Использование нейросетевых методов для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы
Характеристика важнейших факторов для своевременного оказания медицинской помощи. Анализ электрокардиографии как неинвазивного процесса интерпретации электрической активности сердца, позволяющий оценивать скорость и регулярность сердечных сокращений.
Рубрика | Медицина |
Вид | статья |
Язык | русский |
Дата добавления | 08.03.2019 |
Размер файла | 592,0 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Использование нейросетевых методов для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы
Мустафаев Арслан Гасанович
доктор технических наук
профессор, ГАОУ ВО "Дагестанский
государственный университет народного хозяйства"
Аннотация
электрокардиография помощь медицинский
Одним из важнейших факторов для своевременного оказания медицинской помощи является быстрое и точное получение информации о состоянии здоровья пациента. Электрокардиография (ЭКГ) представляет собой неинвазивный процесс интерпретации электрической активности сердца, позволяющий оценивать скорость и регулярность сердечных сокращений. Эти данные используются для определения повреждений и патологий сердца. Автоматический анализ ЭКГ является непростой теоретической и практической задачей. Цель работы состоит в использовании нейронных сетей для обнаружения характерных ЭКГ сигналов, определяющих аномалии сердечного ритма и выявлении соответствующего заболевания сердца. При проектировании был использован пакет Neural Network Toolbox из MATLAB 8.6 (R2015b) моделирующий аппарат искусственных нейронных сетей. Эффективность разработанной нейросетевой модели для анализа ЭКГ была исследована с использованием базы данных MIT-BIH. Точность обнаружения и извлечения компонентов сигнала ЭКГ показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов. Чувствительность модели составила 71%, специфичность 89%.
Ключевые слова: электрокардиограмма, искусственная нейронная сеть, компьютерная диагностика, многослойный персептрон, обратное распространение ошибки, классификация данных, чувствительность, специфичность, обучение с учителем, QRS комплекс
Введение
По данным Всемирной организации здравоохранения [1] заболевания сердечно-сосудистой системы уносят свыше 17 миллионов жизней в год. Сердечная аритмия и нарушение сердечного ритма могут свидетельствовать о возможности серьезных сердечно-сосудистых заболеваний, инсульта или внезапной сердечной смерти. Ранняя диагностика нарушений сердечного ритма позволяет выбрать соответствующее медикаментозное лечение.
Большинство клинических исследований сердечно-сосудистой системы основаны на анализе электрокардиограмм (ЭКГ) и изучении ряда других регистрируемых сигналов, иллюстрирующих биоэлектрическую активность сердца. К числу несомненных преимуществ такого подхода можно отнести относительную простоту, доступность, неинвазивность и достаточно высокую информативность. ЭКГ - функциональный метод исследования, суть которого заключается в определении состояния сердца сердечно-сосудистой системы по изменениям в его электрической активности. Этот метод исследования на сегодняшний день является самым распространенным и проводится практически во всех медицинских учреждениях.
Наибольший интерес для практического здравоохранения представляют системы для диагностики заболеваний. Работы в данной области ведутся российскими и зарубежными исследователями [2-5].
Задачи диагностики и прогнозирования, встречающиеся в медицинской практике как, правило не учитывают все реально имеющиеся условия, от которых зависит результат, а только выделяют некоторый набор наиболее важных условий.
Целью данной работы является разработка нейросетевой системы для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы.
Постановка задачи и эксперимент
Электрокардиография до сих пор остается наиболее распространенным методом функциональной диагностики в кардиологии. В то же время, существующие компьютерные средства анализа и интерпретации ЭКГ все еще не обеспечивают требуемую достоверность результатов диагностики. Изображение эталонной ЭКГ и обозначение ее элементов показано на рис. 1.
Рис.1. Эталонная электрокардиограмма
На реальных ЭКГ нет четких границ между информативными фрагментами, что затрудняет их автоматическое распознавание. Реальная ЭКГ обычно наблюдается в условиях разного рода возмущений, которые далеко не всегда могут быть сведены лишь к аддитивной помехе. При повышении соотношения сигнал-шум, происходит «размытие» информативных фрагментов из-за неравномерных изменений их продолжительности от цикла к циклу что приводит к ошибкам в измерении диагностических признаков, сосредоточенных на этих фрагментах [6].
Автоматический анализ ЭКГ является непростой теоретической и практической задачей. Физиологическое происхождение сигнала ЭКГ, обусловливает его недетерминированность, разнообразие, изменчивость, нестационарность и подверженность многочисленным видам помех. Увеличение эффективности методов автоматического анализа ЭКГ сдерживается ограничениями, связанными с вычислительной мощность используемых процессоров [7]. Это в наибольшей степени относится к аппаратуре непрерывного наблюдения, так как обработка сигналов в ней должна выполняться в реальном масштабе времени. Производительность вычислительных средств постоянно повышается, поэтому становятся востребованными такие методы обработки и анализа сигналов, применение которых в системах реального времени ранее представлялось сложно реализуемым.
Рис. 2. Образец записи №109 из базы MIT-BIH.
Нейронные сеть - математическая парадигма моделирования поведения биологических нейронных систем. Искусственная нейронная состоит из нескольких простых нелинейных элементов - нейронов, соединенных между собой взвешенными связями - синапсами, формирующими сеть. При обнаружении и обработке ЭКГ сигнала, в основном используются многослойные персептроны и радиально-базисные нейронные сети [8-9].
Если нейроны сгруппированы в слои и их синапсы связаны только с нейронами в соседних слоях, то подобная структура является многослойным персептроном. Модель многослойного персептрона является наиболее популярной и широко изученной. Многослойный персептрон состоит из одного входного и одного выходного слоя, с одним или несколькими скрытыми слоями.
При формировании исходных данных был использован архив, содержащий структурированный массив оцифрованных записей реальных физиологических сигналов и связанных с ними данных для применения биомедицинским сообществом в исследованиях [10]. Данные записи были получены Холтеровским мониторированием в условиях стационара и независимо проанализированы двумя практикующими врачами. Пример записи показан на рис. 2 (фрагмент ЭКГ этой записи показан на рис. 3).
Рис. 3. Фрагмент ЭКГ записи №109
При анализе ЭКГ учитывают следующие нормальные значения интервалов и комплексов [11]:
1. Ширина комплекса QRS в интервале 60- 100 мс.
2. Длительность интервала QT составляет 390- 450 мс.
3. Длительность интервалов R-R одинакова или имеет разброс до 10%.
4. Длительность интервала PQ составляет 120- 200 мс.
5. Амплитуда зубца S не более 20 мм.
6. Зубец T направлен вверх в отведении I и II, но в aVR отведении - всегда будет отрицательный.
7. Зубец Р по амплитуде не более 2,5 мм, а по длительности 0,1 сек.
8. Зубец Q не шире 20- 40 мс и не глубже 1/3 зубца R.
Вопрос нахождения оптимального числа нейронов скрытого слоя не имеет однозначного решения по причине отсутствия устоявшейся методики [12-14]. Например, в [15] рекомендуется число нейронов скрытого слоя определять эмпирическим путем, но в большинстве случаев используется правило , где Nскр, Nвх, Nвых - число нейронов соответственно в скрытом, входном и выходном слое.
В [16] предлагается правило геометрической пирамиды. Число нейронов скрытого слоя в трехслойном персептроне вычисляется из выражения , где Nскр, Nвх, Nвых - число нейронов в скрытом, входном и выходном слое.
Выбор правильного количества нейронов в скрытых слоях является очень важным. Недостаточное число нейронов не позволит сети обучиться Большое число нейронов приведет к увеличению времени обучения сети, до неприемлемого значения, и к эффекту переобучения сети - сеть будет прекрасно работать на обучающей выборке, и очень плохо на входных примерах, не входящих в нее. Это происходит из-за того, что сеть будет обладать избыточными способностями к обучению и наряду со значительными для данной задачи факторами будет учитывать черты, характерные лишь для данной обучающей выборки.
Рис.4. Значения чувствительности, специфичности для выхода «Норма» (а) и выхода «БЛВ» (б) и ошибки обучения (в).
По этой причине в работе использован метод в основе, которого лежит учет критериев оценки эффективности работы искусственной нейронной сети: чувствительность, специфичность и ошибка обучения. От параметров чувствительности и специфичности алгоритма зависит достоверность классификации ритмов сердца. Чувствительность характеризует достоверность определения аномальных эпизодов, а специфичность характеризует достоверность определения эпизодов нормального сердечного ритма.
Для нахождения оптимального числа нейронов скрытого слоя нейронной сети со структурой многослойного персептрона, необходимо произвести исследование показателей чувствительности и специфичности всех выходов сети.
Показатели чувствительности и специфичности в идеальном случае должны стремиться к 100%. В реальных условиях при решении задач диагностики, система должна выбрать один из нескольких вариантов диагноза. При этом по всем вариантам диагноза желательно иметь значения критериев чувствительности и специфичности системы по всем вариантам диагноза равномерно распределенными, но не ниже порогового значения, при котором результат не может считаться достоверным [17].
На рис. 4 показаны значения чувствительности и специфичности, показанные нейронной сетью, при различном числе нейронов в скрытом для двух вариантов выхода.
Для обучения нейронной сети был подготовлен набор данных из 458 эпизодов ЭКГ (обучающая выборка 50%, валидационная выборка 30%, и тестовая выборка 20%). Разработанная нейронная сеть содержит 9 входных нейронов, по числу учитываемых параметров, скрытый слой с 30 нейронами, и 5 нейронов в выходном слое (рис. 5).
Рис. 5. Архитектура нейронной сети
Подготовленные входные данные подаются на входной слой нейронной сети, выходной слой которой диагностирует состояние пациента как нормальное (здоров), блокада левой ножки пучка Гиса (БЛВ), блокада правой ножки пучка Гиса (БПВ), преждевременный предсердный комплекс (ППК), желудочковая экстрасистола (ЖЭ).
В качестве активационной функции в выходном слое использовалась сигмоидальная функция. Для обучения искусственной нейронной сети был использован алгоритм обратного распространения ошибки [18]. При определении выходного результата учитывается максимальное значение одного из выходных нейронов (этот сигнал интерпретируется как единица, а остальные как 0). Например, один из выходных нейронов имеет значение 0,87, если это максимальное значение в выходном слое нейронов, то оно будет интерпретировано как «1», т.е. значения других нейронов выходного слоя интерпретируется как «0».
Специфичность предложенной нейросетевой системы, проверена исследованием на контрольной группе без сердечно-сосудистых заболеваний, составила 81%. Чувствительность разработанной системы проверялась на контрольной группе с сердечно-сосудистыми заболеваниями, составила 79%. Точность обнаружения и извлечения компонентов сигнала ЭКГ, показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов.
Библиография
1. Всемирная организация здравоохранения [Электронный ресурс]: Сердечно-сосудистые заболевания. URL: http://www.who.int/mediacentre/factsheets/fs317/ru (дата обращения: 25.09.2016).
2. Lee J.W., Lee G. Design of an Adaptive Filter with a Dynamic Structure for ECG Signal Processing. International Journal of Control, Automation, and Systems, 2005, Vol. 3, No. 1, pp. 137-142.
3. Ince T., Kiranyaz S., Gabbouj M. A Generic and Robust System for Automated Patient-Specific Classification of ECG Signals, IEEE Transactions on Biomedical Engineering, 2009, Vol. 56, pp. 1415-1426.
4. Lin C.H., Du Y.C., Chen T. Adaptive wavelet network for multiple cardiac arrhythmias recognition. Expert Systems with Applications. 2008. No. 34, pp. 2601-2611.
5. Никитин В.М., Ломакин В.В., Анохин Д.А., Кайдалова И.К., Иванов И.И. Информационная система поддержки принятия решений слабоструктурированных задач в кардиологии // Научные ведомости БелГУ серия «История. Политология. Экономика. Информатика». 2010. № 19(90). Вып. 16/1. с. 112-119.
6. Файнзильберг Л.С., Лебедушко Т.Ю. Исследование диагностической ценности фазовых портретов ЭКГ по данным специализированных баз // Кибернетика и вычислительная техника. 2012. Вып. 169. С. 34-50.
7. Калиниченко А.Н. Оценка разделяющей способности методов классификации форм ЭКГ // Известия СПбГЭТУ "ЛЭТИ". Сер. Биотехнические системы в медицине и экологии. 2006. Вып. 1. С. 21-30.
8. Guangying Y., Yue C. The Study of Electrocardiograph Based on Radial Basis Function Neural Network," Intelligent Information Technology and Security Informatics (IITSI), 2010 Third International Symposium, pp.143-145.
9. Gao D., Madden M. Bayesian ANN Classifier for ECG Arrhythmias Diagnostic System,” Proceeding of IEEE International Joint Conference on Neural Network 2003 pp. 2454-2459.
10. База данных аритмий Массачусетского технологического института [Электронный ресурс]: Описание. URL: http://ecg.mit.edu/ (дата обращения: 20.09.2016).
11. Габриэль Хан М. Быстрый анализ ЭКГ. М.: Бином, 2009. 408 с.
12. S. Trenn, “Multilayer perceptrons: approximation order and necessary number of hidden units,” IEEE Transactions on Neural Networks, vol. 19, no. 5, pp. 836-844, 2008.
13. S. Xu and L. Chen, “A novel approach for determining the optimal number of hidden layer neurons for FNN's and its application in data mining,” in Proceedings of the 5th International Conference on Information Technology and Applications (ICITA '08), pp. 683-686, 2008.
14. J. Sun, “Learning algorithm and hidden node selection scheme for local coupled feedforward neural network classifier,” Neurocomputing, vol. 79, pp. 158-163, 2012.
15. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. - СПб: Наука и техника, 2003. - 380 с.
16. Masters T. Practical Neural Network Recipes in C++. Academic Press, 1993. -504p.
17. Салех М.А., Исаков Р.В. Оценка эффективности применения искусственных нейронных сетей для анализа сегментированных электрокардиокомплексов. Биомедицинская радиоэлектроника. № 6, 2012, с.21-27.
18. Мустафаев А.Г. Нейросетевая модель прогнозирования уровня глюкозы в крови у больных сахарным диабетом // Кибернетика и программирование. 2016. № 3
Размещено на Allbest.ru
Подобные документы
Электрографические, грудные и усиленные однополюсные отведения. Шестиосевая система отведений Бейли. Электродвижущая сила сердца. Положение электрической оси сердца. Определение частоты сердечных сокращений. Применение чреспищеводной электрокардиограммы.
презентация [1,8 M], добавлен 05.11.2013Диагностика заболеваний и травм сердечно-сосудистой системы и оказание неотложной доврачебной помощи при них. Стенокардия как одна из форм ишемической болезни сердца. Особенности острой сердечно-сосудистой недостаточности при физических перегрузках.
реферат [21,4 K], добавлен 21.04.2011Определение сердечно-сосудистой системы. Основные причины, признаки и симптомы при сердечно-сосудистых заболеваниях: одышка, удушье, учащенное сердцебиение, боль в области сердца. Статистика заболеваний ССС по Казахстану. Основные методы их профилактики.
презентация [78,5 K], добавлен 23.11.2013Режим функционирования сердца человека. Одномерная реализация сложного колебательного процесса, порождаемого электрической активностью сердца. Изменение частоты сердечных сокращений и уширение полосы частот при Фурье-анализе. Проведение вейвлет-анализа.
статья [1,2 M], добавлен 20.07.2013Метод выбора в диагностике патологических изменений сердечно-сосудистой системы у детей. Магнитно-резонансная томография у детей, ее использование. Современные протоколы описания порока сердца, разработанные в соответствии с международными стандартами.
презентация [256,7 K], добавлен 28.09.2014Семиотика поражений сердечно-сосудистой системы, ее анатомо-физиологические особенности и запасная сила у детей. Семиотика боли в области сердца (кардиалгии), изменений артериального давления, нарушений сердечного ритма. Семиотика шумов и пороков сердца.
курсовая работа [1,2 M], добавлен 12.12.2013Сравнительная характеристика приступов удушья при бронхиальной астме и болезнях сердечно-сосудистой системы. Пароксизмы удушья при узелковом периартериите. Профилактика заболеваний сердечно-сосудистой системы: диета, двигательный режим, вредные привычки.
контрольная работа [29,7 K], добавлен 19.11.2010Происхождение заболеваний сердечно-сосудистой системы. Основные заболевания сердечно-сосудистой системы, их происхождение и места их локализации. Профилактика заболеваний сердечно-сосудистой системы. Регулярные профилактические осмотры у кардиолога.
реферат [22,3 K], добавлен 02.06.2011Рассмотрение функциональных особенностей сердечно-сосудистой системы. Изучение клиники врожденных пороков сердца, артериальной гипертензии, гиппотезии, ревматизма. Симптомы, профилактика и лечение острой сосудистой недостаточности у детей и ревматизма.
презентация [382,4 K], добавлен 21.09.2014Особенности клинической диагностики сердечно-сосудистой системы спортсменов. Методы исследования электрической и механической деятельности сердца и сосудов. Систолическое давление в легочной артерии. Обработка результатов диагностических исследований.
курсовая работа [1,5 M], добавлен 06.04.2015