Сетевое издание
Международный студенческий научный вестник
ISSN 2409-529X

ИССЛЕДОВАНИЕ НОРМ И ПАТОЛОГИЙ ЭЛЕКТРОКАРДИОСИГНАЛА С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

Горюнова Т.И. 1 Кухтевич И.И. 1
1 ФГОУ В «Пензенский государственный технологический университет»
В статье рассмотрены особенности создания интерфейса нейронной сети для представления электрокардиосигнала. Представлен алгоритм распознавания патологического и нормального электрокардиосигнала в среде MATLAB. Кроме этого проведено сравнение функциональных возможностей программных средств, реализующих нейронные сети. Помимо диагностических характеристик представлены эксплуатационные требования, которые определяют эффективность функционирования биомедицинских систем в клинике. Подчёркнуто, что система должна обеспечивать ведение непрерывного в реальном масштабе времени наблюдения и контроля сигналов ЭКГ от нескольких больных одновременно. А так же обнаруживать нарушение ритма и давать количественную оценку интенсивности появления кратковременных ранних нарушений норм и патологий. Причём в системе должна быть предусмотрена автоматическая регистрация участков ЭКГ, вызвавших тревогу, для последующего их детального анализа и отображения текущего состояния.
Ключевые слова : кардиосигнал
биомедицинская система
нейронные сети
1. Каллан Р. Основные концепции нейронных сетей: пер. с& англ.& – М.: Издат. дом «Вильямс», 2001.
2. Основные концепции нейронных сетей: пер. с& англ.& – М.: Издат. дом «Вильямс», 2001.
3. Осовский С. Нейронные сети для обработки информации& / пер. с& польск. И.Д. Рудинского.& – М.: Финансы и& статистика, 2004.& – 344 с.
4. Кухтевич И.И., Горюнова В.В., Горюнова Т.И. Практика проектирования и& использования телеконсультационных центров неврологического профиля // Фундаментальные исследования.& – 2014.& – № 11-11.& – С. 2365-2369.
5. Горюнова В.В., Горюнова Т.И., Кухтевич И.И. Основные тенденции в& развитии медицинских информационных систем // Фундаментальные исследования.& – 2015.& – № 5-1.& – С. 58-62.
6. Черепанов Ф.М. Исследовательский симулятор нейронных сетей, обзор его приложений и& возможности применения для создания системы диагностики заболеваний сердечнососудистой системы // Современные проблемы науки и& образования.& – 2013.& – № 1.& – С. 56-60.

Нейронные сети способны решать задачи, не поддающиеся формализации [1-3]. На основе нейросетей многими исследователя были разработаны различные прогностические и диагностические медицинские системы [4-5] , в том числе при создании систем диагностики заболеваний сердечно-сосудистой системы [6].

Помимо диагностических характеристик рассматриваемый класс биомедицинских систем должен удовлетворять ряду эксплуатационных требований, которые определяют эффективность их функционирования в клинике. К числу этих требований относятся следующие:

- система должна обеспечивать ведение непрерывного в реальном масштабе времени наблюдения и контроля сигналов ЭКГ от нескольких больных одновременно. Управление видеоотображением ЭКГ должно быть обеспечено как у постели каждого пациента, так и на центральном посту; система должна с высокой степенью точности обнаруживать нарушения ритма, указанные, и давать количественную оценку интенсивности появления кратковременных ранних норм и патологий;

- система должна выдавать несколько сигналов тревоги по принципу приоритетов;

- в системе должна быть предусмотрена автоматическая регистрация участков ЭКГ, вызвавших тревогу, для последующего их детального анализа;

- система должна отображать текущее состояние всех пациентов и иметь возможность отображения истории изменения состояния каждого пациента, чтобы медицинский персонал мог судить о необходимости или об эффективности терапевтических мер в борьбе с различными ранними патологиями;

- система должна работать при наличии сигналов ЭКГ, содержащих помехи. При больших уровнях помех она должна прерывать анализ ЭКГ с выдачей соответствующего сигнала на индикатор;

- система должна быть экономически эффективной в расчете на одного пациента.

Кроме того, должна быть обеспечена высокая надежность системы при ее непрерывной работе в течение продолжительного времени (более суток). При этом, система может считаться работоспособной только при условии полной ее проверки в условиях реальных кардиологических отделений.

В таблице представлены типы сетей доступных с интерфейсом NNTool [1-2].

Типы сетей, доступных с интерфейсом NNTool

п/п

Тип сети

Название сети

Число слоев

1

Competitive

Конкурирующая сеть

1

2

Cascade-forwardbackprop

Каскадная сеть с прямым распространением сигнала и обратным распространением ошибки

2

3

Elmanbackprop

Сеть Элмана с обратным распространением ошибки

2

4

Feed-forward backprop

Сеть с прямым распространением сигнала и обратным распространением ошибки

2

5

Time delay backprop

Сеть с запаздыванием и обратным распространением ошибки

2

6

Generalizedregression

Обобщенная регрессионная сеть

2

7

Hopfield

Сеть Хопфилда

1

8

Linear layer (design)

Линейный слой (создание)

1

9

Linear layer (train)

Линейный слой (обучение)

1

10

LVQ

Сеть для классификации входных векторов

2

11

Perceptron

Персептрон

1

12

Probabalistic

Вероятностная сеть

2

13

Radial basis (exact fit)

Радиальная базисная сеть с нулевой ошибкой

2

14

Radial basis (fewer neurons)

Радиальная базисная сеть с минимальным числом нейронов

2

15

Self-organizing map

Самоорганизующаяся карта Кохонена

1

Должно быть очевидно преимущество применения системы по сравнению с обычным обслуживанием пациентов. Последнее требование имеет большое значение для признания целесообразности введения тех или иных автоматических методов наблюдения клинике. Исследования показывают, что с помощью биомедицинсклй системы можно обнаруживать значительно более высокий процент патологических ритмов, чем обнаруживает их дежурная сестра по осциллографу в палате на несколько больных. Однако обнаружение этих дополнительных изменений ритма, еще не означает улучшения в лечении пациента.

Вышеперечисленные требования в полном объеме не выполняются ни для одной из существующих биомедицинских систем, однако, они дают возможность определить пути выполнения данных требований при разработке новых систем. Конечно, основной критерий качества биомедицинской системы – это надежность распознавания с использованием нейросетевых технологий.

В процессе подготовительного этапа разработки интерфейса стало необходимым создать нейронную сеть, обучить ее и настроить. Согласно алгоритму, представленному на рис. 1 была создана сеть с прямым распространением сигнала и обратным распространением ошибки (Feed-forwardbackprop) (рис. 1) [3].

gorjnov1a.tif gorjnov1b.tif

Рис. 1

Именно такая архитектура сети и параметры обучения, давали наименьшую ошибку.

Нейронная сеть обучилась за 18 эпох (рис. 2).

gorjnov2.tif

Рис. 2

Обучающая последовательность представляла собой массив данных, показанных на рис. 3. Вектор входных значений состоял длительностей R-Rинтервалов в миллисекундах. В норме этот показатель электрокардиосигнала варьируется в пределах 600-1200 миллисекунд, иные значения свидетельствуют о патологиях. Таким образом, была сформирована последовательность целевых значений: норме соответствовало значение 0, патологии 1.

gorjnov3.tif

Рис. 3

Обучение прошло успешно, среднее значение ошибки составляло 3.4667e-004. Соответствие полученных результатов работы сети ожидаемым подтверждалось проведением дополнительных экспериментов. Пятнадцать значений как нормальных, так и патологических интервалов были распознаны с высокой точностью рис. 4.

gorjnov4.tif

Рис. 4

При создании нейронной сети, необходимо выполнить следующие операции:

1) сформировать последовательность входов и целей (кнопка NewData) либо загрузить их из рабочей области системы MatLab или из файла (кнопка Import);

2) создать новую нейронную сеть (кнопка NewNetwork) либо загрузить ее из рабочей области систем MatLab или из файла (кнопка Import);

3) выбрать тип нейронной сети и нажать кнопку Train…, чтобы открыть окно для задания параметров процедуры обучения;

4) открыть окно Network для просмотра, обучения, моделирования и адаптации сети.


Библиографическая ссылка

Горюнова Т.И., Кухтевич И.И. ИССЛЕДОВАНИЕ НОРМ И ПАТОЛОГИЙ ЭЛЕКТРОКАРДИОСИГНАЛА С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ // Международный студенческий научный вестник. – 2017. – № 4-6. ;
URL: https://eduherald.ru/ru/article/view?id=17580 (дата обращения: 29.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674