно для получения отдельной группы ответов на тестовой выборке был применен классический способ. Сопоставление полученных значений двух способов (классического и нейросетевого) отразило тот факт, что зачастую чувствительность и специфичность нейросетевого анализа выше, чем у классического способа. В [89] показано исследование алгоритма НСА электрокардиосигнала. Авторы исследования добились высокой обобщающей способности (свыше 90%)на имеющихся (в том числе искусственно синтезированных) обучающих данных. Но этот алгоритм не тестировался на необходимом количестве реальных ЭКС, что в практической медицине препятствует его использованию. Особенностью применения нейронных сетей для анализа электрокардиосигнала является тот факт, что оптимальные параметры и характеристики ее структуры заранее неизвестны. К этим параметрам относятся: количество слоев, функция активации нейронов, число нейронов в каждом слое и др. К тому же, неизвестны методы, дающие возможность охарактеризовать оптимальность конкретной архитектуры нейронной сети, не решая при этом задачу обучения и тестирования сети с подобной архитектурой. На сегодняшний день отсутствуют методы для нахождения количества скрытых слоев и количества нейронов в каждом из них, что приводит к неизбежности применения 25

26 метода перебора для определения оптимальной структуры нейронной сети приходится много экспериментировать с достаточным количеством нейронных сетей, многократно сверяя полученные данные. По результатам исследований, выполненных отечественными и зарубежными учеными [48, 50] задача интегрального анализа электрокардиосигнала для диагностики ИМ на основе нейронных сетей относится к классификационным задачам.изучение многих публикаций, исследований, пособий и учебной литературы по НС показал, что широко применяемым методом к решению задач классификации является использование НС, основанных на самоорганизующемся слое Кохонена [93]. Рассмотрим реализации нейросетевого анализа ЭКС Нейросетевой анализ сегментов кардиоцикла ЭКС. В [73] нейронные сети применяются для распознавания патологических изменений в сигнале электрической активности сердца. Автором применяются трехслойный персептрон с логистической функцией активации без обратных связей. Сети направлены на анализ сегментов кардиоцикла ЭКС с целью определения патологии. Но при этом не говорится о возможности вынесения какого-либо диагностического решения. Помимо этого, принцип формирования обучающего набора данных, т.е. выделения сегментов кардиоцикла ЭКС опирается на временные рамки, определяемые эмпирически, что способно привести к некачественному выделению необходимого сегмента. Автором показано, что чувствительность составляет 85%, а специфичность 90 % Структура нейронной сети LVQ и алгоритмов ее обучения Классическая самоорганизующаяся карта Кохонена обучается алгоритмами «без учителя», и ее задачей является усреднение, кластеризация, 26

27 обобщение векторов из обучающей выборки. Тем не менее задачу классификации, подразумевающую управляемое обучение (с учителем), с помощью данной сети решить не представляется возможным [93]. Для решения данной проблемы Т. Кохоненом была предложена нейронная сеть Learning Vector Quantization (LVQ) [93], имеющая самоорганизующийся слой Кохонена в своем основании. Структура нейронной сети LVQ приведена на рисунке 1.8. Рисунок 1.8 Структура нейронной сети LVQ Значение на выходе НС LVQ рассчитывается по следующей формуле: Y F F F x W, (1.4) lin compet dist, где x входной вектор; W веса обученной НС LVQ; F dist функция определения расстояния между вектором x и значениями векторов матрицы весов W; F compet определяющая нейрон-победитель соревновательная функция; F lin связывающая нейрон-победитель с соответствующим выходом выходная линейная функция. В ходе обучения нейронных сетей LVQ кластеры самоорганизующегося слоя Кохонена группируются в классы [93, что является особенностью данного типа сетей. При этом, к какому классу должен быть отнесен тот или иной нейрон, заранее известно, поэтому препятствование модификации весов нейронов в сторону обучающих векторов других классов непосредственная задача алгоритма обучения. А оказавшегося ближе всех к вектору другого класса веса нейрона уменьшаются. Т. Кохонененом в [93] предложено несколько алгоритмов обучения НС LVQ. Все предложенные алгоритмы приводят к относительно одинаковому 27

28 качеству обучения. Однако скорость обучения при применении разных алгоритмов может существенно отличаться. Как недостаток известных алгоритмов обучения сети LVQ следует выделить трудность формирования начальных значений весов конкурирующего слоя. При неудачной инициализации весов НС может получиться такая ситуация, когда к одной небольшой группе нейронов все входные вектора наиболее близки (в худшем случае к одному нейрону). Из-за данной ситуации не будут обучаться оставшиеся нейроны, что в свою очередь может привести к тому что разделить обучающие множества на кластеры будет невозможно (проблема «мёртвых» нейронов [50]), в результате чего результаты обучения сети станут неудовлетворительными Нейросетевой анализ с применением LVQ В [37] рассмотрен нейросетевой анализ состояния сердца, заключающийся в том, что непрерывный электрокардиосигнал регистрируют, осуществляют предварительную обработку и представляют его в виде вектора, заключающего в себе дискретные отсчеты одного кардиоцикла, создают m векторов справочной информации, определяющих одно из состояний сердца, сравнивают анализируемый вектор зарегистрированного электрокардиосигнала с созданным множеством векторов справочной информации. Автором осуществляется нейросетевой анализ k состояний сердца, где k определенная локализация ИМ. Вывод результата, относящегося к одному из k состояний сердца осуществляется на основе выходных данных НСА с учетом решающий правил. (рис 1.9) Построение решающих правил осуществляют на основе прямых и реципрокных признаков топической диагностики k состояний сердца. Для выполнения нейросетевого анализа вектора зарегистрированного электрокардиосигнала осуществляют построение k*l (L количество отведений) сетей типа LVQ для нейросетевого анализа каждого из k состояний сердца в каждом отведении. Вывод результата, относящегося к одному из k состояний 28

29 сердца, осуществляют на основе выбора k-го состояния сердца, у которого выявлено максимальное количество признаков. Автором указывается, что при данном подходе чувствительность и специфичность нейросетевого анализа для диагностирования ИМ составляют 87% и 83% соответственно. 29

30 Рисунок 1.9 Алгоритм способа НСА ЭКС с применением НС LVQ Недостатком известного способа является принцип выбора k-го состояния сердца. Каждому состоянию соответствует решающее правило состоящее из 12 элементов (по 1 на каждое отведение), таким образом при изменении хотя бы одного из элементов (ошибка НС), расхождение выходов нейронных сетей с 30

31 решающим правилом составит более 8%, что достаточно большой показатель, способный привести к ошибке всей системы. Решение о выборе k-го состояния сердца принимает так называемый приоритетный шифратор, который в случае отсутствия однозначного совпадения выходов нейронных сетей и какого-либо из решающих правил принимает решение в пользу наиболее часто встречающейся локализации ИМ среди нескольких, к которым соответствуют решающих правила наиболее близкие к полученным выходам нейронных сетей. Стоит заметить, что ошибка нейросетевого анализа не исключена ввиду того, что в качестве входного вектора подается образ целого кардиоцикла. Но при этом зачастую не все ЭКС-признаки ИМ проявляются у пациента, что способно привести к ошибке на этапе нейросетевого анализа. Кроме того, создание обучающей выборки в достаточной мере осложнено необходимостью наличия большого количества справочной ЭКС-информации, соответствующей каждому из k-состояний сердца по каждому из 12 отведений Сравнительные характеристики современных систем поддержки принятия решения в области нейросетевого анализа электрокардиосигнала Проведенный анализ современных систем поддержки принятия решения в области нейросетевого анализа электрокардиосигнала (НСА ЭКС) выявил особенности их реализации, что позволяет сгруппировать характеристики с точки зрения диссертационного исследования. В результате автором создана таблица сравнительных характеристик современных систем поддержки принятия решения в области нейросетевого анализа электрокардиосигнала (см. таблицу 1.3). 31

32 Таблица 1.3 Сравнительные характеристики современных систем поддержки принятия решения в области нейросетевого анализа электрокардиосигнала Способ НСА ЭКС НСА университета Глазго НСА сегментов кардиоцикла Тип нейронной сети - Многослойный персептрон Тип входных данных информационные параметры (длины интервалов и сегментов, амплитуды зубцов Образы сегментов кардиоцикла Чувствительность Специфичность Анализ глубины ИМ Локализация ИМ 73% 85% % До 97% - - НСА ЭКС для диагностики ИМ LVQ Образы целого кардиоцикла 87% 83%

33 Анализ таблицы 3 показывает, что современные системы поддержки принятия решения в области нейросетевого анализа электрокардиосигнала не обеспечивают определение трансмуральности инфаркта миокарда Способ неинвазивного определения электрофизиологических характеристик сердца Электрокардиографический способ диагностики состояния сердца позволяет определить, кроме электрической активности сердца, функциональные характеристики центральной гемодинамики: конечного систолического (КСО) и диастолического (КДО) объемов, минутного объема (МО), ударного объема (УО) левого желудочка (ЛЖ), частоты сердечных сокращений (ЧСС), фракции выброса (ФВ) и ряда других производных от них показателей [58]. Вместе с тем проблема повышения достоверности диагностики состояния сердца определяет необходимость улучшения методов получения новой диагностической информации. Необходимо повысить достоверность диагностики болезней сердца, особенно во время скорой и неотложной помощи. Для повышения достоверности1диагностики состояния сердца необходимо осуществлять, помимо нейросетевого анализа ЭКС, расчет основных электрофизиологических характеристик сердца, что позволит оценить адекватность определения электрофизиологических характеристик сердца. Под основными электрофизиологическими характеристиками сердца понимаются значения дипольных моментов и трансмембранного потенциала (ТМП) миокарда. Знание этих характеристик позволит определить топику распределения потенциалов на поверхности компьютерной модели сердца пациента, т.е. построить и наглядно представить «электрический портрет» сердца пациента в течение сердечного цикла. На рисунке 1.10 приведена схема 33

34 алгоритма известного способа моделирования и визуализации распространения возбуждения в миокарде [58]. Рисунок 1.10 Алгоритм известного способа моделирования и визуализации распространения возбуждения в миокарде 34

35 Недостатком известного способа моделирования и визуализации распространения возбуждения в миокарде является низкая достоверность диагностики состояния сердца из-за отсутствия: расчета электрофизиологических характеристик сердца; коррекции расчета электрофизиологических характеристик сердца. Действительно, из описания известного способа моделирования и визуализации распространения возбуждения в миокарде следует, что его функциональные возможности заключаются только в определении основных показателей миогемодинамики сердца и моделировании распространения волны возбуждения в миокарде Постановка задач исследования. Проблема повышения достоверности диагностики состояния сердца обуславливает потребность совершенствования подходов к получению новой диагностической информации. Необходимо повысить достоверность диагностики заболеваний сердца, в особенности в условиях скорой и неотложной помощи. Автор считает, что для повышения достоверности диагностики инфаркта миокарда необходимо осуществлять расчет основных электрофизиологических характеристик сердца и проверку расчета основных электрофизиологических характеристик сердца. Это позволит оценить адекватность определения электрофизиологических характеристик сердца. Проведенный анализ современных подходов к нейросетевому анализу ЭКС показал, что существует ряд вопросов, не позволяющих качественно проводить диагностику ИМ с использованием нейронных сетей, несмотря не их огромный потенциал. Совершенствование нейросетевого анализа ЭКС способно качественно повысить уровень нейросетевой диагностики инфаркта миокарда. В результате проведенного анализа уточнены задачи диссертационной работы, для разрешения которых необходимо: 35

36 1. Разработка новой методики расчета основных электрофизиологических характеристик сердца. 2. Разработка новой методики нейросетевого анализа электрокардиосигнала для диагностики инфаркта миокарда на основе совместного анализа прямых и реципрокных признаков инфаркта миокарда отдельных элементов кардиоцикла. 3. Разработка новой методики выделения отдельных элементов кардиоцикла на основе статистического анализа временных отсчетов ЭКС. 4. Построение выходных логических функций для составления диагностического заключения о локализации ИМ на основе предложенной методики нейросетевого анализа ЭКС 5. Разработка и внедрение системы поддержки принятия решения диагностики инфаркта миокарда, реализующей новые методики нейросетевого анализа ЭКС, его предварительной обработки и составления диагностического заключения, предназначенной для доклинического анализа ЭКС. 36

37 ГЛАВА 2. РАЗРАБОТКА МЕТОДИКИ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА НА ОСНОВЕ НЕЙРОСЕТЕВОГО АНАЛИЗА СЕГМЕНТОВ КАРДИОЦИКЛА И ПОСЛЕДОВАТЕЛЬНО- ПАРАЛЛЕЛЬНОГО СОЕДИНЕНИЯ НЕЙРОННЫХ СЕТЕЙ 2.1 Обоснование предлагаемого подхода к совершенствованию обработки электрокардиосигнала для диагностики инфаркта миокарда Разбор подходов к нейросетевому анализу ЭКС, проведенный в первой главе, показал, что качество обработки ЭКС-информации является недостаточно высоким. При этом остается неоднозначным принцип принятия решения о виде ИМ. Заслуживающим внимания является подход, заключающийся в анализе сегментов кардиоцикла, но отсутствие возможности постановки конкретного диагноза, а также методика выделения сегментов кардиоцикла не позволяют применить данный подход в доклинической диагностике заболевании сердца. Очевидно, что для повышения достоверности диагностики инфаркта миокарда необходимо расширить функциональные возможности нейросетвого анализа ЭКС. По мнению автора, качественное определения наличия ИМ, а также определения его вида и локализации заключается в анализе сегментов кардиоцикла ЭКС согласно общепринятым признакам ИМ. Данный подход способен качественно улучшить возможности применения диагностических систем в доклиническом исследовании. В соответствии с предложенным подходом «всплывают» попутные задачи, которые необходимо решить. Такими задачами являются автоматизированное выделение необходимых сегментов кардиоцикла, а также правила принятие решения о виде и локализации ИМ. Автор считает, что необходимо расширить возможности постановки диагноза отражая локализацию и вид ИМ согласно проявившемуся признаку на конкретном отведении, а не «привязываться» к формальным диагнозам. С учетом сказанного, автором разработан подход к нейросетевому анализу ЭКС (НСА ЭКС) для диагностики ИМ, показанный на рисунке

38 Блок измерений Регистрация и оцифровка ЭКС Регистрация флюорографии Предварительная обработка информации Фильтрация, удаление шумов Анализ информационных показателей флюорографии Выделение QRSкомплекса, Q, R,Tзубцов и ST-сегмента Нейросетевой анализ ЭКС Нейросетевой анализ трансмуральности ИМ Нейросетевой анализ локализации ИМ Принятие решения о виде и локализации ИМ Синтез логических функций принятия решения Определение электофизиологических характеристик сердца Формирование диагностического заключения с наглядным отображением Рисунок 2.1 Предлагаемый подход к обработке ЭКС для диагностики инфаркта миокарда 38

39 Основные этапы предлагаемого подхода к НСА ЭКС: 1. Регистрация ЭКС выполняется при помощи сертифицированных медицинских приборов (электрокардиографы, кардиоусилители), функцией которых является: регистрация ЭКС в 12 стандартных отведениях с поверхности тела объекта; Современный цифровой электрокардиограф по возможностям удаления шума и фильтрации сигнала должен удовлетворять требованиям, изложенным в [80], при этом должна применяться частота дискретизации более 500 Гц, т.е. соответствующая стандарту для обмена цифровыми электрокардиосигналами SCP-ECG [81]. Для передачи информации возможно применение как проводных (USB, COM, Ethernet, LPT и др.), так и беспроводных (WiFi, Bluetooth и др.) каналов передачи данных. Как устройства переработки данных могут использоваться персональный компьютер, ноутбук, NetBook,) 2. Предварительная обработка ЭКС предназначена для качественного обучения НС и достоверного НСА ЭКС, осуществляется с помощью вычислительных возможностей ЭВМ и включает следующие действия: дополнительную цифровую фильтрацию ЭКС, необходимую для повышения качества шумоподавления. В рамках данной процедуры автором предлагается способ фильтрации, основанный на статистической обработке данных вблизи текущего значения цифрового отсчета ЭКС. Известны способы выделения QRS-комплексов, но, учитывая ЭКСпризнаки ИМ, становится необходимым выделение Q, R, T- зубцов, сегмента ST. Использование амплитудно-временного анализа для этих целей, по мнению автора, несет в себе достаточную долю погрешности. Поэтому в предлагаемом подходе используется: -выделение QRS-комплекса и T-зубца, основанное на построении фазовой траектории кардиоцикла с использованием энтропийнопараметрического потенциала: 39

40 выделение Q и R зубцов, основанное на определении точек пересечения QRS-комплекса и приведенной изолинией. выделение ST-сегмента, основанное на определении временного интервала, заключенного между определенными временными интервалами QRS-комплекса и T-зубца. 3. Нейросетвой анализ ЭКС выполняется на основе последовательно-параллельного соединения нейронных сетей. Данная процедура расширяет функциональные возможности известного нейросетевого анализа электрокардиосигнала и может повысить достоверность диагностики. В рамках данной процедуры автором предлагается: нейросетевой анализ глубины ИМ. При этом осуществляется анализ QRS-комплекса на наличие зубца R: отсутствие зубца R указывает на трансмуральность инфаркта. нейросетевой анализ локализации ИМ. При этом: анализируются выделенные сегменты кардиоцикла, определяется наличие ЭКС-признаков ИМ на соответствующем сегменте каждого из 12 стандартных отведений и формируется локализация ИМ в случае его обнаружения. 4. Принятие решения о виде и локализации ИМ. Отдельным вопросом становится принцип принятия решения о виде и локализации ИМ. Согласно известному способу, указанному выше, вынесение диагностического заключения осуществляется посредством работы «приоритетного шифратора», недостатки которого описаны выше. Помимо этого стоит отметить ограниченность в количестве диагнозов, отраженных в шифраторе. Принятие решения о виде и локализации ИМ в предлагаемом подходе несет в себе следующие операции, целью которых является анализ полученных в ходе обработки ЭКС результатов и составление диагностического заключения: 40

41 обработка полученных результатов анализа заключается в сопоставлении выходов нейронных сетей соответствующей локализации с учетом электрофизиологических характеристик сердца; формирование диагностического заключения осуществляется на основе разработанных логических функций, определяющих тот или иной диагноз. 5. Определение электрофизиологических характеристик сердца предназначено для повышения достоверности диагностики состояния сердца. Под основными электрофизиологическими характеристиками сердца понимаются значения дипольных моментов и трансмембранного потенциала (ТМП) миокарда. Знание этих характеристик позволит определить топику распределения потенциалов на поверхности компьютерной модели сердца пациента, т.е. построить и наглядно представить «электрический портрет» сердца пациента в течение сердечного цикла. Данная процедура расширяет функциональные возможности стандартного подхода и может повысить эффективность диагностики. Ввиду большого объема изложение материала данного раздела работы выделено в отдельную главу. В настоящей главе рассмотрим более подробно этапы разработанного подхода к НСА ЭКС. 2.2 Предварительная обработка электрокардиосигнала Обоснование статистического подхода в предварительной обработке электрокардиосигнала Значительного расширения контролируемых диагностических параметров сердечнососудистых заболеваний позволяет получить анализ фазовых траекторий электрокардиосигнала, представляющий собой метод оценки состояния миокарда (сердечной мышцы) и биоэлектрической деятельности сердца путем графической регистрации генерируемых им 41

42 электрических потенциалов. Дополнительная ценная информация о состоянии сердечно-сосудистой системы испытуемого содержится в изменении ЭКС, выделение которой классически достигается дифференцированием ЭКС. Эффективность методов, основанных на анализе фазовой траектории, связана, прежде всего, с тем, что, согласно исследованиям [12], при различных поражениях миокарда изменяется как последовательность пути, так и скорость распространения волны деполяризации и реполяризации по миокарду. Основная проблема использования дифференциальных свойств ЭКС связана с нестабильностью сигналов, который изменяется как вследствие изменения внешней среды, так и в результате активной деятельности самого пациента, что делает проблематичным применение широко известных методов Фурье-анализа или вейвлет-преобразования для анализа ЭКС [12]. Альтернативные способы анализа ЭКС строятся на моделях, содержащих хаотические изменениях, его статистической обработке. Статистический подход в предварительной обработке электрокардиосигнала за счет лучшей адаптации при аппроксимации режимов хаотических изменений в физиологических системах организма более адекватен среде их существования, чем строго периодические. Благодаря современному развитию компьютерных технологий возможен анализ ЭКС на качественно новом уровне при диагностике кардиологических патологий посредством оценки информации, содержащейся в выборке исходных данных. Для оценки информации, полученных данных, широкое распространение находит энтропийный потенциал э, связанный со средним квадратическим отклонением с помощью известного выражения вида: э = э. (2.1) Здесь K э коэффициент энтропии. В измерительной технике выражение (2.1) известно как оценка энтропийной погрешности. 42

43 Значительного улучшения контроля электрокардиоцикла можно достичь за счёт одновременного анализа как информационных, так и статистических свойств выборки исходных данных [72]. Для этих целей формируется энтропийно-параметрический потенциал вида: эп = 0,5 ( ) + ( э ). (2.2) Здесь k коэффициент нормального стандартного распределения Построение фазовой траектории электрокардиосигнала Основная идея метода анализа ЭКС в фазовом пространстве состоит в построении фазовой траектория ЭКС в виде графической зависимости между функцией напряжения ЭКС u(t) и её скорости изменения во времени, рассчитанной по первой производной ЭКС du(t)/dt. На рис.1 показан характерный цикл ЭКС и увеличенного в 10 раз отношения приращения Δu между двумя соседними измерениями к дискретности изменения времени Δt (кривая 2), где латинскими буквами обозначены элементы кардиоцикла P и T зубцы и QRS комплекс. Несмотря на то, что наблюдение сигнала и его скорости изменения во временить позволяет отразить основные элементы кардиоцикла, непосредственное установление границ элементов затруднено из-за наличия помех и низкочастотного дрейфа сигнала. Фазовая траектория электрокардиосигнала, изображенная в виде кривой 1 на рисунке 2, позволяет эффективно выделять QRS-комплекс сигнала и контролировать его свойства [54]. При этом возможность выделение и анализ других зубцов кардиосигнала ограничена из-за наличия внешних влияющих факторов, изменение которых в пределах двух соседних измерений может значительно превосходить изменение полезной составляющей сигнала, что обусловит искажение фазовых траекторий зубцов. Предварительная фильтрация сигнала приводит к его искажению и деформации как формы зубцов, так и их фазовых портретов в целом. 43

44 Рисунок 2.2 Типичный кардиоцикл Основная проблема построения фазовой траектории по экспериментальным результатам состоит в том, что оценка скорости изменения напряжения ЭКС по двум соседним значениям обладает большой чувствительностью к воздействию влияющего фактора. Для снижения влияния помех необходимо контроль скорости изменения ЭКС проводить по оценкам выборки из N результатов, выделенной вблизи текущего значения времени t в интервале, содержащем несколько значений. Тогда приращение напряжения на выделенном интервале времени можно получить на основе статистических оценок, среди которых наиболее часто используется СКО. Для определения скорости изменения ЭКС используем отношение удвоенного среднего квадратического отклонения i, рассчитанного для значений выборки от их среднего значения, к временному интервалу Δ формирования выборки значений: = 2 = 2 1 ( 1) / ср. (2.3) 44

45 Отличительная особенность фазовой траектории, полученной с применением выражения (2.3), состоит в том, что значения приращения всегда имеют положительный знак. На рис.2.3 модуль фазовой траектории, построенной на основе выражения (1), показан в виде кривой 2, направленной в прямом и обратном направлении. Для учёта информационного содержания выборки из N значений в окрестности текущего i-го момента времени t i возможен расчёт энтропийного потенциала с помощью выражения вида: э = 1 2 г 1 ( ), (2.4) где m количество интервалов группирования данных ( = ); n s i количество результатов, попавших в s-й интервал группирования данных для i-го момента времени; Δu г i ширина интервала группирования результатов. Учитывая, что энтропийный потенциал пропорционален для заданной выборки среднему квадратическому отклонению, эту величину так же можно использовать для оценки модуля скорости изменения электрокардиосигнала в i-й момент времени: = 2 = 2 э э, (2.5) где K э коэффициент энтропии, равный отношению энтропийного потенциала к среднему квадратическому отклонению. 45

46 Рисунок 2.3 Фазовая траектория типичного кардиоцикла Среди недостатков использования энтропийного потенциала следует отметить его высокую зависимость от информационных свойств выборки данных, что обуславливает сильную зависимость величины от «скачкообразного» воздействия помехи. На рисунках 2 и 3 приведены фазовые траектория электрокардиосигнала со «скачкообразным» воздействием помехи. Учесть информационные свойства выборки результатов в i-й момент времени t i при условии сохранения гладкости функции и снижении влияния «скачкообразной помехи» позволяет использование энтропийнопараметрического потенциала вида: эп = 0,5 ( ) + ( э ), (2.6) где k коэффициент сглаживания, позволяющий обеспечить сохранность состояния системы при «скачкообразных воздействиях», соответствующих низкой энтропии информации в выборке. Значения коэффициента k выбираются в интервале от 1 до 3. 46

47 Тогда для оценки модуля скорости изменения электрокардиосигнала в i- й момент времени, построенной на основе энтропийно-параметрического потенциала справедливо выражение: = эп 0,5. (2.7) Модуль фазовых траекторий, построенных с учётом выражения (5) для энтропийно-параметрического потенциала, показан на рис.2.3 в виде пунктирной линии 3. Для построения фазовой траектории, приближенной к классической форме, необходимо учесть направление изменения величины, что достигается с помощью умножения модуля величины на функцию знака: Обозначим = эп 0,5 ( ). (2.8) знак приращения значений электрокардиосигнала в два соседних момента времени = ( ), записав на основе булевых соотношений вида: = [ 1 > 0][ > 0][ +1 > 0] [ 1 < 0][ < 0][ +1 < 0]. (2.9) Фазовая траектория, построенная с учётом изменения знака, показана на рис.2.2 в виде кривой 4. На основе рис.2.2 можно видеть хорошее совпадение фазовых траекторий, построенных на основе дискретных приращений 1 и на основе энтропийно-параметрического потенциала 5. Достоинства статистических методов контроля электрокардиосигнала проявляются при анализе T-зубца ЭКС, для которого классическая фазовая траектория, построенная в пространстве электрокардиосигнала и его первой производной, дана на рисунке 2.4, а, б. 47

48 Рисунок 2.4, а Фазовые траектории T-зубца при количестве значений выборки N, равном 7 (номера кривых соответствуют номерам кривых на рисунке 2.3) Рисунок 2.4, б Фазовые траектории T-зубца при количестве значений выборки N, равном 13 (номера кривых соответствуют номерам кривых на рисунке 2.3) При рассмотрении фазовой траектории электрокардиосигнала T-зубца, следует отметить следующее: амплитуда колебаний фазовых траекторий, построенных с применением предлагаемых параметров (кривые 2,3,4) 48

49 значительно меньше построенной на основе дискретных приращений 1. Таким образом, фазовые траектории, построенные с помощью статистических методов, обладают свойством стабильности, что проявляется в уменьшении влияния высокочастотного воздействия помехи. Свойство стабильности проявляется в приближении статистической кривой к аттрактору кардиосигнала и сохранении формы фазовой траектории, которое усиливается при увеличении количества значений в выборке N группирования данных. На рисунке 3,б дан пример повышения стабильности фазовой траектории при увеличении N, где кривая 4 является фазовой траекторией, построенной с применением энтропийно-параметрического потенциала. Данная кривая сохраняет особенности контроля скорости изменения ЭКС, характерные как для среднеквадратического отклонения, так и энтропийного потенциала, что следует непосредственно из выражения (2.4), где в энтропийнопараметрический потенциал заложено отражение обоих параметров. Таким образом, оценка приращения скорости изменения электрокардиосигнала в i-й момент времени с помощью энтропийнопараметрического потенциала, рассчитанная по выборке значений, более устойчива к влиянию внешних воздействий в сравнении с использованием классических приращений Δu и позволяет более надежно выделить QRSкомплекс и T-зубец электрокардиосигнала Фильтрация ЭКС Не смотря на обработку ЭКС цифровым электрокардиографом, остается необходимость дополнительной фильтрации данных с целью устранения шумов для его дальнейшей обработки. Автором работы предлагается контролировать скорости изменения сигнала в случае высокой его зашумлённости по значению статистических параметров выборки результатов в окрестности исследуемой точки кривой в текущий момент времени t i. Для этого формируется выборка u j из N значений 49

50 в i-й момент времени на ограниченном временном интервале N Δt и находится их математическое ожидание. Фильтрация ЭКС основана на статистической обработке данных вблизи текущего значения. Для этого в полученном оцифрованном сигнале размерностью S создаются выборки, содержащие N отсчётов Y={y j-n, y j-n+1,, y j,, y j+n-1, y j+n } (2.10) где y j j-ое дискретное значение отсчета ЭКС Вблизи j-го отсчета и формируется двумерная ленточная матрица значений [Y],N, где N количество отсчетов на интервале времени Δt; =S-N. При этом среднее значение по строкам матрицы является средним текущим фильтрованным значением. Результаты фильтрации приведены на рисунке 2.4. а) Исходный сигнал б) Сигнал после фильтрации Рисунок 2.5 Фильтрация ЭКС На этапе фильтрации также осуществляется приведение ЭКС к изолинии. 50

51 Приведение ЭКС к изолинии. На данном этапе необходимо совместить базовую линию ЭКС с изолинией. Приведение электрокардиосигнала к изолинии осуществляется следующим образом: Пусть x вектор временных отсчетов выделенного кардиоцикла ЭКС, в котором подавлен тренд; n число компонентов в кардиоцикле. Во время анализа практических электрокардиосигналов выясняется, что последняя четверть кардиоцикла является наиболее постоянным соответствующим базовой линии участком кардиосигнала. Чтобы привести к изолинии необходимо определить среднюю величину x ср амплитуды отсчетов электрокардиосигнала в указанной выше части кардиоцикла, а после вычесть найденное значение x ср из амплитуды всех отсчетов вектора x. Тогда приведение ЭКС к изолинии можно записать через следующую формулу: x i x i i x n n x ср i (2.11) 3 4 xср n На рисунке 2.5 представлен кардиоцикл ЭКС с подавленным трендом и приведенный к изолинии. Рисунок 2.6 Электрокардиосигнал после приведения к изолинии 51

52 2.2.4 Выделение элементов кардиоцикла электрокардиосигнала Выделение кардиоцикла. Предлагаемая методика базируется на анализе сегментов кардиоцикла, соответственно первостепенной задачей является выделение самого кардиоцикла. Выделение границ кардиоцикла заключается в нахождении пары значений, соответствующих следующих друг за другом началам двух кардиоциклов. Схема алгоритма выделения кардиоцикла приведена на рисунке 2.3 Рисунок 2.7 Схема алгоритма определения начала кардиоцикла Алгоритм выделения начала кардиоцикла заключается в последовательном исполнении следующих шагов: 1) Определение R-зубцов ЭКС осуществляется путем построения фазовой траектории ЭКС. Результат выделения R-зубцов представлен на рисунке 2.8. Рисунок 2.8 Результат выделения R-зубцов ЭКС 52

53 2) Определение расстояния между вершинами зубцов R. Находят расстояние между двумя соседними зубцами R i, R i+1. 3) Деление найденного расстояния на K. Вычисленное расстояние делят на К частей. Результаты исследований, приведенные в электрокардиографической литературе [85], показывают, что пропорции «золотого сечения» соответствует соотношение между систолой и диастолой. Установлено, что число К в практических ЭКС равно К= 4, а начало кардиоцикла определяется на расстоянии 1/4 интервала R-R от вершины зубца R [54]. 4) Вычитание рассчитанного отрезка из Ri. Из значения дискретного отсчета R i. вычитают значение длительности определенной К-й части промежутка R i -R i+1 5) Выделение начала кардиоцикла. Таким образом, началом i-го кардиоцикл является определенное значение дискретного отсчета электрокардиосигнала. Результат выделения кардиоцикла представлен на рисунке 2.9. Рисунок 2.9 Выделенные кардиоциклы Выделение элементов кардиоцикла: QRS-комплекса и Т-зубца Автором предложена методика выделения QRS-комплекса и T-зубца из выделенного кардиоцикла, основанная на построении фазовой траектории кардиоцикла с использованием энтропийно-параметрического потенциала: 53

54 эп = 0,5 ( ) + э, (2.12) где k коэффициент сглаживания, позволяющий обеспечить сохранность состояния при «скачкообразных воздействиях»; э энтропийный потенциал; среднее квадратическое отклонение. Выделение сегментов проходит поэтапно, на первом этапе выделяется QRS-комплекс, на втором T-зубец. Выделение QRS-комплекса осуществляется следующим образом. Построение фазовой траектории ЭКС в выделенном кардиоцикле осуществляется по формуле: А = { ЭП, }; { ЭП, }; ; ЭП, (2.13) где А вектор координат фазовой траектории; Y j сглаженные дискретные значения кардиоцикла. Фазовая траектория показана на рисунке ##. Критерием определения интервала значений энтропийнопараметрического потенциала электрокардиосигнала, принадлежащих QRSкомплексу электрокардиосигнала, является соответствие начала интервала признаку, QRS min( S1 ), где k=1..l-1, окончания интервала признаку QRS stop start min( S 2 ) k k k k, где k = 1..(n-1)-(l-1), S1, S2 векторы характеристик отсчетов слева и справа от отсчета l (R-зубец) на электрокардиосигнале соответственно. 54

55 Рисунок 2.10 Фазовая траектория, построенная на основе энтропийно-параметрического потенциала и сглаженных дискретных значений ЭКС Таким образом, для выделения интервала QRS-комплекса электрокардиосигнала составляются два вектора характеристик: max( D j ) max( D j ) max( D j ) max( D j ) j j j j D1 ( ) P1 ( ) ( l 1); D2 ( ) P2 ( ) ( l 2); max( Pj ) n max( Pj ) n j j S1 max( D j ) max( D j ) j j ; Dk ( ) Pk ( ) ( l k) max( Pj ) n j max( D j ) max( D j ) max( D j ) max( D j ) j j j j D1 ( l1) ( ) P1 ( l1) ( ) 1; D2 ( l1) ( ) P2 ( l1) ( ) 2; max( Pj ) n max( Pj ) n j j S2 max( D j ) max( D j ) j j ; Dk ( l1) ( ) Pk ( l1) ( ) k max( Pj ) n j (2.14) (2.15) где P вектор расстояний между значениями соседних отсчетов фазовой траектории и определяется как: = ( ЭП ) + ( ЭП ) ; ; ( ЭП ) + ( ЭП ) (2.16) D вектор расстояний между значениями отсчетов фазовой траектории ЭКС и началом координат, которая определяется по формуле: = ЭП ; ЭП ; ; ЭП (2.17) Результат выделения показан на рисунке: 55

56 Рисунок 2.11 Выделенный QRS-комплекс На втором этапе выделяется T-зубец. После выделения QRS-комплекса кардиоцикл «обрезается» по крайнее его значение, таким образом остаются ST-сегмент, и T-зубец. Аналогично с выделением QRS-комплекса, выделение T-зубца проходит на основе построения фазовой траектории: А = ЭП, ; ЭП, ; ; ЭП, (2.18) где А T вектор координат фазовой траектории оставшейся части кардиоцикла; ЭП значение энтропийно-параметрического потенциала оставшейся части кардиоцикла Y Т j сглаженные дискретные значения оставшейся части кардиоцикла. Фазовая траектория показана на рисунке

57 Рисунок 2.12 Фазовая траектория, построенная на основе энтропийно-параметрического потенциала и сглаженных дискретных значений ЭКС для T-зубца Критерием определения интервала значений энтропийнопараметрического потенциала электрокардиосигнала, принадлежащих Т- зубцу электрокардиосигнала, является соответствие начала интервала признаку T min( S3 ), где z=1..l-1, окончания интервала признаку T stop start z z min( S4 ), где z= 1..(n-1)-(l-1), S3, S4 векторы характеристик отсчетов z z слева и справа от отсчета l (T-зубец) на электрокардиосигнале соответственно. Таким образом, для выделения интервала T-зубца электрокардиосигнала составляются два вектора характеристик: T T T T max( D j ) max( D j ) max( D j ) max( D ) j j j j j T T T T D 1 ( ) P 1 ( ) ( l 1); D 2 ( ) P 2 ( ) ( l 2); T T max( P j ) n max( P j ) n j j S 3 T T max( D j ) max( D j ) T j j ; D z ( ) Pz ( ) ( l z) T max( P j ) n j (2.19) 57

58 T T T T max( D j ) max( D j ) max( D j ) max( D ) j j j j j T T T T D 1 ( l1) ( ) P 1 ( 1) ( ) 1; 2 ( 1) ( ) 2 ( 1) ( ) 2; T l D l P T l max( P j ) n max( P j ) n j j S4 T T max( D j ) max( D j ) T j T j ; D z( l1) ( ) P z ( l 1) ( ) z T max( P j ) n j (2.20) где P Т вектор расстояний между значениями соседних отсчетов фазовой траектории и определяется как: = ( ЭП ) + ( ЭП ) ; ; ( ЭП ) + ( ЭП ) (2.21) D вектор расстояний между значениями отсчетов фазовой траектории ЭКС и началом координат, которая определяется по формуле: = ЭП1 + 1 ; ЭП2 + 2 ; ; ЭП + (2.22) Результат выделения показан на рисунке 2.13: Рисунок 2.13 Выделенный T-зубец ЭКС Анализ рисунка 2.11 и 2.13 позволяет судить о достоверности работы разработанной методики. Данная методика позволяет надежнее и точнее определять границы QRS-комплекса и Т-зубца по сравнению с временном анализе участков изолинии. [51] Это способствует улучшению возможностей дальнейшей обработки ЭКС. 58

59 2.3 Нейросетевой анализ электрокардиосигнала для диагностики ИМ. Как отмечалось ранее, ИМ диагностируется по 6 основным признакам. Каждый признак проявляется на конкретном сегменте. Данный подход реализован в амплитудно-временном анализе. Вычисление информационных параметров ЭКС заключается в определении на электрокардиосигнале отрезков убывания, постоянства, возрастания, расчете длины выявленных интервалов, фиксировании точек перелома, значений амплитуды в этих точках. Для определения амплитудновременных информационных параметров осуществляется их сравнение с ЭКГпризнаками инфаркта миокарда в амплитудно-временной области. По результатам амплитудно-временного анализа электрокардиосигнала на присутствие признаков инфаркта миокарда проводится оценка состояния сердца Идея данного подхода и легла в основу предлагаемой методики НСА, т.е. для признака ИМ каждого из 12 стандартных отведений создается нейронная сеть, узко направленная на выявление конкретного признака на конкретном отведении. Рисунок 2.14 Схема НС LVQ для диагностики ИМ 59

60 Разработанная методика НСА ЭКС, позволяет осуществлять диагностику инфаркта с применением нейронных сетей LVQ. Используемая для диагностики ИМ схема НС LVQ представлена на рисунке По следующей формуле вычисляется значение сигнала на выходе нейронной сети LVQ: S N 2 Y k Flinwj k Fcompet xi w j1 i1 где x i i-й элемент входного вектора; 2 1 i m j, (2.23) w w 1 i m 2 j k i-й элемент вектора весов m-го нейрона скрытого слоя; j-й элемент вектора весов k-го нейрона линейного слоя; Fcompet выявляющая нейрон-победитель передаточная функция скрытого слоя; Flin линейная функция активации нейронов распределительного слоя; N размерность входного вектора нейронной сети; S число нейронов в скрытом слое; Yk значение k-го выхода нейронной сети. Для обоснования предлагаемого подхода необходимо вычислить функциональную надежности НСА ЭКС и определить специфичность и чувствительность. В момент проектирования данный расчет надежности проводится с целью прогнозирования ожидаемой надежности и выбора подходящего варианта структуры НСА ЭКС. С точки зрения теории надежности [9] в НСА ЭКС повышение вероятности выявления наличия заболевания у больного человека чувствительности заключается в функциональном дублировании, т.е. в одновременном анализе разных диагностических признаков ИМ. По 60

61 результатам анализа прямых и реципрокных признаков ИМ, содержащихся в отдельных элементах кардиоцикла, принимается решение и выдается заключение о состоянии сердца. Структурная схема, реализующая предлагаемый подход к НСА ЭКС для диагностики ИМ, приведена на рисунке При анализе схемы на рисунке 2.15 следует иметь в виду, что каждый из «НСА отведения i» в блоке НСА локализации ИМ представляет собой параллельное соединение шести НС LVQ, предназначенной для НСА элемента кардиоцикла, соответствующего тому или иному признаку ИМ. Из рисунка 2.11 следует, что структурная схема предлагаемого подхода к НСА ЭКС для диагностики ИМ является параллельно-последовательной структурой, в которой параллельно соединяются НСА элементов кардиоцикла, совместный отказ которых приводит к полному отказу НСА ЭКС. В последовательную цепочку соединяются блоки выделения кардиоцикла и элементов кардиоцикла, НСА элементов кардиоцикла, а также принятия решения, отказ любого из них приводит к отказу НСА ЭКС. Поскольку основным элементом структурной схемы надежности функционирования НСА ЭКС является НСА элементов кардиоцикла, то с точки зрения теории надежности, очевидно, что параллельное использование НСА разных признаков ИМ повысит вероятность выявления наличия заболевания у больного человека. 61

62 Выделенные сегменты кардиоцикла НСА глубины ИМ НСА отведения I НСА отведения avr НСА отведения V1 НСА отведения V4 НСА отведения II НСА отведения avl НСА отведения V2 НСА отведения V5 НСА отведения III НСА отведения avf НСА отведения V3 НСА отведения V6 НСА локализации ИМ НСА отведения I НСА отведения avr НСА отведения V1 НСА отведения V4 НСА отведения II НСА отведения avl НСА отведения V2 НСА отведения V5 НСА отведения III НСА отведения avf НСА отведения V3 НСА отведения V6 Блок принятия решения о виде ИМ Рисунок 2.15 Структурная схема предлагаемого подхода НСА ЭКС Вероятность безотказного состояния состоящего из n параллельно соединенных элементов устройства рассчитывается по теореме сложения вероятностей совместных случайных событий как [9]: P ( 1 2 n n n p p p) ( pp pp ) ( pp p pp p ) ( pp pp) (2.24) 62

63 Из теории надежности известно, что параллельное использование НСА разных признаков ИМ повысит вероятность выявления наличия заболевания у больного человека. Надежность устройства из n элементов по правилу умножения вероятностей независимых (в совокупности) событий вычисляется по следующе формуле: n P 1 (1 ) (2.25) i1 т.е., ненадежности независимых элементов (1-p i =q i ) перемножаются при их параллельном соединении. В частном случае, если одинаковы надежности всех элементов, формула (2.25) принимает вид: В нашем случае вероятность постановки верного диагноза (чувствительность) каждой нейронной сетью имеет свое значение. Таким оразом вероятность определения правильного диагноза в случае совместного использования НСА элементов кардиоцикла составит: P = 0,997 Таким образом, в соответствии с предложенной концепцией требуют разрешения следующие проблемы: 1. Формирование обучающей выборки 2. Разработка архитектуры нейронных сетей 3. Обучение нейронных сетей 4. Разработка алгоритма обработки выходных данных НСА Автором рассматриваются следующие классификации ИМ: по глубине (трансмуральный ИМ) по локализации В предлагаемой методике НСА ЭКС используется 84 НС LVQ. Для каждого из 12 отведений разрабатывается по 6 НС для анализа локализации (патологический Q- зубец, патологический R зубец, элевация сегмента ST, отрицательный зубец T, депрессия сегмента ST, остроконечный зубец T) и p i P ) n 1(1 p (2.26)

64 НС для анализа глубины ИМ, т.е. по одной нейронной сети на каждое отведение для анализа отсутствия R-зубца в QRS- комплексе Формирование обучающей выборки для анализа сегментов кардиоцикла Этот этап имеет важнейшее значение, потому что при использовании некачественной информации в обучающем наборе данных (ОНД) нейронная сеть либо вообще не обучится, либо после обучения качество нейросетевого анализа будет неудовлетворительным. Формирование ОНД в целях обучения НС подразумевает выполнение всех действий, описанных выше, а также выполнить следующие действия: 1) Обеспечение соответствия количества элементов векторов ОНД количеству входов НС. Пусть x вектор отсчетов выделенного сегмента кардиоцикла электрокардиосигнала; n x число элементов в векторе x; n количество входов нейронной сети, k вектор координат компонентов вектора x;. Для того, чтобы НС смогла использовать вектор в обучении, необходимо, чтобы n и n x имели одинаковую размерность. Значение n характеризует структуру нейронной сети и имеет конкретную величину, например 150. Параметр n x это величина, полученная в результате выделения сегмента кардиоцикла и отличается для каждого подобного сегмента кардиоцикла ЭКС даже у одного и того же человека. Требуется получить обработанный вектор компонентов выделенного кардиоцикла x ' длиной n. Данная проблема является задачей интерполяции, т.е. сводится к восстановлению промежуточных компонентов по известным «узловым» точкам. Так как известные узловые точки являются равноотстоящими, то имеет смысл применить интерполяцию многочленами Ньютона [11]. Для обеспечения лучшей производительности применяется трехузловая интерполяция, в которой промежуточные значения ' x j вычисляются в соответствие с формулой: 64

65 i xi2-2 xi 1 + xi x j = xi + xi 1 - xi e + 2 e e 1, 2 j - k (2.27) i e ki1 - ki В итоге обеспечивается соответствие количества элементов векторов обучающего набора данных количеству входов НС. 2) Масштабирование векторов обучающего набора данных. Для качественного обучения нейронной сети LVQ необходимо масштабировать компоненты векторов обучающего набора данных [50]. Диапазон масштабирования: [-1; 1]. Пусть x вектор элементов выделенного сегмента кардиоцикла ЭКС; x max значение наибольшего по модулю компонента вектора x. Масштабирование значений вектора x проводится по формуле: x i xi. (2.28)1 xmax 3) Добавление избыточности в обучающую выборку, временной сдвиг и зашумление векторов обучающей выборки. В условиях небольшого объема обучающих сигналов необходимо внести избыточность в ОНД. При этом каждый вектор x h множится R раз, где R коэффициент избыточности. В итоге число векторов в обучающей выборке увеличится в R раз. Затем осуществляется зашумление векторов в новом обучающем наборе данных. Зашумление векторов избыточной обучающей выборки это один из наиболее качественных методов разрешить проблему «мёртвых» нейронов [84]. Процесс зашумления заключается в изменении значения каждого элемента обучающего вектора при помощи сложения с некоторым случайным значением Rnd, которое определяется по формуле: Rnd F 100 Random (2) Sign Random, Sign ( 1), (2.29) где F уровень зашумления (в процентах); Sign величина, определяющая знак найденного Rnd. 65

66 Затем проводится «временной сдвиг» компонентов векторов ОНД на случайное значение в указанных пределах вправо или влево по отношению к временной оси. 4) Генерирование обучающих векторов. Для увеличения ОНД, предлагается использовать синтезирование ЭКС с ярко выраженными признаками ИМ. Моделирование осуществляется с применением модели Алиева-Панфилова, о которой далее будет рассказано подробнее. 5) Перемешивание векторов в обучающем наборе данных. В ходе выполнения вышеуказанных действий обучающая выборка содержит в целом упорядоченный набор обучающих векторов. Такое положение является причиной того, что во время первой эпохи обучения относящиеся к первому классу векторы окажут значительное влияние на большинство нейронов, из-за чего нейронная сеть плохо обучится на относящихся к другим классам векторах. Пусть p количество векторов в обучающем наборе данных. Осуществляется подготовка вектора, содержащего новые индексы векторов обучающего набора данных. Каждый индекс несет случайную величину из диапазона от 1 до p. Далее, в соответствии с новыми индексами, производится перемешивание векторов в ОНД. После действий, задачей которых является подготовка ОНД, проводится обучение НС LVQ Особенности обучения нейронных сетей для анализа сегментов кардиоцикла Для обучения нейронных сетей LVQ, задача которых анализ электрокардиосигнала используется предложенный автором в [59] алгоритм обучения CCLVQ3 [13]. Для нахождения степени близости между элементами обучающего вектора x и весами нейронов конкурирующего слоя w 1 m применяется эвклидова мера, выражаемая по формуле (2.32). Критерием завершения обучения, согласно заданному в начале обучения, является проведение в цикле всех T эпох, количество которых. 66

67 Схема алгоритма обучения CCLVQ3 3.13] представлена на рисунке Рисунок2.16 Схема алгоритма обучения CCLVQ3 Алгоритм обучения CCLVQ3 состоит из следующих действий: 1) Одно и то же начальное значение присваивается всем весам скрытого слоя согласно формуле: 1 w m, (2.30) n где n количество входов нейронной сети; i 1 2) Из ОНД выбирается очередной вектор x h ; 3) Компоненты вектора x h модифицируются согласно формуле: где t номер эпохи обучения, x t ' h 1 t x, (2.31) β(t) по мере обучения монотонно возрастающая изменяющаяся от 0 до 1функция. В случае равенства ее нулю, компоненты вектора x h изменяются в согласно формуле (2.30). 4) Расчитывается евклидово расстояние между каждым нейроном скрытого слоя и вектором x согласно формуле: n N 2 1 x i wi m d, (2.32) m i 1 67

68 где x измененный обучающий вектор; w 1 m вектор весов m-го нейрона; 5) Определяются два нейрона, которые наиболее близки к вектору x, рассчитываются эвклидовы расстояния d 1, d 2 между выделенными нейронами и вектором x ; 6) Проводится проверка выполнения условия: d 1 d2 1 min,, (2.33) d2 d1 1 где d 1 расстояние от x h до первого нейрона-победителя; d 2 расстояние от x h до второго нейрона-победителя; ε размер окна, в котором должен оказаться вектор x h. Значение ε выбирается из диапазона 0,2 0,3 [93]. 7) Модифицируются веса определенных нейронов. При правильной классификации вектора x проводится положительная коррекция согласно формуле: 1 ' 1 t w t 1 x w t 1 1 wm m m, (2.34) где m номер нейрона-победителя; δ параметр, оказывающий влияние на уровень коррекции весов. В ходе тестирования оказалось, что при отрицательной коррекции весов нейронов оптимальное значение δ находится в диапазоне от 0,1 до 0,3; η параметр, определяющий скорость изменения весов нейронов скрытого слоя. В стандартных алгоритмах обучения (например, LVQ1) значение данной величины либо монотонно уменьшается, либо берется постоянной (к примеру, 0,01). В алгоритме CCLVQ3 значение η обязательно изменяется в ходе обучения от 1 до 0. На старте обучения η берется равным 1. Завершив очередную эпоху обучения η исправляется согласно формуле: 1 0,2, (2.35) T где T общее число эпох обучения. На первых эпохах модификация весов наиболее существенна, при этом в ходе алгоритм обучения максимально возможное число нейронов стремятся быть обученными для минимизации «мёртвых» нейронов. На последних 68

69 эпохах осуществляется менее ощутимая модификация весов, при этом уточняются веса нейронов, обученных ранее. В том случае параметр δ принимается равным 1, если модифицируется первый из двух найденных нейронов. При модификации второго найденного нейрона значение параметра δ берется в зависимости от того, какая операция была проведена над первым нейроном: используется значение 0,1, если выполнялась модификация, значение 1, если отталкивание. Отрицательная коррекция выполняется при неправильной классификации вектора x, т.е. происходит отталкивание (repulsion) весов нейрона согласно формуле: w 1 m 1 ' 1 t w t 1 x w t 1 где δ параметр, принимающий значение 0,2. m m, (2.36) Следует заметить, для первой эпохи обучения что отталкивание не осуществляется. 8) Осуществляется переход к п. 2, т.е. к очередной эпохе, если данная эпоха обучения не является последней, то Методика принятия решения о диагностическом заключении Как отмечалось ранее, каждое электрокардиографическое отведение отражает электрическую активность определенного отдела сердца. Таким образом, при проявлении признака ИМ на каком-либо отведении мы можем определить его локализацию. Диагностическое заключение является «сборным» в зависимости от проявившихся признаков ИМ, отражающих локализации. Например, определение локализации бокового ИМ осуществляется согласно выражению: где образом: = ( ) ( ) ( ) ( ) (2.37) = выделенные локализации и вид ИМ, определяемые следующим 1, если проявляется хотя бы один соответствующий признак ИМ 0, если не проявляется ни один из признаков 69

70 ,, ( ), ( ) проявление признака ИМ на соответствующем отведении g. На основании разработанной таблицы локализации ИМ в зависимости от признака получена следующая логическая функция принятия решения о виде и локализации ИМ. = (2.38) где Z диагностическое заключение о виде ИМ; m количество анализируемых признаков; Принцип принятия решения заключается в соотнесении проявившегося признака ИМ определяющей его локализации. Для этого была составлена таблица локализации ИМ. (см. таблицу 2.1) 70

71 Таблица 2.1. Локализация ИМ согласно проявившимся признакам Таблица 1 Локализация Отве- Отве- Локализация ЭКС-признак ИМ дение ЭКС-признак ИМ дение Патологический Q Передний ИМ Патологический Q Передний ИМ Патологический R Передний ИМ Патологический R Передний ИМ I Елевация ST Передний ИМ Елевация ST Передний ИМ V1 Отрицательный Т Передний ИМ Отрицательный Т Передний ИМ Депрессия ST Задний ИМ Депрессия ST Задний ИМ Высокий T Задний ИМ Высокий T Задний ИМ Патологический Q Передний ИМ Патологический Q Передний ИМ Патологический R Передний ИМ Патологический R Передний ИМ II Елевация ST Нижний ИМ Елевация ST Передний ИМ V2 Отрицательный Т Нижний ИМ Отрицательный Т Передний ИМ Депрессия ST Задний ИМ Депрессия ST Задний ИМ Высокий T Задний ИМ Высокий T Задний ИМ Патологический Q Задний ИМ Патологический Q Передний ИМ Патологический R Задний ИМ Патологический R Передний ИМ III Елевация ST Нижний ИМ Елевация ST Перегородочный ИМ V3 Отрицательный Т Нижний ИМ Отрицательный Т Перегородочный ИМ Депрессия ST Передний ИМ Депрессия ST Перегородочный ИМ Высокий T Передний ИМ Высокий T Задний ИМ Патологический Q Передний ИМ Патологический Q Верхушечный ИМ Патологический R Передний ИМ Патологический R Верхушечный ИМ avl Елевация ST Передний ИМ Елевация ST Верхушечный ИМ V4 Отрицательный Т Передний ИМ Отрицательный Т Верхушечный ИМ Депрессия ST Задний ИМ Депрессия ST Верхушечный ИМ Высокий T Задний ИМ Высокий T Верхушечный ИМ Патологический Q Боковой ИМ Патологический Q Боковой ИМ Патологический R Боковой ИМ Патологический R Боковой ИМ avr Елевация ST Боковой ИМ Елевация ST Боковой ИМ V5 Отрицательный Т Боковой ИМ Отрицательный Т Боковой ИМ Депрессия ST Боковой ИМ Депрессия ST Задний ИМ Высокий T Боковой ИМ Высокий T Задний ИМ Патологический Q Задний ИМ Патологический Q Боковой ИМ Патологический R Задний ИМ Патологический R Боковой ИМ avf Елевация ST Нижний ИМ V6 Елевация ST Боковой ИМ Отрицательный Т Нижний ИМ Отрицательный Т Боковой ИМ Депрессия ST Передний ИМ Депрессия ST Задний ИМ Высокий T Передний ИМ Высокий T Задний ИМ Отличительной особенностью предлагаемого подхода к НСА ЭКС является то, что применяется последовательно-параллельное соединение НС. Параллельно с определением локализации осуществляется анализ 71

72 трансмуральности или «глубины» ИМ (отсутствие R-зубца в QRS-комплексе). Стоит отметить, что в случае обнаружения данного признака на каком-либо из отведений анализ патологических Q и R- зубцов в данном отведении не проводится в силу особенностей образа QRS-комплекса в случае отсутствия R- зубца. С помощью данного условия исключается ошибка анализа нейронной сетью данных признаков. Решающие правила при выдаче заключения о состоянии сердца пациента следующие: пациент здоров, если все сегменты кардиоцикла всех отведений в результате нейросетевого были отнесены к классу «здоровых» ЭКС; отклонение от нормы, если хотя бы один из сегментов оказался патологическим. В этом случает проводится повторный анализ проявившегося признака на другом кардиоцикле. В случае его подтверждения субъекту выдается предписание пройти клиническое обследование, в частности сдать анализы на тропонин либо сделать ЭхоКГ. проявление признака на более чем одном сегменте говорит о явной патологии, в это случае выносится диагностическое решение с выводом проявившихся признаков. 2.5 Исследование разработанной методики нейросетевого анализа сегментов кардиоцикла электрокардиосигнала для диагностики инфаркта миокарда Определение критериев, влияющих на качество обучения нейронной сети LVQ Для дальнейших исследований разработанной автором методики НСА ЭКС нужно определиться с тем, какой показатель наиболее точно отражает понятие «качество обучения» нейронной сети. Обычно для оценки качества обучения нейронной чети LVQ применяется параметр «ошибка обучения». 72

73 В ходе проведенных исследований было определено, что параметром «ошибка обобщения» (доля неверно проанализированных НС тестовых образов к общему числу образов из ВНД) наиболее четко выражается понятие «качество обучения». «Обобщающая способность» является величиной, обратной ошибке обучения. Определение ошибки обобщения проводится с применением заранее и досконально подготовленного ВНД. Для обеспечения качественного нейросетевого анализа значение ошибки обобщения должно быть минимальным. Тем не менее в медицинской диагностике используют другие термины: специфичность (вероятность корректного отнесения к классу «здоров») и чувствительность (вероятность корректного отнесения к классу «болен»). Далеко не всегда высокая обобщающая способность свидетельствует о высоких показателях чувствительности и специфичности. Для оценки качества обучения НС все три параметра обязательно должны быть вычислены: чувствительность и специфичность, ошибка обобщения Выбор оптимальных параметров обучения нейронной сети LVQ Для полноценного исследования предлагаемого алгоритма обучения CCLVQ3 необходимо оценить влияние на качество обучения следующих показателей: количество образов в обучающем наборе данных; число нейронов скрытого слоя; величина зашумления, нормирования, сдвига, коэффициент избыточности количество входов нейронной сети; число эпох обучения. число выходов нейронной сети; Стоит отметить, что из-за специфичности анализируемых данных, для наиболее высоких показателей работы системы необходимо разрабатывать 73

74 структуру и параметры обучения для каждой нейронной сети индивидуально. В работе рассмотрены нейронные сети отражающие 3 локализации: Передний ИМ: II отведение (патологические Q и R зубцы); Отведение avl (патологические Q и R зубцы, элевация сегмента ST, отрицательный T- зубец) Нижний ИМ: II отведение (элевация сегмента ST, отрицательный T- зубец) отведение avf (элевация сегмента ST, отрицательный T-зубец) Перегородочный ИМ: отведение V3 (элевация сегмента ST, отрицательный T-зубец, депрессия сегмента ST) Помимо этого, для анализа возможности определения «глубины» ИМ использовались ЭКС с трансмуральным ИМ: II отведение (отсутствие зубца R), отведение V1 (отсутствие зубца R) Таким образом было создано и проанализировано 15 различных нейронных сетей Выбор оптимального количества входов и выходов НС Преимуществом нейронных сетей с самоорганизующимся слоем является однозначная возможность при любом числе входов завершения процесса обучения. Требования, предъявляемые к современным цифровым электрокардиографам по частоте дискретизации ЭКС, составляют на сегодняшний день 500 Гц [79]. В случае анализа сегментов ЭКС на первый план выходит качество отражения сегмента без искажений. Исходя из специфики анализируемых данных очевидно, что для каждого сегмента необходимо количество входов соответствующе отражающих его форму. В ходе исследования было определено среднее значение дискретных отчетов для каждого из анализируемых сегментов. Проанализировано порядка 30 различных ЭКС. Данные о количестве отсчетов в каждом сегменте приведены на рисунке

75 200 Количество дискретных отсчетов в сегментах ЭКС Q-зубец R-зубец QRS-комплекс ST-сегмент T-зубец Рисунок 2.17 Количество дискретных отсчетов в сегментах ЭКС Таким образом, получены средние значения количества дискретных отчетов в каждом сегменте ЭКС: Q-зубец 25; R-зубец 43; QRS-комплекс 93; ST- сегмент 145; Т-зубец 163. Данные количества дискретных отсчетов и использовалось в качестве размерности входных векторов. Согласно специфике структуры нейронной сети LVQ [90], необходимо, чтобы количество выходов соответствовало количеству диагностируемых данной нейронной сетью классов электрокардиосигналов. Для проведения исследований НС LVQ были выбраны 2 класса: «здоровый» ЭКС и «больной» ЭКС. В связи с этим, для исследуемой НС было выбрано два выхода. 75

76 Определение количества нейронов НС Исследования зависимости качества нейросетевого анализа от количества нейронов конкурирующего слоя привели к выводу о том, что задача математического определения оптимального количества нейронов представляется нетривиальной. Определение оптимального числа нейронов конкурирующего слоя представляет из себя крайне важную задачу, от качественного решения которой в сильно зависит качество нейросетевого анализа. Автор считает, что число нейронов не должно быть строго фиксированным. Наоборот, данный параметр должен зависеть как минимум от следующих факторов: уровень предварительной обработки электрокардиосигнала; степень различия обучающих векторов одного класса; степень различия обучающих векторов разных классов; степень зашумления обучающих векторов; значение сдвига компонентов ОНД; количество векторов в обучающем наборе данных; Сложность математического определения оптимального количества нейронов вызвана еще и тем обстоятельством, что некоторые из перечисленных выше факторов находятся во взаимосвязи друг к другу. Единственным рабочим приемом определения оптимального значения тех или иных параметров является весьма трудоемкая работа, подразумевающая проведение многочисленных циклов обучения НС c различными параметрами. Этот подход не предоставляет возможности определить оптимальное значение для всех параметров, но позволяет максимально к нему приблизиться Определение величины нормирования, зашумления, сдвига, коэффициента избыточности В результате работы было определено, что изменение параметров зашумления и сдвига имеет эффект лишь для обучающего набора данных с малым количеством обучающих векторов. В реальности число обучающих образов для качественного обучения нейронных сетей должно быть 76

77 значительным, поэтому эффект, получаемый при изменении параметрами зашумления и сдвига, теряется на большом обучающем наборе данных. Согласно результатам исследований получается, что операции зашумления и сдвига выполнять не имеет большого смысла при значительном количестве обучающих образов Определение количества векторов в обучающем наборе данных Качественное обучение нейронной сети невозможно без правильно сформированного обучающего набора данных (ОНД). Формирование качественной обучающей выборки это весьма сложный и трудоемкий процесс. В ходе работы был сформирован ОНД таким образом, чтобы количество обучающих векторов для каждого анализируемого класса было одинаковым. Были исследованы 200 ЭКС пациентов с инфарктом, подтвержденным врачами-кардиологами, из них: 83 здоровых; 71 больных с передне-перегородочным ИМ; 46 больных с нижним ИМ. Количество включенных в результирующий ОНД отражено в таблице 2.2: Исходные электрокардиосигналы для формирования обучающего набора данных были получены из разных источников. Не все ЭКС вошли в обучающую выборку, потому что многие сигналы имели непозволительный уровень шума, недопустимое число посторонних элементов, повышенный тренд. Несколько электрокардиосигналов были сняты с ошибками, связанными с неправильным размещением электродов или с плохим контактом между электродами и поверхностью тела пациента. Кроме того, в обучающую выборку попали только те электрокардиосигналы, класс которых был дополнительно подтвержден врачами-кардиологами г. Пензы. 77

78 Таблица 2.2 Обучающий набор данных для нейронных сетей Нейронная сеть Количество здоровых сегментов Количество больных сегментов Отведение Признак 1 II патологический Q II патологический R II элевация ST II отрицательный T II отсутствие R avl патологический Q avl патологический R avl элевация ST avl отрицательный T avf элевация ST avf отрицательный T V1 отсутствие R V3 элевация ST V3 отрицательный T V3 депрессия ST Наряду с обучающей выборков автором был сформирован валидационный (тестовый) набор данных (ВНД). При формировании валидационной выборки был применен аналогичный подход, однако требования к тестовой выборке не должны быть столь жесткими, поэтому в результирующий ВНД попали по 38 образов класса «здоровые» ЭКС и 35 образов класса ЭКС с инфарктом миокарда. Наиболее важное требование к валидационному набору заключается в том, он не должен пересекаться с обучающей выборкой, данный факт обеспечивает чистоту эксперимента Определение чувствительности и специфичности методики нейросетевого анализа электрокардиосигнала Для вычисления показателей качества обучения НС были проведены исследования, где проходило значительное количество обучений нейронных сетей при разных параметрах. После каждого обучения выделялись 78

79 следующие параметры: чувствительность, специфичность, ошибка обучения, время обучения. Результаты обучения помещались в таблицу. Примеры результатов обучения НС представлены в таблицах 2.3, 2.4 и 2.5: Таблица 2.3 Результаты обучения нейронной сети для анализа патологического Q-зубца на II отведении Количество нейронов Специфичность Чувствительность ошибка обобщения время обучения ошибка обучения 10 0,93 0,98 0 0, ,93 0,97 0 0, ,96 0,96 0 0, ,97 0,98 0 0, ,95 0,99 0 0, ,95 0,98 0 0, ,95 0,99 0 0, ,95 0,97 0 0, ,95 0,98 0 0, ,95 0,98 0 0, ,95 0,97 0 0,45 0 Таблица 2.4 Результаты обучения нейронной сети для анализа отрицательного Т-зубца на отведении avl Количество нейронов Специфичность Чувствительность ошибка обобщения время обучения ошибка обучения 10 0,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0,

80 Таблица 2.5 Результаты обучения нейронной сети для анализа отсутствия R-зубца на отведении V1 Количество нейронов Специфичность Чувствительность ошибка обобщения время обучения ошибка обучения 10 0,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0, ,99 0,99 0 0,12 0 Анализ таблиц 2.3, 2.4 и 2.5 показывает средние значения чувствительности и специфичности на уровне 97% и 98% соответственно. Данные показатели превышают известный метод НСА ЭКС на 10 и 15% соответственно Тестирование обученных нейронных сетей В процессе обучения были отобраны сети, наиболее удовлетворяющие предъявляемым им требованием. Таки образом все они были протестированы на заранее подготовленном валидационном наборе данных для каждой из 15 НС. Результаты тестирования представлены в таблице 2.6: Отведение Нейронная сеть Признак Количество нейронов скрытого слоя Ошибка обучения Чувствительность Специфичность 1 II патологический Q 15 0,01 0,97 0,99 2 II патологический R 17 0,02 0, II элевация ST 10 0, ,98 80

81 4 II отрицательный T II отсутствие R avl патологический Q 16 0,012 0,98 0,98 7 avl патологический R 16 0,017 0,97 0,99 8 avl элевация ST 11 0, ,99 9 avl отрицательный T avf элевация ST 9 0,09 0,99 0,99 11 avf отрицательный T V1 отсутствие R V3 элевация ST 12 0,01 0,97 0,98 14 V3 отрицательный T V3 депрессия ST 13 0,011 0, Выводы 1. Предложен подход к совершенствованию НСА обработки ЭКС для диагностики инфаркта миокарда, содержащий следующие основные этапы: регистрация сигнала, предварительная обработка ЭКГ, нейросетевой анализ, принятие решения о виде и локализации ИМ. 2. Разработан статистический подход для предварительной обработки ЭКС. В частности показано, что существующие ограничения при использовании классических методов обработки, основанных на дифференцировании ЭКС, связаны с нестабильностью сигналов, изменение которого происходит как вследствие изменения внешней среды, так и в результате активной деятельности самого пациента. В этой связи предложен подход оценки скорости изменения ЭГС, основанного на анализе информации, содержащейся в выборке результатов вблизи текущего значения. 3. Разработаны информационные и статистические методы оценки скорости изменения ЭКС во времени на основе оценки энтропийного 81

82 потенциала и среднего квадратического отклонения сигнала от его среднего значения. 4. Разработаны методы построения фазовых траекторий, основанных на использовании информационной энтропии и дополнительной статистической обработке выборки результатов вблизи текущего значения. В частности показано, что фазовая траектория реального ЭКС, для построения которой использован энтропийно-параметрического потенциал, более устойчива к влиянию внешних воздействий в сравнении с использованием классических метода, основанного на отношении приращений близко расположенных значений. 5. Разработан метод статистической фильтрации сигнала, основанный на обработке выборки результатов вблизи текущего значения. 6. Предложена и разработана методика выделения элементов электрокардиосигнала (QRS-комплекса и T-зубца), основанная на построении фазовой траектории кардиоцикла с использованием энтропийнопараметрического потенциала. 7. Разработана методика нейросетевого анализа электрокардиосигнала для диагностики ИМ по 6 основным признакам, в основе которого положен амплитудно-временной анализ информационных параметров ЭКС, заключающийся в выявлении на ЭКС интервалов возрастания, убывания или постоянства, фиксировании точек перелома, значений амплитуды в этих точках и определении продолжительности выявленных интервалов. Данная методика позволяет проводить диагностику ИМ с использованием нейронных сетей LVQ. 8. Предложен подход к НСА ЭКС, отличительная особенность которого состоит в применении последовательно-параллельного соединения НС при формировании обучающей выборки для анализа сегментов кардиоцикла. При этом параллельно с определением локализации осуществляется анализ трансмуральности или «глубины» ИМ (отсутствие R-зубца в QRS-комплексе). 82

83 9. Сформулированы решающие правила при выдаче предположения о состоянии сердца, основанных на оценке по таблице признаков локализации ИМ согласно проявившимся признакам и расчёте с помощью логической функции результата принятия решения. 83

84 ГЛАВА 3. РАЗРАБОТКА МЕТОДИКИ РАСЧЕТА ОСНОВНЫХ ЭЛЕКТРОФИЗИОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК СЕРДЦА сердца 3.1 Подход к определению электрофизиологических характеристик Проблема повышения достоверности диагностики состояния сердца обуславливает необходимость совершенствования методов получения новой диагностической информации. Необходимо повысить достоверность диагностики заболеваний сердца, особенно в ситуациях скорой и неотложной помощи. Для повышения достоверности диагностики инфаркта миокарда необходимо осуществлять расчет основных электрофизиологических характеристик сердца и проверку расчета основных электрофизиологических характеристик сердца. Это позволит оценить адекватность определения электрофизиологических характеристик сердца. Под основными электрофизиологическими характеристиками сердца понимаются значения дипольных моментов и трансмембранного потенциала (ТМП) миокарда. Знание этих характеристик позволит определить топику распределения потенциалов на поверхности компьютерной модели сердца пациента, т.е. построить и наглядно представить «электрический портрет» сердца пациента в течение сердечного цикла. Важной методологической отличительной особенностью предлагаемого способа в смысле получения новой диагностической информации является возможность коррекции расчетов электрофизиологических характеристик сердца таким образом, чтобы состояние сердца соответствовало определенному классу. Например, изменяя в различных направлениях значения тех или иных электрофизиологических характеристик сердца и тестируя эти изменения, можно определить классы состояний сердца, к которым относятся эти изменения. В результате определятся электрофизиологические характеристики сердца, которые необходимо скорректировать для улучшения состояния пациента. 84

85 На рисунке 3.1 приведена последовательность действий предлагаемой методики расчета основных электрофизиологических характеристик сердца. Рисунок 3.1 Последовательность действий предлагаемой методики расчета основных электрофизиологических характеристик сердца 85

86 Из анализа рисунка 3.1 следует, что суть предлагаемого подхода заключается во взаимодействии четырех основных блоков: 1. Блока измерений, включающего установку электродов в 12 стандартных электрокардиографических отведениях, измерение потенциалов, генерируемых сердцем, регистрацию флюорографических данных пациента и определение антропометрических параметров пациента; 2. Блока расчета, включающего расчет распределения потенциалов, генерируемых сердцем, на торсе пациента, синтез модели сердца пациента, моделирование распространения волны возбуждения в миокарде, расчет распределения дипольных моментов, синтез модельного ЭКС; 3. Блока проверки, включающего сравнение модельного ЭКС с зарегистрированным ЭКС, коррекцию расчетных параметров; 4. Блока выдачи результатов, включающего визуализацию электрофизиологических характеристик сердца. Поясним особенности выполнения действий в каждом блоке. 3.2 Получение исходных данных для определения электрофизиологических характеристик сердца В блоке измерений осуществляется: установка электродов в 12 стандартных электрокардиографических отведениях; измерение потенциалов, генерируемых сердцем; регистрация и анализ флюорографических снимков (ФОС) пациента; определение координат точек 12 стандартных отведений на торсе пациента. Установка электродов в 12 стандартных электрокардиографических отведениях осуществляется согласно правилам эксплуатации электрокардиографов и методическим рекомендациям [7]. ЭКС показывает динамику разности потенциалов в двух точках электрического 86

87 поля сердца, соответствующих местам наложения на торсе обследуемого двух электродов, один из которых является положительным полюсом, другой отрицательным в течение сердечного цикла. Соответствующее взаиморасположение этих электродов является электрокардиографическим отведением, а условную прямую линию между ними осью данного отведения. При этом выделяются три группы отведений (см. рисунок 1.3б): 1. Стандартные отведения I, II, III. 2. Усиленные однополюсные отведения от конечностей avl, avr, avf. 3. Грудные отведения V1 V6. Измерение потенциалов, генерируемых сердцем, на поверхности торса заключается в приобретении хороших качественных отсчетов, однозначно отражающих первичную диагностическую информацию, содержащую в ЭКС 12 стандартных отведений. Действия на этом этапе подробно описаны выше в параграфе 2.2 диссертационного исследования. Регистрация флюорографических данных пациента необходима для определения размеров и положения сердца пациента. Малодозовая цифровая флюорография является самым распространенным методом получения диагностической информации о размерах и положении сердца пациента. Врач рентгенолог просматривает флюорографические снимки (ФОС) в графическом редакторе, позволяющем детально проанализировать ФОС, выявляет патологии и делает заключение, руководствуясь шаблоном описания и сохраняя информацию в базе данных Затем по данным ЭКС определяются конечный систолический радиус (КСР), конечный диастолический радиус (КДР), конечный систолический объем (КСО) и конечный диастолический объем (КДО) сердца человека [60], а на данные флюорографии «накладывается» модель сердца. В результате определяются миогемодинамические показатели сердца человека и «геометрия» сердца человека. Далее определяется объем анатомических частей сердца на его модели КСО м. Следующим этапом реализации 87

88 предлагаемого способа является сопоставление объемов сердца человека КСО и модели сердца КСО м. В результате этого получается модель сердца, полностью повторяющая сердце человека в положении систолы и диастолы. Компьютерная модель сердца представляет собой пригодное для применения в процессе определения электрофизиологичеких характеристик сердца и их визуализации математическое описание формы сердца. Эпикардиальная поверхность модели сердца определяется опорными точками, координаты которых заданы в декартовой системе координат. Триангуляция Делоне применяется для аппроксимации поверхности модели сердца. На рисунке 3.2 показана модель сердца, построенная на основе опорных точек с применением алгоритма триангуляции Делоне [10]. Рисунок 3.2 Поверхностная модель сердца Определение координат точек 12 стандартных отведений на торсе пациента осуществляется с учетом геометрии торса пациента. На основании измеренных значений охвата грудной клетки и высоты торса пациента 88

89 осуществляется определение координат точек 12 стандартных отведений на торсе пациента [58]. В качестве модели используется эллиптический цилиндр (см. рисунок 3.3). Рисунок 3.2 Поверхностная модель торса пациента 3.3 Определение электрофизиологических характеристик сердца В блоке расчета осуществляется: расчет распределения генерируемых сердцем, на торсе пациента потенциалов; синтез модели сердца пациента; определение электрофизиологических характеристик сердца; моделирование распространения волны возбуждения в миокарде; синтез модельного ЭКС. 89

90 3.3.1 Расчет распределения потенциалов, генерируемых сердцем, на торсе пациента. Для определения дипольных моментов точек модели сердца нужно найим значения ЭКС в N точках поверхности тела пациента, причем количество опорных точек модели сердца также равно N. Предполагаемые (виртуальные) электроды помещаются на модели торса пациента равномерно (с одинаковым углом W между векторами отведений) на трех трансверсальных уровнях грудной клетки (см. рисунок 3.3). W 0 Z Рисунок 3.3 Схема размещения предполагаемых электродов на торсе пациента Координаты x и z для N отведений определяются аналогично грудным отведениям из решения системы уравнений: = + ( ) ( /2) + ( ) ( /2) = 1 (3.1) 90

91 где a трансверсальный диаметр эллиптического цилиндра, который выбран в качестве модели грудной клетки; b саггитальный диаметр эллиптического цилиндра, который выбран в качестве модели грудной клетки; Δx, Δz смещения от центра грудной клетки до центра сердца по осям OX и OZ соответственно; W 1 N угол между осью отведения (прямой, проходящей через точку отведения и горизонтальной осью OX). Для определения координаты y отведений необходимо применить следующие данные, полученные из флюорографии: количество пикселей на флюорографическом снимке до 5-го межреберья (p 5 ), количество пикселей на флюорографическом снимке до 4-го межреберья (p 4 ). Координата y для N отведений определяется в зависимости от расположения трансверсального сечения. Для отведений, находящихся на первом трансверсальном сечении, координата y определяется по формуле: y 1 0. Для отведений, находящихся на третьем трансверсальном сечении, координата y определяется по формуле: = ( ) (3.2) где p a размер торса в пикселах по оси OX. Для отведений, находящихся на втором трансверсальном сечении, координата y определяется по формуле: =. (3.3) Далее осуществляется эмуляция сигналов в любой точке поверхности тела пациента, заключающаяся в следующем: определение пространственного расположения вектора дипольного момента сердца; определение потенциала в любой точке поверхности тела пациента. 91

92 формуле: Значение вектора дипольного момента сердца D m определяется по ( avr ( avl ') ') k k avr ' avr ' (cos 210 (cos D D x x cos 120 cos D D y y ) ) (3.4) В соответствии с данной формуле для нахождения D m нужно знать значения компонент дипольного момента. Направление вектора электрической оси сердца в трехмерном пространстве задается направляющими косинусами углов α x, α y, α z,. Для вычисления этих углов определяем проекции вектора дипольного момента на координатные оси Ox, Oy, Oz пространственной системы координат человека, т.е. находим компоненты дипольного момента. Так как направление вектора электрической оси сердца задается тремя углами, то необходимо знать значение компоненты D z. Для того чтобы определить значение компонент диполя сердца в трансверсальной плоскости (см. рисунок 3.4б) для любого момента времени, нужно измерить сигналы (потенциалы) двух из трех грудных отведений и решить систему двух уравнений с двумя неизвестными. Dx r6 V6 115 r1 r2 V1 V2 Dz 94 r3 V3 r4 58 r5 V V5 Z Рисунок 3.4 Схема размещения предполагаемых электродов на торсе пациента 92

93 Компоненты D x и D z определяются, зная значения потенциалов в точках V2', V6', углы между векторами компонент дипольного момента и векторами отведений, координаты их расположения на торсе пациента, из системы уравнений: где k V 2 ' 4 rv 0 0 V 2' kv 2' cos94 Dx cos4 Dz 0 0 V 6' k cos0 D cos270 D 2 ' 2, k V 6 ' V6' 4 rv 6 ' 2 x z (3.5) коэффициенты для отведений V2', V6'; rv2 расстояние от начала координат до отведения V2 ; rv6 расстояние от начала координат до отведения V6. По найденным значениям компонент дипольного момента D x, D y, D z определяется значение вектора ЭДС сердца (значение дипольного момента сердца) согласно формуле ( I') k I ' ( II') k ( III') k (cos 270 I ' (cos150 I ' 0 (cos D x D D x x cos180 cos cos300 D D 0 y y D ), ), y ), (3.6) Направление электрической оси сердца в пространстве определяется направляющими косинусами углов α x, α y, α z, которые вектор ЭДС сердца в пространстве образует с осями координат (см. рисунок 3.4а). Эти углы находятся согласно формулам: arccos( D x arccos( D y arccos( D z x y z / D / D / D m m m ), ), ). (3.7) Таким образом, проекции вектора ЭДС сердца D x, D y и D z на координатные оси пространственной системы координат человека. вычисляются для эмуляции ЭКС в любой точке поверхности тела пациента По значениям этих проекций и углов α,, между проекциями и вектором отведения вычисляются значения ЭКС сердца в заданной точке. Определив углы α,, в пространственной системе координат человека, вычисляются значения потенциалов в точках поверхности тела пациента по формуле: 93

94 N (cos D cos cos ) 2 x D y Dz (3.8) 4r N Расчет распределения потенциалов, генерируемых сердцем, на торсе пациента Определение электрофизиологических характеристик сердца сводится к расчету распределения дипольных моментов. Модель сердца отражается в виде опорных точек. Дипольный момент каждой опорной точки сердца находится по значениям потенциалов в N точках на поверхности тела пациента из системы линейных алгебраических уравнений: w k D2, (3.9) j I i1 ji где w j потенциал многодипольной модели ЭЭГС в точке отведения (j=1..n); D2 i значение дипольного момента каждого диполя модели сердца (i=1..n); N число отведений; I число диполей модели сердца пациента, k ji r ji расстояние от диполей модели сердца до точек отведений, ρ среднее удельное сопротивление тела, α ji угол между вектором дипольного момента D i-го диполя сердца и прямой, соединяющей j-ю точку отведения с каждым диполем сердца. Таким образом, электрические характеристики точек сердца, заданных опорными точками компьютерной модели сердца (КМС) пациента определяются по результатам эмуляции ЭКС в N точках модели торса пациента и решения обратной задачи электрокардиографии. Определение наличия повреждения миокарда осуществляется путем сравнения полученных значений дипольных моментов точек КМС со 94 2 ji i cos ji (3.10) 4r

95 значениями дипольных моментов соответствующих точек сердца здорового человека. Отклонение от нормы свидетельствует о наличии поражения сердечной мышцы. миокарде Моделирование распространения волны возбуждения в Для моделирования распространения возбуждения в сердце по результатам анализа ЭКС представляется информация о временных отсчетах начала и окончания процессов деполяризации и реполяризации анатомических частей сердца. По результатам анализа распределения дипольных моментов предоставляется информация о поврежденных зонах на поверхности сердца. Форма трансмембранного потенциала действия (ТМП) в различных анатомических частях сердца различна [83]. На основании этих данных корректируются параметры модели Алиева-Панфилова для разных точек поверхности сердца (т.е. моделирование осуществляется в неоднородной возбудимой среде), а также соответствующие начальные условия (распределение трансмембранного потенциала на поверхности сердца в начальный момент времени моделирования). Моделирование распространения возбуждения в сердце основано на использовании двухкомпонентной модели Алиева-Панфилова, которая воспроизводит основные свойства волн возбуждения в сердечной мышце [100]. Данная модель представляет собой систему дифференциальных уравнений параболического типа: = ( ) ( 1) + = ( + (3.11) + ) ( + ( 1)) где ε 0 << 1, k, α, µ 1, µ 2 - параметры модели. Для решения данной системы дифференциальных уравнений в частных производных используется метод сеток (метод конечных разностей). 95

96 В методе сеток область, ограниченная границей Г, в которой необходимо найти решение системы уравнений, разбивается прямыми, параллельными осям =, =, =, = +, = ( )/, i = 0, 1, 2, n, = +, = ( )/, m = 0, 1, 2, p, = +, = ( )/, j = 0, 1, 2, k. Точки, находящиеся на границе Г области, называются внешними, остальные внутренние. Совокупность всех точек называется сеткой, величины x, y, t шагами сетки по x, y и t соответственно. Идея метода сеток состоит в том, что вместо любой непрерывной функции (x,y,t) рассматривается дискретная функция i, m, j (x i, y m, t j ), определенная в узлах сетки, а вместо производных функции рассматриваются их простейшие разностные аппроксимации в узлах сетки. Таким образом, вместо системы дифференциальных уравнений в частных производных получается система алгебраических уравнений. Решение проводится по двум пространственным переменным x и y, причем шаги по пространственным осям x и y равны, т.е. x=y. В дальнейшем будут использоваться следующие обозначения: (, ) = ( ) ( 1) (, ) = ( + + ) ( + ( 1)) (3.12) Уравнения системы модели Алиева-Панфилова аппроксимируются разностной схемой, шаблон которой представлен на рисунок 3.5. x,y,t+1 x,y+1,t x-1,y,t x,y,t x+1,y,t x,y-1,t Рисунок 3.5 Шаблон разностной схемы 96

97 97 При этом производная u заменяется приближенной разностной формулой:, 4 2,, 1,, 1,,, 1,, 1, 2 2 x u u u u u x u t y x y y x t y x t y x t y x (3.13) а производные t u и t v :.,,, 1,,,, 1,, t v v t v t u u t u t y x t y x t y x t y x (3.14) В результате имеем: ).,,,,, (,,,,, ( 2 2,, 1,, 2 1,,,, 1,, 2, 1,,,, 1,,, 1,, ); t y x v t y x g u t v v t y x v t y x u f y u u u x u u u t u u y t x y t x t y x y t x t y x y t x y t x y t x y t x y t x (3.15) Откуда находятся,, = (,, +,, +,, +,, 4,, +,,,,, =,,,,, +,, (3.16) Данное выражение используется для нахождения переменных u и v модели Алиева-Панфилова для момента времени t+1 с использованием значений, полученных на предыдущем шаге. Начальные и краевые условия тоже заменяются разностными начальными и краевыми условиями для сеточной функции. Решение системы уравнений находится в некоторой прямоугольной области D плоскости (Оxy) (см. рисунок 3.6).

98 Рисунок 3.6 D плоскость Oxy с проекцией «развертки» поверхности модели сердца Решение производится при заданном начальном условии x,y, u x,y u 0 0, дляt 0,0 x xmax и 0 y ymax x,y, v x,y v 0 0, дляt 0,0 x xmax и 0 y ymax (3.17) и граничных условиях ux, y,t g x, y, для x, y Г, 0 t tmax vx, y,t g x, y, для x, y Г, 0 t tmax (3.18) Для того, чтобы при уменьшении шага сетки решение разностного уравнения сходилось к решению модели Алиева-Панфилова необходимо выполнение условия устойчивости. Модель Алиева-Панфилова является системой дифференциальных уравнений в частных производных параболического типа. Для параболических уравнений с частными производными условие устойчивости разностной схемы имеет вид: 2 x t. (3.19) 4 При моделировании учитывается пространственно-временная организация процесса возбуждения в миокарде. Первоначально проводится моделирование распространения возбуждения в миокарде на плоскости. Для этого поверхность таким образом получается «развертка» поверхности модели сердца на сетку решений модели Алиева-Панфилова модели сердца проецирумой на плоскость, (см. рисунок 3.6). Однако поверхность сердца, как поверхность, гомеоморфную сфере, нельзя развернуть на плоскости без разрыва или смятия. Основная идея проекции состоит в том, чтобы качественным образом «спроектировать» реальную поверхность модели сердца на плоскость, учитывая при этом все искажения и сводя их к минимуму. Главное при построении «развертки» поверхности модели сердца пациента на сетку решений модели Алиева-Панфилова, чтобы каждой исходной точке на 98

99 поверхности модели сердца пациента соответствовала только одна точка на сетке решений модели Алиева-Панфилова. Для получения «развертки» поверхности модели сердца пациента используется цилиндрическая проекция. Цилиндрическая проекция является самой распространенной проекцией. Пример построения цилиндрической проекции приведен на рисунке 3.7а. Достоинствами цилиндрической проекции являются равноугольность и небольшие искажения в районе экватора. В цилиндрической проекции меридианы сферы изображаются равноотстоящими параллельными прямыми, а параллели прямыми, перпендикулярными к изображениям меридианов. Бесконечно малая трапеция A0A'0A''0A'''0 (см. рисунок 3.7б), образованная на поверхности сферы пересечением бесконечно близких друг к другу меридианов и параллелей, на плоскости цилиндрической проекции изобразится прямоугольником АА'А"А"' со сторонами dx и dy. Отрезок A0A'''0 представляет собой бесконечно малую часть меридиана (Rdφ) на сфере, а отрезок A0A'0 представляет собой бесконечно малую часть параллели (rdλ = Rcosφ) на сфере, где r радиус параллели в широте φ, равный Rcosφ. а Рисунок 3.7 Иллюстрация построения цилиндрической проекции. б 99

100 Цилиндричность проекции определяет выражение для горизонтальной координаты на проекции: она просто пропорциональна долготе точки λ Эти формулы используются при расчете изменения ТМП в любой точке поверхности сердца во времени, а также для определения текущего времени моделирования на ЭКС. 100 x c 0. (3.20) Условие равноугольности определяет равенство масштабов по горизонтальной и вертикальной оси. Поскольку масштаб по оси X на широте равен c / (Rcos), то из условия dyrcos / c = Rd получается выражение для зависимости y от = ln = h (3.21) Таким образом, посредством цилиндрической проекции осуществляется установление соответствия между каждой точкой поверхности модели сердца c координатами x1, y1, z1 и точкой на двухмерной плоскости с координатами x, y (см. рисунок 3.6). Так как возбуждение по предсердиям и по желудочкам идет независимо друг от друга, то на плоскости с точками сердца выделяются непроницаемые границы между анатомическими частями сердца (предсердиями и желудочками) путем задания соответствующего граничного условия. В результате решения системы уравнений модели Алиева-Панфилова на двумерной плоскости предоставляются данные, описывающие изменение распределения трансмембранного потенциала на поверхности сердца во времени. Для визуализации процесса распространения возбуждения в сердце используется реалистичное изображение модели сердца человека. Полученное в результате моделирования распределение ТМП на поверхности сердца накладывается на трехмерную модель сердца. В модели Алиева-Панфилова фактические ТМП и время могут быть получены по формулам [100]: t mv 100u ms 12. 9tt.u E 80 (3.22)

101 По результатам моделирования наглядно представляется процесс распространения возбуждения в сердце в течение кардиоцикла (см. рисунок 3.8). Рисунок 3.8 Иллюстрация процесса распространения возбуждения в сердце Таким образом, по известным информационным параметрам ЭКС пациента определяется распределение потенциалов по поверхности сердца. В тех участках поверхности сердца, где потенциал будет вести себя аномально, там будет поврежденный миокард. По характеру повреждения миокарда можно поставить диагноз. 101

102 3.3.4 Синтез модельного ЭКС. В результате моделирования распространения возбуждения в миокарде получается распределение трансмембранного потенциала действия на поверхности сердца. Интегральной характеристикой электрического поля возбудимого миокарда является ЭКС. Следовательно, единственным способом проверки корректности процесса распространения возбуждения, является синтез ЭКС. Временная диаграмма генеза ЭКС представлена на фигуре 13. Синтез ЭКС производится в точках стандартных грудных отведений V1- V6. Для любой точки l можно вычислить соответствующую ей однополостную ЭКС как сумму вида n ks iui ( t)cos( N, r) ( t) 2 (3.23) r i1 где n количество элементов поверхности сердца, U i (t) ТМП i-го элемента, ΔS площадь отдельного элемента, N единичная внешняя нормаль к поверхности i-го участка, r расстояние от элемента поверхности до точки l, k коэффициент, учитывающий свойства среды. В блоке проверки осуществляется: сравнение модельного ЭКС с зарегистрированным ЭКС; коррекция расчетных параметров. Сравнение ЭКС позволяет определить расхождение между синтезированным ЭКС и ЭКС, зарегистрированным на торсе пациента (см. фигуру 15). Рассмотрение данного расхождения дает возможность определить изменения, которые необходимо внести в расчетный блок. 102

103 3.3.5 Коррекция расчетных параметров Коррекция расчетных параметров осуществляется для получения подобных ЭКС путем подбора численных значений соответствующих параметров, используемых при обработке и синтезе ЭКС. В частности, в результате оценки параметров модели Алиева-Панфилова параметр 0 выбирается в соответствии с размером сетки, а параметры k, a, 1, 2 изменяются в зависимости от пациентов или образцов. Параметр k вычисляется с помощью градиента деполяризационного времени, измеренного на поверхности диффузии. t : 1 c t. (3.24) x Тогда можно оценить среднее значение параметра k в виде где 2 kd0. 5 x 1 t c среднее x, (3.25) c скорость деполяризации, d коэффициент Так как параметр c пропорционален 1 k, тогда отношение между m s измеренным значением c и вычисленным c представимо в виде среднее среднее m s s xt c k s m m t c k x, (3.26) m s где через t и t обозначено измеренное и вычисленное деполяризационное время соответственно, используемое для вычисления первого приближения, а s k значение параметра k, m k значение, полученное в результате измерений, при этом оно может быть найдено в виде 2 m среднее xt m s k k. (3.27) s среднее xt Численный анализ результатов моделирования показывает высокую точность, в частности, погрешность полученного решения имеет порядок 10. В результате такой коррекции синтезированный ЭКС с определенным 103

104 малым значением отклонения совпадает с зарегистрированным исходным ЭКС. В блоке результатов осуществляется отображение электрофизиологических характеристик сердца. На этапе визуализации с помощью специальных алгоритмов компьютерной графики данные моделирования обрабатываются, интерпретируются и визуализируются на реалистичной трехмерной модели сердца. Таким образом, предлагаемый способ неинвазивного определения электрофизиологических характеристик сердца позволяет повысить достоверность обследования сердца за счет получения дополнительной информации с использованием общепринятой методики снятия ЭКС в 12 отведениях и ее предоставления в наглядной форме на трехмерной модели сердца. 3.4 Выводы Предложен подход к определению электрофизиологических характеристик сердца для диагностики инфаркта миокарда, содержащий следующие основные этапы: получение исходных данных для определения электрофизиологических характеристик сердца, в ходе которого осуществляется: установка электродов в 12 стандартных электрокардиографических отведениях; измерение потенциалов, генерируемых сердцем; регистрация и анализ флюорографических снимков (ФОС) пациента; определение координат точек 12 стандартных отведений на торсе пациента. определение электрофизиологических характеристик сердца, в ходе которого осуществляется: 104

105 синтез модели сердца пациента; расчет распределения потенциалов, генерируемых сердцем, на торсе пациента; определение электрофизиологических характеристик сердца; моделирование распространения волны возбуждения в миокарде; синтез модельного ЭКС; сравнение зарегистрированного и модельного ЭКС; отображение электрофизиологических характеристик сердца, в ходе которого осуществляется: коррекция расчетных параметров; визуализация электрофизиологических характеристик сердца, и позволяющий на основе анализа и моделирования кардиографической информации наглядно представить на трехмерной модели электрическую активность сердца, что позволит повысить достоверность обследования сердца. 105

106 ГЛАВА 4 РЕАЛИЗАЦИЯ РАЗРАБОТАННОГО ПОДХОДА К АНАЛИЗА ЭЛЕКТРОКАРДИОСИГНАЛА ДЛЯ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА В КОМПЬЮТЕРНОЙ ДИАГНОСТИЧЕСКОЙ СИСТЕМЕ 4.1 Структура и реализация КДС Разработанная автором КДС обеспечивает корректную постановку диагноза и выполняет функции предварительной обработки ЭКС, введения базы данных, нейросетевого анализа, моделирования, визуализации и выдачи диагностического заключения о состоянии сердца Для обеспечения работоспособности КДС автором разработана структура КДС и выполнена программная реализация разработанной структуры. Модуль взаимодействия с сервером КДС Клиентская часть КДС Серверная часть КДС Модуль обучения нейронных сетей СУБД База данных Накопитель Модуль импорта / экспорта ЭКС Модуль регистрации пациентов в БД Модуль нейросетевого анализа ЭКС Модуль предварительной обработки ЭКС Модуль регистрации ЭКС Модуль формирования и выдачи диагностического заключения Модуль визуализации Пациенты Устройство регистрации ЭКС Рисунок 4.1 Структура КДС Как показано на рисунке 4.1, основным элементом диагностической системы является разработанный автором вычислительный пакет на основе MATLAB. 106

107 В состав вычислительного пакета MATLAB входят следующие модули: - модуль обучения нейронных сетей; - менеджер объектов; - модуль для работы с файлами и потоками; - модуль матричных вычислений; - пакет расширений Simulink. Кратко опишем основное назначение модулей. 1) Менеджер объектов руководит организацией объектов в памяти ЭВМ. К объектам относятся записи, рабочие области, массивы ячеек и массивы данных. 2) Модуль обучения нейронных сетей дает средства для создания, обучения и тестирования НС, применяемых для анализа электрокардиосигнала. 3) Модуль матричных вычислений дает возможность использовать функции пакета MATLAB для выполнения матричных вычислений в КДС. 4) Пакет расширений Simulink предоставляет полный спектр логических блоков, необходимых для взаимодействия отдельных модулей в качестве целой системы. К достоинствам вычислительного пакета MATLAB, по мнению автора, следует отнести: - возможность организации математических вычислений с многомерными массивами, имеющими элементы произвольного типа; КДС хранит в себе информацию обо всех обследованиях в базе данных. Свободное программное обеспечение FireBird применяется в качестве системы управления базами данных (СУБД). Преимуществами данной СУБД являются возможности обеспечении наиболее эффективной, качественной) работы в многопользовательской среде. Несмотря на то, что данная СУБД является бесплатной для конечного пользователя, ее возможности во многом не уступают дорогостоящим системам управления, а в некоторых случаях даже превосходят. 107

108 Среди быстро развивающихся систем компьютерной математики (СКМ), в первую очередь ориентированных на численные расчеты, особо выделяется матричная математическая система MATLAB, служащая главным вычислительным модулем описываемой автором КДС. Высокая работоспособность MATLAB определена прежде всего, ее направлением на матричные вычисления с программной эмуляцией параллельных вычислений и упрощенными средствами задания циклов. В MATLAB удачно выполнены средства работы с многомерными массивами, большими и разреженными матрицами и многими типами данных. Система прошла многолетний путь развития от узко специализированного матричного программного модуля, используемого только на больших ЭВМ. MATLAB обладает мощными средствами графики, комплексной визуализации вычислений и диалога,. Самым известным из прикладных программ стало обеспечивающее блочное имитационное моделирование различных систем и устройств расширение Simulink. Но и без пакетов расширения MATLAB представляет собой мощную операционную среду, предназначенную для выполнения огромного числа научно-технических и математических расчетов и вычислений, создания пользователями своих процедур, функций и пакетов расширения и библиотек. Типовой комплекс MATLAB + Simulink содержит инструментальные «ящики» Toolboxes с большим количеством пакетов расширения MATLAB и Bloсksets для увеличения возможностей системы визуальноориентированного блочного имитационного моделирования динамических систем Simulink. В разработке пакетов расширения и надстроек для MATLAB принимают участие многие научные школы мира и ведущие университеты. Использование программного пакета MATLAB позволило решить сразу 3 проблемы в исследовании: 1. Реализация LVQ-нейронных сетей 108

109 2. Обработка большого объема данных 3. Реализация логического блока принятия решений 4.2 Структура взаимодействия в компьютерной диагностической системе Основная задача медицинских информационных систем (МИС) заключается в повышении качества проведения диагностики [40]. Отказ от проектирования баз данных медицинских информационных систем по функциональному назначению является отличительной особенностью структуры известных медицинских информационных систем, т.е. сосредоточение всей информации о пациенте в одной базе данных. Электронная история болезни содержит все разделы и особенности традиционной истории, с которым ежедневно работает врач; любая информация вводится только однократно; медицинская информационная система обладает модульной организацией и интуитивным интерфейсом, таким образом не требует специализированных знаний компьютера. Стандартизация информационного взаимодействия в медицинских информационных систем необходима для устранения противоречий между постоянно растущими информационными потребностями и качеством информационного обеспечения учреждений здравоохранения. КДС являются составной частью информационных систем в качестве автоматизированного (в том числе и мобильного) рабочего места врача, например, врача-кардиолога. Однако большинство существующих диагностических систем в достаточной мере разнородны, а очень часто вообще не приспособлены для интеграции в МИС. Типичная структура информационного взаимодействия компьютерной диагностической системы для определения состояния сердца [57] показана на рисунке

110 Рисунок4.2 Типичная структура информационного взаимодействия КДС для оценки состояния сердца Наличие жесткой связи ядра ПО КДС с системой управления базами данных (СУБД) является недостатком структуры, приведенной на рисунке 4.2, что затрудняет интеграцию диагностических систем в различные информационные системы. Структура ИО компьютерной диагностической системы для пределения состояния сердца должна соответствовать стандартам информационного взаимодействия с МИС, не зависеть от организации БД МИС, и обеспечивать возможность адаптации и реконфигурации для эффективного и оперативного решения задач оценки состояния сердца. КДС для оценки состояния сердца должна работать как в составе информационной системы, так и в автономном режиме. Для этого разработана структура информационного взаимодействия КДС в составе МИС, представленная на рисунке 4.3. МИС 1 Клиент КДС 1 Сервер КДС СУБД 1 СУБД 2 СУБД M Клиент КДС 2 БД 1 БД 2 БД M Клиент КДС 3 Канал связи МИС K Сервер КДС «Кардиовид» Клиент КДС 4 СУБД 1 СУБД 2 СУБД M Клиент КДС N БД 1 БД 2 БД M Рисунок4.3 Структура информационного взаимодействия КДС в составе МИС 110

111 Возможность взаимодействия с различными базами данных МИС является отличительной особенностью разработанной структуры ИО КДС. Клиенты КДС (приложение, с которыми работает пользователь на любом удалении от сервера) напрямую не связаны с базами данных МИС. Они взаимодействуют только с сервером компьютерной диагностической системы и не знают, какая СУБД используется для работы с той или иной базой данных МИС. При этом клиентская часть КДС является кроссплатформенной, т.е. функционирует под управлением наиболее распространенных операционных систем и устройств, а серверная часть КДС имеет модульную структуру, обеспечивающую взаимодействие с заданными базами данных МИС через соответствующие СУБД. Кроме того, организация информационного взаимодействия в КДС предусматривает обмен кардиографическими данными с КДС, функционирующими в других МИС (см. рисунок 4.3). Работа КДС в автономном режиме обеспечивается путем установки серверной и клиентской части КДС на одну ЭВМ (рисунок 4.4). В качестве клиента КДС используется приложение, обеспечивающее обработку кардиографической информации и взаимодействующее с сервером КДС. Блок регистрации и предварительной обработки Клиент КДС Ядро ПО КДС Блок моделирования состояния ССС Блок анализа полученной информации Сервер КДС СУБД Блок визуализации состояния ССС База данных Серверная часть Рисунок4.4 Структура информационного взаимодействия в КДС при работе в автономном режиме В автономном режиме при мониторинге или в условиях скорой и неотложной помощи КДС конфигурируется в соответствии с задачами по обработке кардиографической информации: моделированием и визуализацией состояния сердца, анализом кардиографической информации. Для этого устанавливается на личный компьютер ядро программного обеспечения КДС 111

112 и необходимые модули, а также наиболее доступную СУБД (например, FireBird) пользователем КДС. При работе КДС в составе МИС структура серверной части КДС обеспечивает доступ к базам данных МИС, представляя накопленные в МИС знания в соответствии с запросами клиента КДС. При работе компьютерной диагностической системы для диагностики инфаркта миокарда в составе МИС возможны следующие варианты организации взаимодействия клиент-сервер [45]: - клиентская часть диагностической системы «тонкий» клиент В этом случае все задачи по обработке кардиографической информации выполняются на сервере КДС; - клиентская часть диагностической системы «толстый» клиент. В этом случае все задачи по обработке кардиографической информации возложены на клиентскую часть КДС, а сервер КДС используется лишь для хранения данных и обновления модулей клиентской части. Выбор варианта организации взаимодействия клиент-сервер определяется возможностями компьютера пользователя и необходимыми возможностями обследования. Для обеспечения организации информационного взаимодействия серверной и клиентской частей компьютерной диагностической системы предлагаются функции серверной части КДС и функции клиентской части КДС. Функции серверной части КДС для оценки состояния сердца: - обмен данными с клиентами КДС; - обмен данными с КДС, функционирующими в других МИС; - организация взаимодействия с различными СУБД; - сжатие данных КДС; - синхронизация доступа клиентов КДС к информационным ресурсам МИС; - распределение прав доступа к данным МИС; - организация вычислений для обработки кардиографической информации. 112

113 - организация доступа к данным КДС через Web-интерфейс; - формирование отчетов; - проверка целостности, резервное копирование и восстановление данных КДС; - ведение протокола взаимодействия клиент-сервер; - автоматическое обновление клиентских модулей КДС; Функции клиентской части КДС для оценки состояния сердца: - ведение электронной истории болезней; - регистрация, просмотр и предварительная обработка кардиографической информации; - моделирование состояния сердца; - анализ кардиографической информации; - визуализация состояния сердца; - сервисные и вспомогательные функции. - автономная работа при потере связи с сервером КДС; 4.3 Методика анализа ЭКС для диагностики инфаркта миокарда Разработанная автором методика анализа предварительно обработанного ЭКС состоит из 4 этапов: 1) Аналитическое (геометрическое) сравнении сегментов ЭКС с некоторой эталонной геометрией. 2) Постановка диагноза на базе выходных данных со всех нейронных сетей путем логических преобразований 3) Расчет электрофизиологических параметров сердца 4) Проверка полученного в ходе НСА диагноза при помощи рассчитанных электрофизиологических параметров. Далее следует более подробное описание каждого этапа. 113

114 1) Для посегментного анализа кардиоцикла по каждому из отведений применяются специально созданные и обученные посредством среды MatLAB нейронные сети типа LVQ, обучающим набором данных для которых служат не типовые избыточные сигналы с патологиями, а форма самих патологий, иными словами, поведение сигнала в определенном сегменте (изменение амплитуды и подобные), что позволяет существенно увеличить достоверность срабатывания/работы нейронных сетей (вплоть до 98%, что было доказано экспериментально). Выходными данными таких нейронных сетей является последовательность значений типа Boolean (ложь/истина), которая передается логическому модулю. 2) Данные, полученные от блока нейросетевого анализа, сортируются по отдельным признакам и передаются логическому устройству, которое при наличии истинных значений входных данных по заранее подготовленной программе позволяет проверить ИМ на трансмуральность с дальнейшей его локализацией. На базе данных из логического модуля подбирается диагноз из основной таблицы диагнозов ИМ (см. таблица 2.1). I Патологический QRS Патологический Q Патологический R Элевация ST Отрицательный T Депрессия ST Высокий T Трансмуральный ИМ Передний ИМ Задний ИМ... Перегородочный ИМ Решение V6 Патологический QRS Верхушечный ИМ Патологический Q Патологический R Элевация ST Отрицательный T Депрессия ST Высокий T Нижний ИМ Боковой ИМ 114

115 Рисунок 4.5 Принцип вынесения диагностического решения. После завершения анализа в случае обнаружения ИМ на выходе системы получается: 1) Заключение о трансмуральности ИМ 2) Локализация проблемных участков сердца 3) Поставленный на базе Таблицы 2.1 диагноз Принцип работы показан на рис Результаты внедрения Испытания КДС свидетельствуют о повышении эффективности диагностики ИМ, что позволяет повысить эффективность лечения. Разработанная при непосредственном участии автора КДС «Кардиовид» используется в учебном процессе Медицинского института Пензенского государственного университета. 4.5 Выводы 1) Предложенные способы анализа ЭКС могут быть использованы как основа для построения новых систем кардиодиагностики. Структура компьютерной диагностической системы на основе технологии «клиентсервер» обеспечивает все этапы предложенного «технологического конвейера» анализа ЭКС для диагностики ИМ и интеграцию с медицинскими информационными системами, действующими в учреждениях здравоохранения. 2) Методика нейросетевого анализа ЭКС для диагностики инфаркта миокарда способствует определению значимых параметров состояния сердца т.е. помогает врачу в решении сложных задач, возникающих при необходимости выбора тех или иных методов лекарственного воздействия при повреждении миокарда с целью приостановления или замедления его прогрессирования и поддержания качества жизни пациента. 115

116 3) Результаты реализации и апробации положений работы подтверждают их корректность и возможность использования для решения задач в области функциональной диагностики. 116

117 ОСНОВНЫЕ РЕЗУЛЬТАТЫ 1. В результате критического анализа существующих методик и средств автоматического определения информационных параметров электрокардиосигнала (ЭКС) для диагностики инфаркта миокарда (ИМ) определены требования к разработке и реализации новой методики обработки кардиографической информации и нейросетевого анализа ЭК. 2. Разработанная новая методика автоматического определения информационных параметров ЭКС для диагностики ИМ заключается в предварительном выделении отдельных сегментов кардиоцикла, их нейросетевом анализе, моделировании электрической активности сердца и визуализации процесса распространения возбуждения, и позволяет наглядно представить на трехмерной модели сердца пациента место повреждения миокарда. 3. Разработана новая методика диагностики ИМ на основе нейросетевого анализа (НСА) сегментов кардиоцикла, выделении прямых и реципрокных признаков инфаркта миокарда сегментов кардиоцикла и последовательно-параллельного соединения нейронных сетей, обеспечивающая принципиальную возможность в условиях массового обследования с вероятностью до 98 % определение трансмуральности, вида и локализации ИМ (Патент РФ ). 4. Разработана новая методика определения электрофизиологических характеристик сердца для диагностики инфаркта миокарда, позволяющей на основе анализа и моделирования кардиографической информации наглядно представить на трехмерной модели электрическую активность сердца (Патент РФ ). 5. Разработана новая методика выделения элементов кардиоцикла на основе статистической обработки временных отсчетов ЭКС и построения фазовой траектории ЭКС, позволяющая достоверно выделить амплитудновременные параметры QRS-комплекса и обеспечивающая качественное 117

118 достоверное выделение зубцов Q, R, S, T, сегмента ST по сравнению с амплитудно-временным способом анализа ЭКС. 6. Разработаны решающие правила для составления диагностического заключения на основе построения выходных логических функций, позволяющие определить вид и локализацию ИМ. Применение данных правил позволило формировать диагностическое заключение с локализацией независимо от количества проявившихся признаков ИМ. 7. Предложена и обоснована структура системы поддержки принятия решения о наличии инфаркта миокарда, реализующая предложенные методики и позволяющая приблизить возможности доклинической обработки кардиографической информации к уровню клинических обследований сердца. 118

119 СПИСОК ЛИТЕРАТУРЫ 1. Автоматизированная система управления лечебнодиагностическим процессом: материалы Российского научного форума МедКомТех 2004 / В.М. Тавровский [и др.]. М., Амиров Р.З. Интегральные топограммы потенциалов сердца. М.: Наука, с. 3. Анализ сигнал-усредненной ЭКГ (по данным вейвлетпреобразования) у здоровых и больных ИБС / С.А. Бойцов [и др.]. URL: vestnic/n23/boytcov.htm. 4. Аракчеев А.Г., Сивачев А.В. Электрокардиографическая техника для исследования функционального состояния сердца. М.: ЗАО «ВНИИМП- ВИТА», с. 5. Адаптация структуры нейронной сети LVQ для анализа электрокардиосигнала / О.Н. Бодин, Д.С. Логинов // Нейрокомпьютеры: разработка, применение С Баевский Р.М., Иванов Г.Г., Чирейкин Л.В. Анализ вариабельности сердечного ритма при использовании различных электрокардиографических систем: методические рекомендации , 65-87с. 7. Барский А.Б., Барская О.А., Дмитриев А.А. Медицинские информационно-справочные системы на логических нейронных сетях. М.: Информационные технологии, Библиотека Lapack. URL: Дата обращения: Бодин О.Н., Логинов Д.С., Митрохина Н.Ю. Совершенствование ЭКГ анализа при определении электрической активности сердца / // Медицинская техника С

120 10. Бодин О.Н., Логинов Д.С., Кузьмин А.В, Митрохина Н.Ю Основы анализа электрокардиосигналов: учеб. пособие Пенза : Изд-во ПГУ, с. 11. Ващенко Г.В. Вычислительная математика. Основы алгебраической и тригонометрической интерполяции: учебное пособие. издво СибГТУ, Волкова Э.Г., Калаев О. Ф., Ковынев А. Р. Диагностические возможности первой производной ЭКГ в оценке состояния коронарной артерии у больных ишемической болезнью сердца // Терапевтический архив С Волчихин В.И., Бодин О.Н., Логинов Д.С. Особенности обучения нейронной сети LVQ для анализа электрокардиосигнала / // Информационноизмерительная техника : межвуз. сб. науч. тр. / под ред. проф. Е.А. Ломтева. Пенза : Изд-во ПГУ, С Вычислительная система Matlab. URL: Дата обращения: де Луна А.Б. Руководство по клинической ЭКГ / под ред. Р.З. Амирова. М.: Медицина, с. 16. Добеши И. Десять лекций по вейвлетам. М., Ижевск: НИЦ «Регулярная и хаотическая диалектика», с. 17. Дьяконов В.П. Вейвлеты. От теории к практике. М.: СОЛОН, с. 18. Журавлева Н.Б. ЭКГ диагностика сложных форм инфаркта миокарда: лекция для врачей курсантов. Л.: ЛенГИДУВ, с. 19. Зудбинов Ю.И. Азбука ЭКГ и боли в сердце. изд. 4-е, испр. и доп. Ростов н/д: Феникс, с. 20. Иванов А.И. Проект национального биометрического стандарта ГОСТ Р или нейросетевой обход «проклятия размерности» очень плохих данных // Защита информации ИНСАЙД Иванов А.И., Волчихин В.И. Основы обучения искусственных нейронных сетей: уч. пос. Пенза: Изд-во ПГУ,

121 22. Инструментальная диагностика сердечно-сосудистых заболеваний: Пособие для практических врачей / Под ред. Г.И. Сидоренко. Минск, с. 23. Инфаркт миокарда. Электронное справочное пособие для врача скорой медицинской помощи. URL: Дата обращения: Истомина Т.В. Методы и средства обработки биоэлектрической информации: Дис. д-ра техн. наук: Пенза, с. 25. Каменский С.А. Автоматическое распознавание шоковых ритмов сердца методом межпорогового частотно-временного анализа ЭКГ. Дис.... канд. техн. наук: М., Капелько В.И. Работа сердца // Соросовский образовательный журнал , С Кардиология в таблицах и схемах / М. Фрид, ред. С. Грайнс; пер. с англ. под ред. канд. мед. наук М.А. Осипова и канд. мед. наук Н.Н. Алипова. М.: Практика, с. 28. Кардиовизор-06С. URL: 29. Кечкер М.И. Руководство по клинической электрокардиографии. М., с. 30. Компьютерная диагностическая система «Кардиовид» : свидетельство о государственной регистрации программы для ЭВМ / О.Н. Бодин, Д.С. Логинов, И.О. Жулев, Е.А. Гладкова, А.В. Кузьмин, Н.Ю. Митрохина, И.В. Строкова, В.В. Прошкин ; Кузьмин А.В., Бодин О.Н., Логинов Д.С. Интеллектуальный анализ электрокардиосигналов для диагностики инфаркта миокарда / // Известия высших учебных заведений. Поволжский регион. Технические науки С Кузьмин А.В., Бодин О.Н., Логинов Д.С. Эволюция систем неинвазивной диагностики состояния сердца // Информационные и управленческие технологии в медицине : сб. тр. II Всерос. науч.-техн. конф. Пенза : ПДЗ, С

122 33. Лаборатория медицинской электроники «Биоток». URL: 34. Логинов, Д.С., Бодин О.Н.. Митрохина Н.Ю. Концепция неинвазивной диагностики состояния сердца // Методы компьютерной диагностики в биологии и медицине 2008 : сб. тр. ежегод. всерос. науч. школысеминара на базе Саратов. гос. ун-та им. Н. Г. Чернышевского. Саратов, С Логинов, Бодин О.Н., Авдеев Д.Г., Зайцева О.А. Д.С. Компьютерная система диагностики состояния сердца // Инновационные проекты Поволжья. Ульяновск, С Логинов, Д.С., Бодин О.Н.. Волкова Н.А. Алгоритм нейросетевого анализа электрокардиосигнала для определения состояния сердца// Современные информационные и электронные технологии (СИЭТ 2010) : сб. тр. XI Междунар. науч.-практ. конф. Одесса, С Логинов Д.С. Способы и средства компьютерной обработки электрокардиосигнала для диагностики инфаркта миокарда. Дис. канд. техн. наук: Пенза., Математический пакет Scilab. URL: Дата обращения: Медицинское биологическое оборудование «Нейрософт». URL: 40. Медицинские информационные системы / А.В. Гусев [и др.]. Петрозаводск: изд-во ПетрГУ, с. 41. Международная классификация болезней МКБ-10. Диагнозы. Электронная версия. Класс: Болезни системы кровообращения. Блок: Ишемическая болезнь сердца. URL: 42. Моисеев А.Е., Бодин О.Н., Логинов Д.С. Особенности виртуальной медицинской диагностической системы // Методы, средства и технологии получения и обработки измерительной информации : тр. междунар. науч.-техн. конф. «Шляндинские чтения 2010». Пенза : Изд-во ПГУ, С

123 43. Муковнин А.С., Бодин О.Н., Логинов Д.С. Internet-приложение компьютерной диагностической системы «Кардиовид» / // Украинский журнал телемедицины и медицинской телематики. Донецк, Т. 7, 1. С Мурашко В.В, Струтынский В.В. Электрокардиография: уч. пос. 6-е изд. М.: МЕДпрессинформ, с. 45. Насколько «тонок» клиент? / Л. Гимейн [и др.]. // САПР и графика Ниворожкина Л.И., Морозова З.А. Теория вероятностей и математическая статистика. М.: Эксмо, с Нефедова Г.А. Особенности танатогенеза при остром инфаркте миокарда. Автореферат дисс. на соискание ученой степени к.м.н., патологическая анатомия. М., Нейроинформатика / А.Н. Горбань [и др.]. Новосибирск: Наука. Сибирское предприятие РАН, с. 49. Орлов В.Н. Руководство по электрокардиографии. М.: Медицина, с 50. Осовский С. Нейронные сети для обработки информации / пер. с польского И.Д. Рудинского. М.: Финансы и статистика, Пат Российская Федерация. Способ выделения начала кардиоцикла и устройство для его осуществления / А.Н. Митрошин, О.Н. Бодин, Д.С. Логинов, И.О. Жулев, В.В Прошкин /14 ; заявл ; опубл , Бюл Пат Российская Федерация. Способ выделения начала кардиоцикла / О.Н. Бодин, Д.С. Логинов /14 ; заявл ; опубл , Бюл Пат Российская Федерация. Способ обработки электрокардиосигнала для диагностики инфаркта миокарда / О.Н. Бодин, Д.С. Логинов, О.А. Зайцева, А.Е. Моисеев /14 ; заявл ; опубл , Бюл

124 54. Пат Российская Федерация. Способ выделения QRSкомплекса электрокардиосигнала / О.Н. Бодин, Л.Ю. Кривоногов, Ф.К. Рахматуллов, Д.С. Логинов, О.А. Зайцева /14 ; заявл ; опубл , Бюл Пат Российская Федерация. Способ выделения начала кардиоцикла и устройство для его реализации / А.А. Михеев /14 ; заявл ; опубл Пат Российская Федерация. Способ обработки электрокардиосигнала в динамике для диагноза инфаркта миокарда / О.М. Белоцерковский [и др.] /14 ; заявл ; опубл , Бюл Пат Российская Федерация. Способ диагностики состояния сердечнососудистой системы / О.Н. Бодин [и др.] /14 ; заявл ; опубл , Бюл Пат РФ. Способ моделирования и визуализации распространения возбуждения в миокарде /Бодин О.Н., Гладкова Е.А., Кузьмин А.В., Митрохина Н.Ю., Мулюкина Л.А., Строкова И.В.. // Официальный бюллетень «Изобретения. Полезные модели». 2009, Пат РФ Способ нейросетевого анализа состояния сердца/ О. Н. Бодин, Н. А. Волкова, Д. С. Логинов, Р. В. Рябчиков, В. А. Фунтиков // Официальный бюллетень «Изобретения. Полезные модели». 2012, Пат РФ Способ неинвазивного определения электрофизиологических характеристик сердца/ О. Н. Бодин, А. В Кузьмин, Н. Ю. Митрохина, Ю. С. Семерич, Р. В. Рябчиков // Официальный бюллетень «Изобретения. Полезные модели». 2013, 61. Пешехонов А.Н. Пространственно-временное моделирование распределения биопотенциалов. Дис. канд. техн. наук: Пенза, Плотников А.В., Прилуцкий Д.А., Селищев С.В. Стандарт SCP- ECG для обмена цифровыми ЭКС: тезисы докладов // Международная конференция по биомедицинскому приборостроению «Биомедприбор-98». М., С

125 63. Плотников А.В. Цифровой монитор суточной регистрации ЭКГ. Дис. канд. техн. наук: М., Подклетнов С.Г. Вейвлет-преобразование электрокардиосигнала для компьютерных систем диагностики ишемической болезни сердца. Дис.... канд. техн. наук: СПб., Прилуцкий Д.А. Электрокардиографическая система на основе S- D аналого-цифрового преобразования. Дис. канд. техн. наук: М., Примин Н.А., Недайвода И.В., Васильев В.Е. Алгоритмы анализа магнитокардиосигнала: выявление ишемических повреждений сердца // УСиМ , 32-42с. 67. Романовский Ю.М., Степанова Н.В., Чернавский Д.С. Математическое моделирование в биофизике: Введение в теоретическую биофизику. М.: Институт компьютерных исследований, с. 68. Ройтберг Г.Е., Струтынский А.В. Лабораторная и инструментальная диагностика заболеваний внутренних органов. М.: ООО «Медицина», Рябчиков, Р.В. Концепция виртуальной медицинской диагностической системы / О.Н. Бодин, Д.С. Логинов, А.Е. Моисеев, Р.В. Рябчиков // Датчики и системы С Рябчиков Р.В.. Нейросетевой анализ электрокардиосигналов в среде Matlab / Д.С. Логинов, А.В. Градскова, В.В. Диков, Р.В. Рябчиков// Информационно-измерительная техника : межвуз. сб. науч. тр. / под ред. проф. Е. А. Ломтева. Пенза : Изд-во ПГУ, С Рябчиков, Р. В. Разработка блока принятия решения в нейросетевом кардиоанализаторе компьютерной диагностической системы «Кардиовид»/ Р. В. Рябчиков, О. Н. Бодин, Д. А. Кашкаросвский // Современные проблемы науки и образования URL: (дата обращения: ). 72. Рябчиков, Р. В. Статические методы построения фазовой траектории электрокардиосигнала/ Р.В. Рябчиков, В. Г. Полосин, О. Н. Бодин, 125

126 С. А. Балахонова// Фундаментальные исследования (часть 12). стр ; URL: (дата обращения: ) 73. Рябчиков, Р. В. Электрокардиографические признаки инфаркта миокарда и способы их анализа / Р. В Рябчиков, О. Н. Бодин, Ф. К. Рахматуллов IX Международная научно-техническая конференция «Аналитические и числен-ные методы моделирования естественно-научных и социальных проблем» // Пенза, 2014 С Рябчиков, Р. В. Методы статистической обработки для анализа электрокардиосигнала. / Р. В. Рябчиков, В.Г. Полосин, Ф.К. Рахматуллов Международная научно-практическая конференция «Наука и современность 2014» // Махачкала, 2014 С Рябчиков, Р. В. Применение нейронных сетей в компьютерных диагностических системах для мониторинга заболеваний сердца/ Р. В Рябчиков. XII Международная научно-практическая конференция «Роль социальных, медико-биологических и гигиенических факторов в формировании здоровья населения» //Пенза, Изд-во ПДЗ, 2014 С Салех М.А. Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала. Автореферат дисс. на соискание ученой степени к.т.н., Радиотехника, в том числе системы и устройства телевидения. Воронеж, Сафонов М.Ю. Электрокардиографическая диагностика функционального состояния центральной гемодинамики. Воронеж: Изд. ВГУ, Семенкин М.А., Бодин О.Н., Логинов Д.С. Организация информационного обеспечения медицинской компьютерной диагностической системы /, // Информационно-измерительные и управляющие системы С

127 79. Спэк М., Барр Р. Анатомия сердца с электрофизиологической точки зрения: в кн.: Теоретические основы электрокардиологии: пер. с англ. М.: Медицина, СТО МОСЗ «Информационные системы в здравоохранении. Общие требования». 81. СТО МОСЗ «Информационные системы в здравоохранении. Общие требования к форматам обмена информацией». 82. Теоретические основы электрокардиологии / под ред. К.В. Нельсона и Д.Б. Гезеловица. М.: Медицина, с. 83. Титомир Л.И., Трунов В.Г., Айду Э.А.И. Неинвазивная электрокардиотопография. М.: Наука, 2003, 198с. 84. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика / перевод Ю.А. Зуев, В.А. Точенов с. 85. Цветков В.Д. Сердце, «золотое сечение» и симметрия. Пущино: ПНЦ РАН, c. 86. Шахов Э.К. Преобразователи информации: классификация и динамические свойства // Датчики и системы, Электронная база данных биомедицинских сигналов. URL: 88. Электронная база данных электрокардиосигналов MIT-BIH. URL: 89. A. Babloyantz, V.V.Ivanov, P.V.Zrelov. New Approach to ECG's Features Recognition Involving Neural Network. Particles and Nuclei, Letters No ECGSIM. URL: 91. Hecht-Nielsen R. Neurocomputing. Addison-Wesley, G.D. Clifford, F. Azuaje, P.E. McSharry. Advanced Methods and Tools for ECG Data Analysis. Boston: Artech House, 2006, 400p. 93. Kohonen, T., Self-Organizing Maps, Third Edition, Berlin: Springer- Verlag,

128 94. Lagerholm, M., Clustering ECG Complexes Using Hermite Functions and Self-Organizing Maps / IEEE Trans. Biomed. Eng., Vol. 47, 2000, pp Mahalingam N., Kumar D. Neural networks for signal processing applications: ECG classification // Australas. Phys. Eng. Sci. Med., 1997, vol. 20, 3, p. 96. Minami, K., H. Nakajima, T. Yoyoshima. Real Time Discrimination of the Ventricular Tachyarrhythmia with Fourier-Transform Neural Network / IEEE Trans. Biomed. Eng., Vol. 46, 1999, pp Osowski, S., L. Tran Hoai, «ECG Beat Recognition Using Fuzzy Hybrid Neural Network,» IEEE Trans. Biomed. Eng., Vol. 48, 2001, pp Patent USA Heart Monitoring Apparatus and Method / Gamlyn L., O'Sullivan S., Needham Ph., Harris T., Polikar Robi. The Engineer's Ultimate Guide to Wavelet Analysis. The Wavelet Tutorial / R.R. Aliev, A.V. Panfilov. A simple model of cardiac excitation. // Chaos, Solitons &Fractals, 1996, v.7, 3, p Silipo, R., C. Marchesi, «Artificial Neural Networks for Automatic ECG Analysis,» IEEE Trans. on Signal Processing, Vol. 46, No. 5, 1998, pp Slater D.K., Hlatky M.A., Mark D.B. et al. Outcome in suspected acute myocardial infarction with normal or minimally abnormal admission electrocardiographic findings. // Amer. J. Cardiol., 1987, v.60, p Yang T.-F., Devine B., Macfarlane P.W Combination of artificial neural networks and deterministic logic in the electrocardiogram diagnosis of inferior myocardial infarction. Eur. Heart J V.15.- Abstr. Supplement XIIth World Congress Cardiology (2408). P Электронная база данных электрокардиосигналов MIT-BIH. URL: 128

129 129

130 ПРИЛОЖЕНИЕ А. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ СПОСОБОВ ОБРАБОТКИ ЭКС ДЛЯ ДИАГНОСТИКИ ИМ 1) Результаты построения фазовых траекторий: I отведение II отведение III отведение avl отведение avr отведение avf отведение Рисунок А.1 Фазовые траектории кардиоциклов, построенные на основе энтропийно-параметрического потенциала пациента А 130

131 I отведение II отведение III отведение avl отведение avr отведение avf отведение Рисунок А.2 Фазовые траектории T-зубцов, построенные на основе энтропийно-параметрического потенциала пациента А 131

132 I отведение II отведение III отведение avl отведение avr отведение avf отведение Рисунок А.3 Фазовые траектории кардиоциклов, построенные на основе энтропийно-параметрического потенциала пациента Б 132

133 I отведение II отведение III отведение avl отведение avr отведение avf отведение Рисунок А.4 Фазовые траектории T-зубцов, построенные на основе энтропийно-параметрического потенциала пациента Б 133

134 I отведение II отведение III отведение avl отведение avr отведение avf отведение Рисунок А.5 Выделенные QRS-комплексы пациента А 134

135 I отведение II отведение III отведение avl отведение avr отведение avf отведение Рисунок А.5 Выделенные T-зубцы пациента А Таблица А.1 Результаты обучения нейронной сети для анализа патологического R-зубца на II отведении Количество нейронов Специфичность Чувствительность ошибка обобщения время обучения ошибка обучения 10 0,95 0,98 0 0, ,93 0,97 0 0, ,96 0,96 0 0, ,97 0,96 0 0, ,95 0,99 0 0, ,97 0,97 0 0, ,95 0,99 0 0, ,95 0,97 0 0, ,96 0,97 0 0, ,95 0,98 0 0, ,95 0,97 0 0,

Схема морфологических изменений в сердечной мышце при остром инфаркте миокарда

Схема морфологических изменений в сердечной мышце при остром инфаркте миокарда ЭКГ при инфаркте миокарда Схема морфологических изменений в сердечной мышце при остром инфаркте миокарда По данным ЭКГ можно судить о продолжительности ОКС Электрокардиограмма при ишемической болезни сердца

Подробнее

ЭКГ при ишемической болезни сердца

ЭКГ при ишемической болезни сердца ЭКГ при ишемической болезни сердца Успех зависит от предшествующей подготовки, а без подготовки непременно будет крах. Конфуций ЭКГ при ИБС Кардиологи условно считают различные участки электрокардиограммы

Подробнее

1 ЭЛЕКТРОКАРДИОГРАФИЯ

1 ЭЛЕКТРОКАРДИОГРАФИЯ ММА им. И.М. Сеченова Кафедра факультетской терапии 1 ЭЛЕКТРОКАРДИОГРАФИЯ 1. Нормальная ЭКГ профессор Подзолков Валерий Иванович Происхождение ЭКГ Токи, генерируемые кардиомиоцитами во время деполяризации

Подробнее

Анализ ЭКГ. «Вам расскажет всё сигнал, Что на ленту прибежал»

Анализ ЭКГ. «Вам расскажет всё сигнал, Что на ленту прибежал» Анализ ЭКГ «Вам расскажет всё сигнал, Что на ленту прибежал» Non multa, sed multum. "Дело не в количестве, а в качестве". Плиний Младший Скорость движения ленты При записи ЭКГ на миллиметровой бумаге со

Подробнее

Электрокардиограмма: анализ и интерпретация

Электрокардиограмма: анализ и интерпретация А.В.Струтынский Электрокардиограмма: анализ и интерпретация 18 -е издание Москва «МЕДпресс-информ» 2016 С87 УДК 616.12-073.97 ББК 54.101 C87 Все права защищены. Никакая часть данной книги не может быть

Подробнее

1924 Нобелевская премия по физиологии/медицине вручается Эйнтховену за его работы по ЭКГ (1895 год) кардиологические Общества США и

1924 Нобелевская премия по физиологии/медицине вручается Эйнтховену за его работы по ЭКГ (1895 год) кардиологические Общества США и 1924 Нобелевская премия по физиологии/медицине вручается Эйнтховену за его работы по ЭКГ (1895 год). 1938 кардиологические Общества США и Великобритании вводят грудные отведения (по Wilson). 1942 - Goldberger

Подробнее

ЭЛЕКТРОКАРДИОГРАММА ПРИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА

ЭЛЕКТРОКАРДИОГРАММА ПРИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ УКРАИНЫ Харьковский национальный медицинский университет ЭЛЕКТРОКАРДИОГРАММА ПРИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА Методические указания к практическим занятиям студентов по пропедевтике

Подробнее

Санкт-Петербургский Государственный Университет Математико-механический факультет Кафедра информационно-аналитических систем

Санкт-Петербургский Государственный Университет Математико-механический факультет Кафедра информационно-аналитических систем Санкт-Петербургский Государственный Университет Математико-механический факультет Кафедра информационно-аналитических систем Курсовая работа Определение пульса по ЭКГ Чирков Александр Научный руководитель:

Подробнее

ЭКГ. понятным языком. Атул Лутра. Перевод с английского

ЭКГ. понятным языком. Атул Лутра. Перевод с английского ЭКГ понятным языком Атул Лутра Перевод с английского Москва 2010 СОДЕРЖАНИЕ Список сокращений... VII Предисловие... IX Благодарности... XI 1. Описание зубцов, интервалов и сегментов электрокардиограммы...1

Подробнее

Лекция 1 Тема 1.1 Классификация нейронных сетей и их свойства

Лекция 1 Тема 1.1 Классификация нейронных сетей и их свойства Лекция 1 Тема 1.1 Классификация нейронных сетей и их свойства Содержание: 1. Понятие искусственных нейронных сетей. 2. Математическая модель нейронной сети. 1. Понятие искусственных нейронных сетей. Искусственные

Подробнее

ИСПОЛЬЗОВАНИЕ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ ДЛЯ РЕАЛИЗАЦИИ ПРОГРАММЫ ПОСТРОЕНИЯ ГРАФИКА ЭКГ-СИГНАЛА ПРИ ПОМОЩИ ВЕЙВЛЕТ-АНАЛИЗА

ИСПОЛЬЗОВАНИЕ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ ДЛЯ РЕАЛИЗАЦИИ ПРОГРАММЫ ПОСТРОЕНИЯ ГРАФИКА ЭКГ-СИГНАЛА ПРИ ПОМОЩИ ВЕЙВЛЕТ-АНАЛИЗА ИСПОЛЬЗОВАНИЕ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ ДЛЯ РЕАЛИЗАЦИИ ПРОГРАММЫ ПОСТРОЕНИЯ ГРАФИКА ЭКГ-СИГНАЛА ПРИ ПОМОЩИ ВЕЙВЛЕТ-АНАЛИЗА О.Ю. Забейворота, А.Д. Саитгалина, И.М. Губайдуллин 1. Введение Современная медицинская

Подробнее

Лекция 5. Проблемы практического использования нейросетей

Лекция 5. Проблемы практического использования нейросетей «Интеллектуальные компьютерные технологии обработки социологической информации» Лекция 5. Проблемы практического использования нейросетей Учебные вопросы: 1. Основы функционирования биологических нейронных

Подробнее

Нормальная электрокардиограмма

Нормальная электрокардиограмма Нормальная электрокардиограмма Чтобы оправдаться в собственных глазах, мы нередко убеждаем себя, что не в силах достичь цели, на самом же деле мы не бессильны, а безвольны. Франсуа де Ларошфуко. Калибровочный

Подробнее

Нарушения проводимости электрического импульса в миокарде. Часть 2

Нарушения проводимости электрического импульса в миокарде. Часть 2 69STRUT.QXD 22.05.2009 16:33 Page 69 Нарушения проводимости электрического импульса в миокарде. Часть 2 Нарушения проводимости А.В. Струтынский, А.П. Баранов, А.Г. Бузин, А.Б. Глазунов Кафедра пропедевтики

Подробнее

НАРУШЕНИЕ РИТМА И ПРОВОДИМОСТИ

НАРУШЕНИЕ РИТМА И ПРОВОДИМОСТИ НАРУШЕНИЕ РИТМА И ПРОВОДИМОСТИ Проводящая система сердца Функции проводящей системы сердца: 1. автоматизма 2. проводимости 3. сократимости пейсмекер первого порядка (синусно-предсердный узел) пейсмекер

Подробнее

Электрокардиография (ЭКГ) ученых: Р. Келликер и И. Мюллер в 1856 году. Они провели исследования на различных животных,

Электрокардиография (ЭКГ) ученых: Р. Келликер и И. Мюллер в 1856 году. Они провели исследования на различных животных, Электрокардиография (ЭКГ) Электрокардиография (ЭКГ) один из важнейших методов диагностики заболеваний сердца. Наличие электрических явлений в сокращающейся сердечной мышце впервые обнаружили два немецких

Подробнее

Нарушение внутрижелудочковой проводимости

Нарушение внутрижелудочковой проводимости Нарушение внутрижелудочковой проводимости Знания побеждают неуверенность и страх, а научится можно всему, стоит лишь захотеть. Блокада правой ножки пучка Гиса - БПНПГ БПНПГ возникает чаще, чем блокада

Подробнее

ЭКГ ПРИ ГИПЕРТРОФИИ РАЗЛИЧНЫХ ОТДЕЛОВ СЕРДЦА. к.м.н. Перепельченко Н.А. доцент кафедры кардиологии НМАПО им. П.Л. Шупика

ЭКГ ПРИ ГИПЕРТРОФИИ РАЗЛИЧНЫХ ОТДЕЛОВ СЕРДЦА. к.м.н. Перепельченко Н.А. доцент кафедры кардиологии НМАПО им. П.Л. Шупика ЭКГ ПРИ ГИПЕРТРОФИИ РАЗЛИЧНЫХ ОТДЕЛОВ СЕРДЦА к.м.н. Перепельченко Н.А. доцент кафедры кардиологии НМАПО им. П.Л. Шупика Признаки гипертрофии миокарда Гипертрофия правого предсердия Количественные признаки

Подробнее

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: ЭКГ при инфаркте миокарда

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: ЭКГ при инфаркте миокарда Гос ударс твенное бюд жетное образовательное учре ждение в ыс шего профессионального образования «СЕВЕРО-ЗАПАДНЫЙ ГОСУДАРСТВЕННЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ ИМ. И.И. МЕЧНИКОВА» МИНЗДРАВА РФ Кафедра факультетской

Подробнее

Искусственный нейрон [M.161]

Искусственный нейрон [M.161] M.6 Искусственный нейрон Искусственный нейрон [M.6] Ключевую роль в понимании принципов функционирования нейронных сетей играет знание того, как работает искусственный нейрон. В основе его действия лежат

Подробнее

ЭКГ при гипертрофиях миокарда предсердий и желудочков

ЭКГ при гипертрофиях миокарда предсердий и желудочков ЭКГ при гипертрофиях миокарда предсердий и желудочков Лучше совсем не знать чего-либо, чем знать плохо. Публий Гипертрофия сердечной мышцы - это компенсаторная приспособительная реакция миокарда, выражающаяся

Подробнее

С.П. ФОМИН. Разработка модуля анализа электрокардиограммы

С.П. ФОМИН. Разработка модуля анализа электрокардиограммы 69 С.П. ФОМИН Разработка модуля анализа электрокардиограммы УДК 004.58 Муромский институт (филиал) ФГБОУ ВПО «Владимирский государственный университет имени А.Г. и Н.Г. Столетовых» г. Муром В работе рассматривается

Подробнее

Начальная интерпретация ЭКГ

Начальная интерпретация ЭКГ КГП на ПХВ «ЦРБ Жамбылского района» Пособие Начальная интерпретация ЭКГ (В пособии изложены базовые основы для интерпретации ЭКГ на уровне ПМСП, для врачей всех профилей и среднего медицинского персонала.)

Подробнее

Синдромы гипертрофии миокарда предсердий и желудочков

Синдромы гипертрофии миокарда предсердий и желудочков Школа электрокардиографии Синдромы гипертрофии миокарда предсердий и желудочков А.В. Струтынский, А.П. Баранов, А.Б. Глазунов, А.Г. Бузин Кафедра пропедевтики внутренних болезней Лечебного факультета РГМУ

Подробнее

КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ

КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ УДК 004.8 Пальмов С.В., к.т.н., доцент кафедры ИСТ ПГУТИ Ланцов В.А., студент 4 курса ПГУТИ Российская Федерация, г. Самара КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ Аннотация: В статье рассматриваются

Подробнее

BTL CardioPoint Карты сегмента ST. Карты сегмента ST. Графический инструмент для отображения пространственной ориентации отклонений сегмента ST

BTL CardioPoint Карты сегмента ST. Карты сегмента ST. Графический инструмент для отображения пространственной ориентации отклонений сегмента ST TL CardioPoint Карты сегмента ST Карты сегмента ST Графический инструмент для отображения пространственной ориентации отклонений сегмента ST TL CardioPoint Карты сегмента ST 2 Введение Так как анализ сегмента

Подробнее

УДК ( )

УДК ( ) Государственное бюджетное образовательное учреждение высшего профессионального образования «Иркутский государственный медицинский университет Минздрава» ЭКГ диагностика ишемии и инфаркта миокарда Учебное

Подробнее

ЭЛЕКТРОКАРДИОГРАММА ПРИ НАРУШЕНИИ ПРОВОДИМОСТИ МИОКАРДА

ЭЛЕКТРОКАРДИОГРАММА ПРИ НАРУШЕНИИ ПРОВОДИМОСТИ МИОКАРДА МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ УКРАИНЫ Харьковский национальный медицинский университет ЭЛЕКТРОКАРДИОГРАММА ПРИ НАРУШЕНИИ ПРОВОДИМОСТИ МИОКАРДА Методические указания к практическим занятиям студентов по

Подробнее

Механизм образования основных зубцов, интервалов и сегментов ЭКГ

Механизм образования основных зубцов, интервалов и сегментов ЭКГ Механизм образования основных зубцов, интервалов и сегментов ЭКГ Породистый скакун одним прыжком не сможет покрыть расстояния в тысячу ли. На кляче можно преодолеть это расстояние за десять дней, если

Подробнее

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: ЭКГ при аритмиях:

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: ЭКГ при аритмиях: Гос ударс твенное бюд жетное образовательное учре ждение в ыс шего профессионального образования «СЕВЕРО-ЗАПАДНЫЙ ГОСУДАРСТВЕННЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ ИМ. И.И. МЕЧНИКОВА» МИНЗДРАВА РФ Кафедра факультетской

Подробнее

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования «Уральский государственный университет им. А.М. Горького» Биологический факультет кафедра

Подробнее

ООО НИМП ЕСН г.саров

ООО НИМП ЕСН г.саров ООО НИМП ЕСН г.саров «Миокард Холтер» «Миокард 12» Электрокардиограф «Миокард 3» Более 3000 медучреждений РФ работают на нашем оборудовании Домашний кардиоанализатор Миокард-12 Мобильный кардиоанализатор

Подробнее

Связь работы с планами научных работ НИИ клинической кардиологии им. А.Л. Мясникова ФГБУ «РКНПК» МЗ РФ

Связь работы с планами научных работ НИИ клинической кардиологии им. А.Л. Мясникова ФГБУ «РКНПК» МЗ РФ УТВЕРЖДАЮ Заместитель директора по науке, учебной работе и международным связям ГБУЗ МО МОНИКИ им. М.Ф. Владимирского д.м.н., профессор Молочков А.В. «29» апреля 2015 г. ОТЗЫВ ведущей организации государственного

Подробнее

ТЕСТЫ ТЕКУЩЕГО КОНТРОЛЯ по теме «МЕТОДЫ ИССЛЕДОВАНИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ» Выберите номер правильного ответа

ТЕСТЫ ТЕКУЩЕГО КОНТРОЛЯ по теме «МЕТОДЫ ИССЛЕДОВАНИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ» Выберите номер правильного ответа ТЕСТЫ ТЕКУЩЕГО КОНТРОЛЯ по теме «МЕТОДЫ ИССЛЕДОВАНИЯ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ» Выберите номер правильного ответа 1. Сердечные тоны это звуковые феномены, возникающие а) при аускультации сердца б) при

Подробнее

ФИЗИЧЕСКИЕ ОСНОВЫ ЭЛЕКТРОКАРДИОГРАФИИ

ФИЗИЧЕСКИЕ ОСНОВЫ ЭЛЕКТРОКАРДИОГРАФИИ Аленова Мирам-Гуль Карипуллаевна студентка ГБОУ ВПО «Саратовский государственный медицинский университет им. В.И. Разумовского» Минздрава России г. Саратов, Саратовская область ФИЗИЧЕСКИЕ ОСНОВЫ ЭЛЕКТРОКАРДИОГРАФИИ

Подробнее

ЭЛЕКТРОКАРДИОГРАФИЧЕСКИЙ МЕТОД ИССЛЕДОВАНИЯ. МЕТОДИКА РЕГИСТРАЦИИ И РАСШИФРОВКА ЭЛЕКТРОКАРДИОГРАММЫ

ЭЛЕКТРОКАРДИОГРАФИЧЕСКИЙ МЕТОД ИССЛЕДОВАНИЯ. МЕТОДИКА РЕГИСТРАЦИИ И РАСШИФРОВКА ЭЛЕКТРОКАРДИОГРАММЫ МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ УКРАИНЫ Харьковский национальный медицинский университет ЭЛЕКТРОКАРДИОГРАФИЧЕСКИЙ МЕТОД ИССЛЕДОВАНИЯ. МЕТОДИКА РЕГИСТРАЦИИ И РАСШИФРОВКА ЭЛЕКТРОКАРДИОГРАММЫ Методические указания

Подробнее

Н.Е. СЕРГИЕНКО, канд. техн. наук, доц. НТУ «ХПИ»; А.Н. МАРЕНИЧ, асп. НТУ «ХПИ»

Н.Е. СЕРГИЕНКО, канд. техн. наук, доц. НТУ «ХПИ»; А.Н. МАРЕНИЧ, асп. НТУ «ХПИ» УДК 471.656 Н.Е. СЕРГИЕНКО, канд. техн. наук, доц. НТУ «ХПИ»; А.Н. МАРЕНИЧ, асп. НТУ «ХПИ» СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ МАТЕМАТИЧЕСКОЙ ОБРАБОТКИ КАРДИОСИГНАЛОВ ВОДИТЕЛЯ В ВИРТУАЛЬНОМ КАРДИОГРАФЕ В статье

Подробнее

Физические основы электрокардиографии.

Физические основы электрокардиографии. Физические основы электрокардиографии. В основе электрографических диагностических методик лежит регистрация разностей потенциалов между определѐнными точками организма. Электрическое поле это вид материи,

Подробнее

УДК 615.47:616.12-039.72:681.31 blogs.izhtelemed.ru/kav РАЗБИЕНИЕ СИГНАЛА ЭЛЕКТРОКАРДИОГРАММЫ НА ЦИКЛЫ Коробейников А.В., аспирант кафедры интеллектуальных информационных технологий ИжГТУ, e-mail: kav33@inbox.ru

Подробнее

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных

Подробнее

Актуальность выполненного исследования

Актуальность выполненного исследования ОТЗЫВ официального оппонента: заведующего кафедрой внутренних болезней Обнинского института атомной энергетики - филиала Национального исследовательского ядерного университета «МИФИ», доктора медицинских

Подробнее

7. Электрокардиография

7. Электрокардиография 7. Электрокардиография 7.1. Основы электрокардиографии 7.1.1. Что такое ЭКГ? Электрокардиография самый распространенный метод инструментального обследования. Ее проводят, как правило, сразу же после получения

Подробнее

сравниваемых группах в ближайшем послеоперационном и отдаленном периодах

сравниваемых группах в ближайшем послеоперационном и отдаленном периодах отзыв официального оппонента на диссертацию Максименко Анастасии Васильевны «Повышение эффективности лечения больных ишемической болезнью сердца с низкой фракцией выброса левого желудочка», представленную

Подробнее

ГАОУ СПО НСО БАРАБИНСКИЙ МЕДИЦИНСКИЙ КОЛЛЕДЖ

ГАОУ СПО НСО БАРАБИНСКИЙ МЕДИЦИНСКИЙ КОЛЛЕДЖ ГАОУ СПО НСО БАРАБИНСКИЙ МЕДИЦИНСКИЙ КОЛЛЕДЖ МЕТОДИЧЕСКОЕ ПОСОБИЕ для самостоятельной внеаудиторной подготовки студентов к итоговой государственной аттестации «ЭЛЕКТРОКАРДИОГРАФИЧЕСКАЯ ДИАГНОСТИКА» Специальность:

Подробнее

Выявление нарушений проводимости при помощи холтеровского мониторирования.

Выявление нарушений проводимости при помощи холтеровского мониторирования. Выявление нарушений проводимости при помощи холтеровского мониторирования. ксельрод.с., заведующая отделением функциональной диагностики Клиники кардиологии ММ им. И.М. Сеченова Нарушения проводимости

Подробнее

Аль Мабрук Мохаммад. Аппаратно программные средства и алгоритмы распознавания патологий сердца на основе персептронных сетей

Аль Мабрук Мохаммад. Аппаратно программные средства и алгоритмы распознавания патологий сердца на основе персептронных сетей На правах рукописи Аль Мабрук Мохаммад Аппаратно программные средства и алгоритмы распознавания патологий сердца на основе персептронных сетей Специальность 05..7 Приборы, системы и изделия медицинского

Подробнее

ЛОКАЛИЗАЦИЯ ДОПОЛНИТЕЛЬНЫХ ПРОВОДЯЩИХ ПУТЕЙ ПРИ СИНДРОМЕ ВОЛЬФА ПАРКИНСОНА УАЙТА С ПОМОЩЬЮ ВЕКТОР-ЭЛЕКТРОКАРДИОГРАФИИ

ЛОКАЛИЗАЦИЯ ДОПОЛНИТЕЛЬНЫХ ПРОВОДЯЩИХ ПУТЕЙ ПРИ СИНДРОМЕ ВОЛЬФА ПАРКИНСОНА УАЙТА С ПОМОЩЬЮ ВЕКТОР-ЭЛЕКТРОКАРДИОГРАФИИ 52 ДИАГНОСТИКА ЛОКАЛИЗАЦИЯ ДОПОЛНИТЕЛЬНЫХ ПРОВОДЯЩИХ ПУТЕЙ ПРИ СИНДРОМЕ ВОЛЬФА ПАРКИНСОНА УАЙТА С ПОМОЩЬЮ ВЕКТОР-ЭЛЕКТРОКАРДИОГРАФИИ В.Н. Бакуцкий 1, А.Н. Волобуев 1, М.Е. Землянова 2 1 Кафедра медицинской

Подробнее

Применение нейронных сетей для решения задач прогнозирования

Применение нейронных сетей для решения задач прогнозирования Электронный научный журнал «ИССЛЕДОВАНО В РОССИИ» 270 http://zhurnalaperelarnru/articles/2006/36pdf Применение нейронных сетей для решения задач прогнозирования Солдатова ОП, Семенов ВВ (vlad-eraser@mailru)

Подробнее

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание:

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание: Лекция 5 Тема 3.3 Сети с самоорганизацией на основе конкуренции Содержание: 1. Архитектура сети Кохонена 2. Меры расстояния между векторами и нормализация векторов 1. Архитектура сети Кохонена Под термином

Подробнее

Библиотека БГУИР УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич

Библиотека БГУИР УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич Модель распознавания

Подробнее

Ýëåêòðîêàðäèîãðàôè åñêàÿ äèàãíîñòèêà àðèòìèé

Ýëåêòðîêàðäèîãðàôè åñêàÿ äèàãíîñòèêà àðèòìèé Ãëàâà 5. Íàðóøåíèÿ ðèòìà è ïðîâîäèìîñòè ñåðäöà от сердца (при чреспищеводном введении зонда). Это дает широкие возможности для уточненной диагностики аритмий, устраняя диагностические ограничения, имеющиеся

Подробнее

НЕЙРОСЕТЕВЫЕ И НЕПАРАМЕТРИЧЕСКИЕ СТАТИСТИЧЕСКИЕ АЛГОРИТМЫ В ЗАДАЧЕ ОБНАРУЖЕНИЯ СИГНАЛОВ

НЕЙРОСЕТЕВЫЕ И НЕПАРАМЕТРИЧЕСКИЕ СТАТИСТИЧЕСКИЕ АЛГОРИТМЫ В ЗАДАЧЕ ОБНАРУЖЕНИЯ СИГНАЛОВ НЕЙРОСЕТЕВЫЕ И НЕПАРАМЕТРИЧЕСКИЕ СТАТИСТИЧЕСКИЕ АЛГОРИТМЫ В ЗАДАЧЕ ОБНАРУЖЕНИЯ СИГНАЛОВ 2006 А. Е. Прасолова старший преподаватель кафедры программного обеспечения и администрирования информационных систем

Подробнее

Руководство по электрокардиографии

Руководство по электрокардиографии В.Н. Орлов Руководство по электрокардиографии 9-е издание, исправленное Медицинское информационное агентство МОСКВА 2017 УДК 616.12-073.7 ББК 53.4 О-66 Орлов, В.Н. О-66 Руководство по электрокардиографии

Подробнее

Нейронный сети. Кольцов С.Н

Нейронный сети. Кольцов С.Н Нейронный сети Кольцов С.Н Биологические основы нейронных сетей Мозг представляет собой огромную сеть, где каждым узлом является нервная клетка (нейрон). В мозгу человека от 5 до 20 млрд. нейронов. Передача

Подробнее

1.Введение в теорию нейронных сетей

1.Введение в теорию нейронных сетей ИССЛЕДОВАНИЕ МАТЕМАТИЧЕСКОГО ПОДХОДА ДЛЯ АНАЛИЗА МНОГОМЕРНЫХ ДИНАМИЧЕСКИХ ПРОЦЕССОВ Пешкова Е.А. Национальный Исследовательский Томский Политехнический Университет Томск, Россия STUDY MATHEMATICAL APPROACH

Подробнее

Нарушение проводимости

Нарушение проводимости Нарушение проводимости 1 Знания достигаются не быстрым бегом, а медленной ходьбой. Т. Маколеи 2 Нарушение внутрипредсердной проводимости. Под нарушением внутрипредсердной проводимости понимают любые препятствия,

Подробнее

Применение нейронных сетей для прогнозирования финансовых рядов

Применение нейронных сетей для прогнозирования финансовых рядов Применение нейронных сетей для прогнозирования финансовых рядов Розум Михаил Владимирович, студент каф. ЭМИС, ФГБОУ ТУСУР Научный руководитель: Боровской И.Г., д.ф.-м.н., профессор, зав. каф. ЭМИС Анализ

Подробнее

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Н.П.Огарева e-mal: v.v_@b.ru В данной статье мне бы хотелось

Подробнее

ИЗМЕРЕНИЕ ЭЛЕКТРИЧЕСКОГО СОПРОТИВЛЕНИЯ ТКАНЕЙ ОРГАНИЗМА И ЕГО ИЗМЕНЕНИЯ ЗА ЦИКЛ РАБОТЫ СЕРДЦА

ИЗМЕРЕНИЕ ЭЛЕКТРИЧЕСКОГО СОПРОТИВЛЕНИЯ ТКАНЕЙ ОРГАНИЗМА И ЕГО ИЗМЕНЕНИЯ ЗА ЦИКЛ РАБОТЫ СЕРДЦА МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ АМУРСКАЯ ГОСУДАРСТВЕННАЯ МЕДИЦИНСКАЯ АКАДЕМИЯ Н.В.НИГЕЙ ИЗМЕРЕНИЕ ЭЛЕКТРИЧЕСКОГО СОПРОТИВЛЕНИЯ ТКАНЕЙ ОРГАНИЗМА И ЕГО ИЗМЕНЕНИЯ ЗА ЦИКЛ РАБОТЫ СЕРДЦА МЕТОДИЧЕСКИЕ

Подробнее

ЭКГ-диагностика инфаркта миокарда

ЭКГ-диагностика инфаркта миокарда 5, 2011 О.М. Урясьев, Ю.А. Панфилов Кафедра факультетской терапии с курсами эндокринологии, общей физиотерапии, клинической фармакологии, профессиональных болезней, военно-полевой терапии Кафедра мобилизационной

Подробнее

Применение оконных функций в задачах распознавания образов ультразвуковых сигналов Бархатов В.А.

Применение оконных функций в задачах распознавания образов ультразвуковых сигналов Бархатов В.А. Применение оконных функций в задачах распознавания образов ультразвуковых сигналов Бархатов В.А. В статье обсуждается способ распознавания ультразвуковых импульсов с использованием оконных функций. Рассматриваются

Подробнее

ЭЛЕКТРОКАРДИОГРАФИЧЕСКАЯ ИСПОЛЬЗУЕМЫХ РЕЖИМОВ СТИМУЛЯЦИИ

ЭЛЕКТРОКАРДИОГРАФИЧЕСКАЯ ИСПОЛЬЗУЕМЫХ РЕЖИМОВ СТИМУЛЯЦИИ 4 ЭЛЕКТРОКАРДИОГРАФИЧЕСКАЯ КАРТИНА ИСПОЛЬЗУЕМЫХ РЕЖИМОВ СТИМУЛЯЦИИ Об одном из основных параметров работы любого имплантируемого антиаритмического устройства, режиме стимуляции, подробно говорилось в разделе

Подробнее

Актуальность темы выполненной работы

Актуальность темы выполненной работы Отзыв Вишневского Валерия Ивановича, официального оппонента, доктора медицинских наук, профессора, заведующего кафейзой внутренних болезней федерального государственного бюджетного образовательного учреждения

Подробнее

Применение нейронных сетей для кластеризации данных

Применение нейронных сетей для кластеризации данных Кукса П.П., Шмаков В.В., Панюшкин М.А. Московский Государственный Технический Университет им. Н.Э. Баумана E-mail: kouxa@online.ru WWW: http://www.geocities.com/pkouxa Применение нейронных сетей для кластеризации

Подробнее

Возможности холтеровского мониторирования в выявлении ишемии миокарда.

Возможности холтеровского мониторирования в выявлении ишемии миокарда. Возможности холтеровского мониторирования в выявлении ишемии миокарда. Аксельрод А.С., заведующая отделением функциональной диагностики Клиники кардиологии ММА им. И.М. Сеченова На сегодняшний день скрининговым

Подробнее

Московский государственный университет путей сообщения (МИИТ) Кафедра «Автоматизированные системы управления» А.В. КУТЫРКИН

Московский государственный университет путей сообщения (МИИТ) Кафедра «Автоматизированные системы управления» А.В. КУТЫРКИН Московский государственный университет путей сообщения (МИИТ) Кафедра «Автоматизированные системы управления» А.В. КУТЫРКИН РАСПОЗНАВАНИЕ ОПТИЧЕСКИХ ОБРАЗОВ (СИМВОЛОВ) С ПОМОЩЬЮ ОДНОСЛОЙНОГО ПЕРСЕПТРОНА

Подробнее

Лекция 4 МЕТРОЛОГИЧЕСКИЕ ХАРАКТЕРИСТИКИ СИ

Лекция 4 МЕТРОЛОГИЧЕСКИЕ ХАРАКТЕРИСТИКИ СИ Лекция 4 МЕТРОЛОГИЧЕСКИЕ ХАРАКТЕРИСТИКИ СИ 4.1 Метрологические характеристики СИ и их нормирование Метрологические характеристики (MX) - такие характеристики СИ, которые позволяют судить об их пригодности

Подробнее

4.5. СИГМОИДНАЯ АКТИВАЦИОННАЯ ФУНКЦИЯ И ОБОБЩЕННОЕ ДЕЛЬТА-ПРАВИЛО

4.5. СИГМОИДНАЯ АКТИВАЦИОННАЯ ФУНКЦИЯ И ОБОБЩЕННОЕ ДЕЛЬТА-ПРАВИЛО 56 Глава 4. Понятие о классической нейронной сети ем образов, которые «видел» впервые. Выяснилось, что персептрон оказался способным распознавать буквы, отпечатанные с небольшими искажениями и даже другим

Подробнее

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: Нормальная ЭКГ. Регистрация ЭКГ.

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: Нормальная ЭКГ. Регистрация ЭКГ. Гос ударс твенное бюд жетное образовательное учре ждение в ыс шего профессионального образования «СЕВЕРО-ЗАПАДНЫЙ ГОСУДАРСТВЕННЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ ИМ. И.И. МЕЧНИКОВА» МИНЗДРАВА РФ Кафедра факультетской

Подробнее

ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ

ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ УДК 004.8;004.032.26 ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ И.С. Лыткин (lytkinis@yandex.ru) Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнёва,

Подробнее

Ю. И. Зудбинов АЗБУКА ЭКГ. Издание третье

Ю. И. Зудбинов АЗБУКА ЭКГ. Издание третье Ю. И. Зудбинов АЗБУКА ЭКГ Издание третье ББК 57.16 3 92 Научные рецензенты: Терентьев Владимир Петрович доктор медицинских наук, профессор, заведующий кафедры внутренних болезней Ростовского государственного

Подробнее

Y = ( )

Y = ( ) А.В. Чижков ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Технологический институт Южного федерального университета в г. Таганроге e-mail: 4ijkov@rambler.ru Главным свойством искусственных нейронных сетей является

Подробнее

ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ

ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ УДК 004.032.26(063) ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ Е. М. Будкина Рассматривается применение функции сигмоидного типа в качестве функции

Подробнее

ОТЗЫВ 1. Актуальность темы диссертации Степень обоснованности научных положений, выводов и рекомендаций

ОТЗЫВ 1. Актуальность темы диссертации Степень обоснованности научных положений, выводов и рекомендаций ОТЗЫВ официального оппонента д.т.н. Богдана Александра Владимировича на диссертационную работу Полищука Владимира Иосифовича «Развитие теории построения систем диагностики синхронных машин», представленной

Подробнее

Электрокардиографией называется метод графической регистрации электрических явлений, возникающих в работающем сердце.

Электрокардиографией называется метод графической регистрации электрических явлений, возникающих в работающем сердце. Электрокардиография Среди многочисленных инструментальных методов исследования, которыми в совершенстве должен владеть современный практический врач, ведущее место справедливо принадлежит электрокардиографии.

Подробнее

Аннотация проекта (ПНИЭР), выполняемого в рамках ФЦП «Исследования и разработки по приоритетным направлениям развития научнотехнологического

Аннотация проекта (ПНИЭР), выполняемого в рамках ФЦП «Исследования и разработки по приоритетным направлениям развития научнотехнологического Аннотация проекта (ПНИЭР), выполняемого в рамках ФЦП «Исследования и разработки по приоритетным направлениям развития научнотехнологического комплекса России на 2014 2020 годы» Номер соглашения о предоставлении

Подробнее

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ УДК 621.31:51 ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ Валь П.В., Соловьев Е.С. Научный руководитель профессор Попов

Подробнее

Электрокардиограмма: анализ и интерпретация

Электрокардиограмма: анализ и интерпретация А.В.Струтынский Электрокардиограмма: анализ и интерпретация 13-е издание Москва «МЕДпресс-информ» 2011 С87 УДК 616.12-073.97 ББК 54.101 C87 Все права защищены. Никакая часть данной книги не может быть

Подробнее

к.т.н. доцент Запорожец О. В., аспирант Овчарова Т. А. Харьковский национальный университет радиоэлектроники E-al: oleg_zaporozhets@rabler.ru ИССЛЕДОВАНИЕ ПОГРЕШНОСТЕЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ НЕЛИНЕЙНОГО ИЗМЕРИТЕЛЬНОГО

Подробнее

МОДЕЛИРОВАНИЕ ЭЛЕКТРИЧЕСКОГО ГЕНЕРАТОРА СЕРДЦА. Расчет параметров электрокардиограммы желудочкового комплекса

МОДЕЛИРОВАНИЕ ЭЛЕКТРИЧЕСКОГО ГЕНЕРАТОРА СЕРДЦА. Расчет параметров электрокардиограммы желудочкового комплекса МОДЕЛИРОВАНИЕ ЭЛЕКТРИЧЕСКОГО ГЕНЕРАТОРА СЕРДЦА Расчет параметров электрокардиограммы желудочкового комплекса Рассмотрим работу дипольного эквивалентного электрического генератора сердца (ДЭЭГС) в процессе

Подробнее

Новизна исследования и полученных результатов, выводов и рекомендаций, сформулированных в диссертации

Новизна исследования и полученных результатов, выводов и рекомендаций, сформулированных в диссертации 2 значительные успехи современной медицины в оказании высокотехнологичной кардиохирургической помощи, ишемическая болезнь сердца (ИБС) продолжает оставаться одной из ведущих причин инвалидизации и смертности

Подробнее

Атлас ЭКГ: учебное пособие /Ю.В. Щукин, Е.А. Суркова, В.А. Дьячков с.

Атлас ЭКГ: учебное пособие /Ю.В. Щукин, Е.А. Суркова, В.А. Дьячков с. Атлас ЭКГ: учебное пособие /Ю.В. Щукин, Е.А. Суркова, В.А. Дьячков. - 2012. - 260 с. 1 Оглавление СХЕМА АНАЛИЗА ЭКГ СИНУСОВЫЙ РИТМ ПОВОРОТЫ СЕРДЦА ИЗМЕНЕНИЕ ВОЛЬТАЖА ЭКГ ГИПЕРТРОФИЯ И УВЕЛИЧЕНИЕ КАМЕР

Подробнее

ЛАБОРАТОРНАЯ РАБОТА 2 МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ

ЛАБОРАТОРНАЯ РАБОТА 2 МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ ЛАБОРАТОРНАЯ РАБОТА МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ Многослойный персептрон В многослойном персептроне нейроны расположены в несколько слоев Нейроны первого слоя получают входные сигналы преобразуют их

Подробнее

ПОГРЕШНОСТИ ИЗМЕРЕНИЙ. СИСТЕМАТИЧЕСКИЕ ПОГРЕШНОСТИ

ПОГРЕШНОСТИ ИЗМЕРЕНИЙ. СИСТЕМАТИЧЕСКИЕ ПОГРЕШНОСТИ ПОГРЕШНОСТИ ИЗМЕРЕНИЙ. СИСТЕМАТИЧЕСКИЕ ПОГРЕШНОСТИ Измерение Измерение физической величины заключается в сопоставлении этой величины с однородной величиной, принятой за единицу. В законе РБ Об обеспечении

Подробнее

Нормальная ЭКГ у детей отличается от ЭКГ

Нормальная ЭКГ у детей отличается от ЭКГ ВС ЗАДИОНЧЕНКО, дмн, профессор, ГГ ШЕХЯН, кмн, АМ ЩИКОТА, кмн, АА ЯЛЫМОВ, кмн, ГБОУ ВПО «МГМСУ им АИ Евдокимова» Минздрава России ОСНОВНЫЕ ОСОБЕННОСТИ НОРМАЛЬНОЙ ЭКГ У ДЕТЕЙ В данной статье представлены

Подробнее

Инструменты Relief и Waterfall

Инструменты Relief и Waterfall BTL CardioPoint Инструменты Relief и Waterfall Инструменты Relief и Waterfall Обнаружение аномалий с первого взгляда BTL CardioPoint Инструменты Relief и Waterfall 2 Введение ЭКГ-обследование в лабораторных

Подробнее

НЕЙРОСЕТЕВОЙ МЕТОД ОЦЕНИВАНИЯ ПАРАМЕТРОВ СОСТОЯНИЯ ЛЕТАТЕЛЬНОГО АППАРАТА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЙ

НЕЙРОСЕТЕВОЙ МЕТОД ОЦЕНИВАНИЯ ПАРАМЕТРОВ СОСТОЯНИЯ ЛЕТАТЕЛЬНОГО АППАРАТА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЙ УДК 004.032.26(063) НЕЙРОСЕТЕВОЙ МЕТОД ОЦЕНИВАНИЯ ПАРАМЕТРОВ СОСТОЯНИЯ ЛЕТАТЕЛЬНОГО АППАРАТА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЙ Е. М. Будкина Представлен теоретический анализ применения нейронных сетей для прогнозирования

Подробнее

УДК ( )

УДК ( ) Государственное бюджетное образовательное учреждение высшего профессионального образования «Иркутский государственный медицинский университет Минздрава» Анатомо-физиологические и физико-технические основы

Подробнее

4.2. МАТЕМАТИЧЕСКИЙ НЕЙРОН МАК-КАЛЛОКА ПИТТСА. ρ это величина, обратная его электрическому сопротивлению R,

4.2. МАТЕМАТИЧЕСКИЙ НЕЙРОН МАК-КАЛЛОКА ПИТТСА. ρ это величина, обратная его электрическому сопротивлению R, 44 Глава 4. Понятие о классической нейронной сети нейронов. Примерно одинаковое количество нейронов содержит мозг ученого, политического деятеля, солдата, спортсмена. Отличие состоит в величинах электропроводностей

Подробнее

КардиРу РУКОВОДСТВО ПО АНАЛИЗУ. Ваш личный кабинет на сайте

КардиРу РУКОВОДСТВО ПО АНАЛИЗУ. Ваш личный кабинет на сайте КардиРу РУКОВОДСТВО ПО АНАЛИЗУ Ваш личный кабинет на сайте www.kardi.ru Комплекс аппаратно-программный для скрининга сердца КардиРу 1 (далее КардиРу) регистрирует ЭКГ в стандартных отведениях от конечностей

Подробнее

ХОЛТЕРОВСКОЕ МОНИТОРИРОВАНИЕ В ДИАГНОСТИКЕ НАРУШЕНИЙ СЕРДЕЧНОЙ ПРОВОДИМОСТИ

ХОЛТЕРОВСКОЕ МОНИТОРИРОВАНИЕ В ДИАГНОСТИКЕ НАРУШЕНИЙ СЕРДЕЧНОЙ ПРОВОДИМОСТИ ХОЛТЕРОВСКОЕ МОНИТОРИРОВАНИЕ В ДИАГНОСТИКЕ НАРУШЕНИЙ СЕРДЕЧНОЙ ПРОВОДИМОСТИ Холтеровское мониторирование позволяет выявить редкие нарушения проводимости, которые могут регистрироваться только в ночное

Подробнее

ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ АС Рудаков, аспирант Московского государственного университета печати E-mail: shmel_ras@mailru В статье предлагается методика

Подробнее

Острый коронарный синдром, инфаркт миокарда

Острый коронарный синдром, инфаркт миокарда Острый коронарный синдром, инфаркт миокарда профессор Хамитов Р.Ф. зав.кафедрой внутренних болезней 2 КГМУ Острый коронарный синдром Любая группа клинических признаков или симптомов, позволяющих подозревать

Подробнее

Получение навыков измерения угла фазового сдвига, знакомство с устройством и характеристиками цифрового фазометра.

Получение навыков измерения угла фазового сдвига, знакомство с устройством и характеристиками цифрового фазометра. Работа 15 Измерение угла фазового сдвига 1 ЦЕЛЬ РАБОТЫ 1 Получение навыков измерения угла фазового сдвига, знакомство с устройством и характеристиками цифрового фазометра. 2 СВЕДЕНИЯ, НЕОБХОДИМЫЕ ДЛЯ ВЫПОЛНЕНИЯ

Подробнее

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: ЭКГ при аритмиях: АВ-блокадах и экстрасистолах

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ ПО ТЕМЕ: ЭКГ при аритмиях: АВ-блокадах и экстрасистолах Гос ударс твенное бюд жетное образовательное учре ждение в ыс шего профессионального образования «СЕВЕРО-ЗАПАДНЫЙ ГОСУДАРСТВЕННЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ ИМ. И.И. МЕЧНИКОВА» МИНЗДРАВА РФ Кафедра факультетской

Подробнее

КОМПЬЮТЕРНАЯ ДИАГНОСТИКА И УПРАВЛЕНИЕ ПРОЦЕССОМ ОБУЧЕНИЯ

КОМПЬЮТЕРНАЯ ДИАГНОСТИКА И УПРАВЛЕНИЕ ПРОЦЕССОМ ОБУЧЕНИЯ Диагностика П.П. Дьячук, И.П. Малова, В.М. Суровцев КОМПЬЮТЕРНАЯ ДИАГНОСТИКА И УПРАВЛЕНИЕ ПРОЦЕССОМ ОБУЧЕНИЯ В работе [1] рассматривались компьютерные системы управления процессом научения, в основе которых

Подробнее

ВАРНАВСКИЙ АЛЕКСАНДР НИКОЛАЕВИЧ

ВАРНАВСКИЙ АЛЕКСАНДР НИКОЛАЕВИЧ На правах рукописи ВАРНАВСКИЙ АЛЕКСАНДР НИКОЛАЕВИЧ СПОСОБЫ И СРЕДСТВА ВЫЯВЛЕНИЯ НАРУШЕНИЙ РИТМА СЕРДЦА НА ОСНОВЕ НЕЛИНЕЙНЫХ ПРЕОБРАЗОВАНИЙ ЭЛЕКТРОКАРДИОСИГНАЛА В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ Специальность:

Подробнее

α1 и α2 - некоторые постоянные (могут быть комплексными), S{*}- линейный оператор.

α1 и α2 - некоторые постоянные (могут быть комплексными), S{*}- линейный оператор. Методика априорной оценки эффективности сжатия цифровых изображений в системе оперативной передачи данных дистанционного зондирования Земли 2.3. Анализ алгоритмов сжатия на линейность Для анализа цифрового

Подробнее

Нейронные сети W 1 Х 1... F(S) Х N

Нейронные сети W 1 Х 1... F(S) Х N Нейронные сети Искусственная нейронная сеть математическая модель, реализуемая программно или аппаратно, построенная по подобию естественных нейронных сетей (сетей нервных клеток живого организма), представляющая

Подробнее

Лекция 7 Технологические схемы процесса исследования биообъектов

Лекция 7 Технологические схемы процесса исследования биообъектов Лекция 7 Технологические схемы процесса исследования биообъектов Исходная информация о параметрах объекта исследования содержится в параметрах исходящих от него «порождающих» полей, в то время как основной

Подробнее