Анализ электрокардиограмм посредством нейронных сетей

Размещено на http://www.allbest.ru/

Анализ электрокардиограмм посредством нейронных сетей

Леонова М.Д.

Инженер, ТУ Ильменау (Германия) (2007) и МЭИ (ТУ) (2009), ОАО «МКБ «Компас»

Аннотация

электрокардиограмма сердце нейронный сеть

В данной работе проводится моделирование электрокардиограмм различных сердечных заболеваний с помощью эквивалентного генератора сердца. Исследуется возможность использования искусственных нейронных сетей для обработки данных электрокардиограмм с целью выявления сердечных патологий.

Ключевые слова: искусственные нейронные сети, обработка информации, математическое моделирование, биомедицина.

Abstract

Leonova M.D.

Engineer, graduate of TU Ilmenau (Germany) (2007) and MEI (TU) (2009), OAO “MKB Kompas”

The analysis of electrocardiograms by means of neural networks

In this work is carried out a modeling of electrocardiograms of various heart diseases by means of use of the equivalent generator of heart. Possibility of use of artificial neural networks for data processing of electrocardiograms for the purpose of detection of cardiac pathologies is investigated.

Keywords: artificial neural networks, data processing, mathematical modeling, biomedicine.

Сердечно - сосудистые заболевания являются одними из самых распространенных и опасных недугов, поэтому их качественная диагностика - актуальная задача. Существует множество методов обследования состояния сердца, при этом изучение электрической деятельности сердца занимает особое место по причине хорошей информативности результатов при невысокой сложности проведения исследования.

Основная проблема электрографического метода диагностики заболеваний заключается в том, что традиционные методы анализа электрокардиограмм не всегда позволяют диагностировать сердечные заболевания с высокой достоверностью. Зачастую достаточно серьезные сердечные заболевания отражаются на ЭКГ лишь незначительным изменением амплитуды и формы пиков. Во многих случаях точность диагноза зависит от опыта и уровня классификации врача. Чтобы исключить «человеческий фактор», желательно автоматизировать анализ ЭКГ, и найти такой метод, который был бы способен распознавать наиболее характерные изменения ЭКГ при тех или иных заболеваниях, с учетом того, что даже при одном и том же заболевании ЭКГ могут отличаться друг от друга. В данной статье рассматривается вариант решения этой задачи посредством использования искусственных нейронных сетей (ИНС).

ИНС - набор математических и алгоритмических методов для решения широкого круга задач [1]. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов.

Современные искусственные нейронные сети можно использовать как средство прогнозирования во времени для процессов, зависящих от многих переменных; средство распознавания образов; инструмент для поиска по ассоциациям; модель для поиска закономерностей в массивах данных. Решение задачи классификации по многим признакам является одним из важнейших применений нейронных сетей [3].

Структура ИНС

Формальный нейрон (ФН) является основой любой искусственной нейронной сети. Каждый ФН характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены и заторможены. ФН состоит из взвешенного сумматора и нелинейного элемента, и также как и его естественный прототип, имеет группу входов, которые соединены с выходами других нейронов, и один выход, откуда сигнал на входы других нейронов [2].

Формальные нейроны могут объединяться в сети различным образом. Самый распространенный вид сети - многослойный перцептрон (рис.1) [1].

Рис.1 - Многослойный перцептрон

Сеть состоит из произвольного количества слоев нейронов. Нейроны каждого слоя соединяются с нейронами предыдущего и последующего слоев по принципу “каждый с каждым”. Первый слой (слева) называется сенсорным или входным, внутренние слои называются скрытыми или ассоциативными, последний (самый правый, на рисунке состоит из одного нейрона) - выходным или результативным. Работа многослойного перцептрона (МСП) описывается формулами [1]:

где индексом i обозначается номер входа, j - номер нейрона в слое, l - номер слоя; x_ijl - i*й входной сигнал j*го нейрона в слое l; w_ijl - весовой коэффициент i*го входа нейрона номер j в слое l; NET_jl - взвешенная сумма входных сигналов j*го нейрона в слое l, значение NET передается на нелинейный элемент ; OUT_jl - выходной сигнал нейрона; и_jl - пороговый уровень нейрона j в слое l; F - нелинейная функция, называемая функцией активации.

Обучение ИНС

Для обучения нейронной сети необходимо иметь достаточную базу данных входных сигналов. (Множество электрокардиограмм для всех рассматриваемых типов сердечных заболеваний различного характера и локализации) Для этой цели использовалась эквивалентная модель генератора сердца, разработанная в [5] с использованием алгоритмов реконструкции токовых источников по измеренным электрическим потенциалам для электрокардиографии [4]. Произведена серия моделирований сердечных заболеваний (инфаркт, сужение просвета коронарных артерий). Пример ЭКГ, полученных в результате моделирования, показан на рис. 2.

Рис.2 - Пример искажения ЭКГ при наличии патологии

На полученных моделях ЭКГ выделены отличия от ЭКГ здорового человека, общие для всех типов патологий, а также отклонения, наиболее характерные только для одного типа заболевания. По этим характерным отклонениям была создана таблица признаков, а затем корреляционная матрица, позволяющая выбрать наиболее значимые признаки для их последующего использования в качестве входных сигналов для обучения нейронной сети.

Далее в программе MATLAB была разработана нейронная сеть, которая после обучения отличала модели ЭКГ без патологий, от ЭКГ с патологиями, и во втором случае классифицировала подаваемые входные сигналы на категории по типу смоделированных заболеваний.

Основные параметры разработанной ИНС:

· количество слоёв: 2,

· количество нейронов в первом слое: 8,

· количество нейронов во втором слое: 2,

· количество эпох обучения (количество проходов вперёд и назад по ИНС с каждой парой обучающего множества): 3500,

· активационная функция первого слоя нейронов: логистическая функция активации logsig,

· активационная функция второго слоя нейронов: линейная функция активации purelin,

· метод обучения: градиентный алгоритм обучения trainrp,

· время обучения 20 сек,

· шум 0%

· средняя ошибка на обучающем множестве 3%

· ошибка на проверяющем множестве 0%

Видно, что после обучения сеть становится нечувствительной к малым изменениям входных сигналов и дает правильный результат на выходе. Анализируя полученные результаты, видно, что ИНС хорошо подходят для решения проблем диагностики сердечных патологий. Они хорошо справляются с определением характера заболевания по основным параметрам кардиограмм. В дальнейшем целесообразно изучить возможность применения ИНС для других типов сердечных заболеваний и расширить базу данных входных сигналов.

Литература

1. Заенцев И.В. Нейронные сети: основные модели // Воронеж. - ВГУ. 1999г.

2. Круг П.Г. Нейронные сети и нейрокомпьютеры // Москва. - издательство МЭИ. - 2002. - 176 c.

3. Применение нейронных сетей для задач классификации [Электронный ресурс] URL: http://www.basegroup.ru/library/analysis/neural/classification (дата обращения 10.03.2009).

4. Жихарева Г.В. Разработка алгоритмов реконструкции токовых источников по измеренным электрическим потенциалам для электрокардиографии // Радиотехника, в том числе системы и устройства телевидения: диссертация кандидата технических наук, Московский энергетический институт (МЭИ ТУ), 2007 . - 173 с.

5. Леонов Н.К. Реконструкция поверхностного эквивалентного генератора сердца (дипломная работа) // МЭИ 2008 г.

6. Дьяконов В.П. MATLAB 7.* /R2006/R2007. Самоучитель // ДМК Пресс. - 2008. - 768 с.: ил

Размещено на Allbest.ru