Аппаратно-программные средства и алгоритмы распознавания патологий сердца на основе персептронных сетей тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат технических наук Аль Мабрук Мохаммад

• Аль Мабрук Мохаммад
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Аль Мабрук Мохаммад

Список обозначений сокращений

ВВЕДЕНИЕ

Глава 1. СОВРЕМЕННЫЕ ПОДХОДЫ К АВТОМАТИЗИРОВАННОЙ

ОБРАБОТКЕ И АНАЛИЗУ ЭЛЕКТРОКАРДИОГРАММ

1.1. Метод электрокардиографии и структурные особенности электрокардиограмм

1.2. Основные качественные и количественные характеристики электрокардиограммы условно здорового человека

1.3. Классификация основных патологических нарушений в работе сердца

1.4. Основные этапы автоматизированного анализа электрокардиограмм

1.5. Дисперсионный метод анализа электрокардиограмм

1.6. Использование искусственных нейронных сетей (ИНС) в анализе электрокардиограмм

1.7. Практический опыт использования ИНС в медицине

1.8. Выводы

Глава 2. ОСНОВНЫЕ ПОЛОЖЕНИЯ ТЕОРИИ ИНС

2.1. Мозг и биологический нейрон

2.2. Искусственные нейронные сети

2.3. Типы функций активаци и

2.4. Топология нейронных сетей

2.5. Архитектура искусственных нейронных сетей

2.6. Методы обучения ИНС 66 2.6.1 Парадигма обучения ИНС 68 2.6.2.Основные алгоритмы обучения ИНС

2.7. Типы нормализации

2.8. Выводы

Глава 3. РАЗРАБОТКА АЛГОРИТМОВ РАСПОЗНАВАНИЯ ПАТОЛОГИЙ СЕРДЦА НА ОСНОВЕ ИНС

3.1. Базовые основы создания образа в системах диагностики патологии сердца на основе ИНС

3.2. Разработка алгоритмов программ для создания образов 85 3.2.1. Алгоритм подготовки образов для БД патологий сердца 85 3.2.2 . Алгоритм подготовки образов для БД аритмий сердца

3.3. Разработка алгоритмов создания обучающих и тестовых БД

3.4. Варианты построения структурной организации ИНС

3.5. Процедура кодирования соответствия входов и выходов ИНС в 96 режиме обучения и тестирования

3.6. Алгоритмы исследования ИНС на основе МайаЬ

3.7. Алгоритмы автоматизации исследования структур искусственных нейронных сети

3.7.1. Алгоритмы исследования структуры ИНС многослойный персептрон

3.7.2. Алгоритмы исследования структуры ИНС модульного типа

3.8. Основные этапы экспериментального исследования структуры искусственной нейронной сети

3.9. Оценка оптимального число нейронов скрытого слоя ИНС 106 ЗЛО. Выводы

Глава 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

ПРИМЕНЕНИЯ ИНС ДЛЯ РАСПОЗНАВАНИЯ ПАТОЛОГИЙ

СЕРДЦА

4.1. Результаты экспериментального исследования ИНС «Многослойный персептрон» для базы данных «Патологии сердца»

4.2. Результаты экспериментального исследования ИНС «Многослойный персептрон» для базы данных «Аритмии сердца»

4.3. Результаты экспериментального исследования ИНС модульного типа для базы данных «Патологии сердца»

4.4. Результаты экспериментального исследования ИНС 124 модульного типа для базы данных «Аритмии сердца»

4.5. Сопоставительный анализ результатов исследования ИНС 132 «Многослойный персептрон» и структуры модульного типа

4.6. Экспериментальный аппаратно - программный комплекс функциональной диагностики сердца

4.7. Выводы

Введение диссертации (часть автореферата) на тему «Аппаратно-программные средства и алгоритмы распознавания патологий сердца на основе персептронных сетей»

Актуальность проблемы. Заболевания сердечнососудистой системы (ССС) являются наиболее распространенной причиной смертности и инвалидности во всем мире. По данным Всемирной организации здравоохранения (ВОЗ) смертность от ССС составляет 30% в мире и 42% в Европе.

Анализ литературы показывает, что проблеме повышения эффективности диагностики ССС уделяется очень большое внимание, как в России, так и за рубежом. Постоянно совершенствуются существующие и разрабатываются новые методы и средства обработки электрокардиосигнала (ЭКС).

Одним из интенсивно развивающихся и перспективных направлений развития средств функциональной диагностики ССС является применение искусственных нейронных сетей (ИНС).

Большой вклад в развитие направления ИНС в медицине внесли многие учены и специалисты, как в России, так и за рубежом, в том числе: Галушкин А.И., Мызников A.B., Россиев Д.А., Лохман В.Ф. Масалович А.И., Baxt W.G., Hoher M, Kestler H.A, Golovenkin S.E., Shulman V.A., Matjushin G.V. и др.

Для выявления заболеваний ССС разработаны модели искусственных нейронных сетей (ИНС). Использование нейросетевого анализа в клинической практике способствует повышению точности диагностики заболеваний сердечно-сосудистой системы.

С учетом сказанного актуальность данной диссертации определяется необходимостью разработки, исследования и внедрения современных нейросетевых технологий в аппаратно - программные комплексы функциональной диагностики сердца (АПК ФДС).

В связи с этим целью данной работы является повышение достоверности распознавания наиболее часто встречающихся патологий сердца путем совершенствования аппаратно - программных средств обнаружения патологий на основе применения технологии искусственных нейронных сетей.

Объектом исследования является автоматизированная система функциональной диагностики сердечно-сосудистой системы.

Предметом исследования является изучение возможности и целесообразности применения искусственной нейронной сети (ИНС) для распознавания наиболее часто встречающихся патологий сердца.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ литературы по существующим методам автоматизированной обработки ЭКГ и возможностям применения нейронных сетей в задачах медицинской функциональной диагностики.

2. На основе теории ИНС выбрать и обосновать основные свойства и параметры искусственной нейросети.

3. Сформировать необходимый объем обучающих и тестовых ЭКГ-данных в «норме» и при наиболее часто встречающихся патологиях.

4.Разработать алгоритмы создания обучающих образов, а также алгоритмы создания обучающих и тестовых баз данных ЭКГ с наиболее часто встречающимися патологиями сердца.

5.Разработать специализированные алгоритмы автоматизации проведения экспериментальных исследований ИНС с целью обоснованного выбора варианта структуры ИНС в качестве основы нейросетевых блоков, а также определить для выбранных структур ИНС оптимальное число нейронов скрытого слоя.

6.Провести экспериментальные исследования разработанных специализированных нейросетевых блоков анализа патологий сердца и оценить эффективность их функционирования на основе выбранных критериев.

Область исследований. Решение научно — технической задачи инструментального развития современных медицинских технологий на основе создания аппаратно - программных комплексов функциональной медицинской диагностики (технические науки).

Методы исследования. Для решения поставленных в работе задач использовались методология системного анализа, теория искусственных нейронных сетей (ИНС) и распознавания образов, цифровая обработка сигналов, статистика и экспериментальные исследования. В процессе работы использовался программный пакет Neural Network Toolbox системы Matlab 7.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

1. Предложена модульная структура реализации блоков нейросетевого анализа ЭКГ для функциональной диагностики сердца и распознавания наиболее часто встречающихся патологий, отличающаяся повышенной чувствительностью и специфичностью к патологиям, малой ошибкой обучения и возможностью расширения числа анализируемых патологий.

2. Разработан алгоритм создания входных образов ЭКГ — записей на основе формы P-QRS-T комплекса, обеспечивающий специализированную предварительную обработку ЭКС.

3. Предложена процедура кодирования выходов для ИНС модульного типа, обеспечивающая функциональную связь между входами и выходами ИНС и выполнение ее целевой функции.

4. Разработаны методики нахождения оптимального количества нейронов скрытого слоя для двух вариантов структур ИНС на основе обеспечения равномерного распределения значений чувствительности и специфичности по каждой патологии, что способствует повышению эффективности работы ИНС и дает возможность выбора такого сочетания значений чувствительности и специфичности, при которых обеспечивается максимальная достоверность распознавания патологии.

Практическая значимость. Разработанные на основе многослойного персептрона модульной структуры нейросетевые блоки распознавания патологий (8) и аритмий (12) обеспечивают: автоматический поиск и диагностику патологий сердца в режиме реального времени с чувствительностью 88% и 83% и специфичностью 98% и 99% при распознавании патологий и аритмий соответственно, а также расширение функциональных возможностей без переобучения уже имеющихся модулей.

Разработанные методики и алгоритмы нахождения оптимального количества нейронов скрытого слоя для многослойного персептрона и структуры модульного типа обеспечивают возможность выбора такого сочетания значений чувствительности и специфичности, при которых достоверность выполнения целевой функции ИНС максимальна.

Экономическая и социальная значимость работы состоит в повышении эффективности функциональной диагностики ССС, и улучшении качества медицинского обслуживания населения.

Достоверность научных положений. Достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается результатами тестирования на основе баз данных ЭКГ из архива PhysioNet (PTB,MIH-BIH), экспериментальных исследований и апробации разработанных специализированных нейросетевых блоков распознавания патологий сердца.

Основные научные положения, выносимые на защиту.

1. Структура ИНС модульного типа, состоящая из параллельно расположенных нейросетевых модулей, каждый из которых ориентирован на распознавание конкретной патологии. Такая структура пбвышает эффективность распознавания патологий сердца, а также позволяет расширить функциональные возможности путем развития структуры нейросетевого блока без переобучения готовых модулей.

2. Алгоритм создания входных образов кардиокомплексов на основе формы P-QRS-T комплекса обеспечивает получение полной информации о его форме и предварительную обработку ЭКС.

3 Разработанные на основе критериев чувствительности, специфичности и ошибки обучения методики и алгоритмы нахождения оптимального числа нейронов скрытого слоя ИНС модульного типа и «Многослойный персептрон» обеспечивают повышение эффективности нейросетевых блоков по распознаванию наиболее часто встречающихся патологий сердца.

Результаты внедрения работы. Основные теоретические и практические результаты работы внедрены в научно-исследовательской деятельности и в учебный процесс кафедры биомедицинской инженерии Владимирского государственного университета при подготовке специалистов по направлению 200300 - «Биомедицинская инженерия». Созданное методическое и программное обеспечение прошло апробацию в МУЗ 1-я Городская поликлиника г. Владимира, а также в Центре содействия укреплению здоровья студентов ВлГУ и в учебно-научном медицинском центре ВлГУ.

Личный вклад автора. В работах, опубликованных в соавторстве, автором предложены алгоритмы программ автоматизации исследований, проведено компьютерное моделирование, выполнены лично основные расчеты,, произведен анализ результатов.

Апробация работы. Основные научные и практические результаты работы докладывались и обсуждались на: VII международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии», Владимир, 2008г; IX международная научно-техническая конференция «Физик и радиоэлектроника в медицине и экологии» (ФРЭМЭ), (г. Владимир, 201 Ог); международная выставка «Медицина +» , 2010г., (г. Нижний Новгород, 2010 г); международный конгресс «Кардиостим 2010», (г. Санкт — Петербург, 2010 г); Всероссийская научная школа по биомедицинской инженерии, СПбГЭТУ, (г. Санкт - Петербург, 20Юг); конференция с элементами научной школы для молодежи «Биомедсистемы 20 Юг», РГТУ,( г. Рязань, 2010 г). 66-ая Всероссийская конференция с международным участием «Научная сессия, посвященная Дню радио», (г. Москва, 2011 г)

Работа выполнялась при поддержке Гранта МК-2392.2009.8 Президента РФ молодым российским ученым.

Публикации. Самостоятельно и в соавторстве по материалам диссертации опубликованы 10 работ, в том числе 4 на всероссийских конференциях, 3 на международных конференциях, 3 статьи в профильных журналах, рекомендованных ВАК РФ.

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, библиографического списка, включающего 120 наименований, и 3 приложений. Объём диссертации 159 страницы машинописного текста, 80 рисунков и 24 таблицы.

Заключение диссертации по теме «Приборы, системы и изделия медицинского назначения», Аль Мабрук Мохаммад

Заключение

Диссертационная работа посвящена решению научно технической задачи, связанной с инструментальным развитием современных медицинских технологий на основе совершенствования аппаратно — программных средспз обнаружения наиболее часто встречающихся патологий сердце.

Проблема автоматизированного анализа электрокардиосигнала связана с необходимостью профилактической диагностики сердечно-сосудистой системы у большого числа людей для выделения группы риска. Для этой цели была применена методология нейронных сетей. В результате был разработаны нейросетевые блоки распознавания наиболее часто встречающихся патологий сердце, способствующие расширению развитию инструментальных средств функциональной диагностики сердца.

В ходе проведенных исследований получены следующие основные резуль 1 п I ы

1. На основе анализа литературы по существующим методам автоматизированной обработки ЭКГ и возможностям применения нейронных сетей в задачах медицинской функциональной диагностики определены: качественные и количественные характеристики ЭКГ; основные этапы и методы анализа и обработки ЭКГ; стандартные процедуры диагностики электрокардиосигналов на основе признаков, подверженных сильному влиянию помех и артефактов, что, в случае классического автоматизированного анализа, может привести к неточным заключениям.

Отмечено, что метод дисперсионного картирования (ДК), используем мм п задачах автоматического анализа ЭКС (например, «Кардиовизор-бС»), может служить в качестве аналога для сопоставительного анализа результатов применения разработанных нейросетевых блоков.

2. Анализ теории ИНС позволил выбрать и обосновать свойства и параметры искусственной нейросети для разработки и создания нейросетевых блоков распознавания наиболее часто встречающихся патологий сердца, в том числе функция активации; топология и структура сети; парадигма и метод обучения.

Для нормирования данных выбрана линейная нормализация входных образов.

3. Сформирован необходимый объем обучающих и тестовых ЭКГ- данных в «норме» и при патологиях на основе базы данных ЭКГ Physikalisch-Technische Bundesanstalt (РТВ) и базы данных (БД) аритмий создана на основе архива МТТ-BIH Arrhythmia Database Массачусетского технологического института из архива PhysioBank, представляющего массив цифровых записей физиологических сигналов и связанных с ними данных.

Выбраны 8 типов ЭКС, в том числе: норма; инфаркт миокарда; блокады ножки пучка Гиса; кардиомиопатия; аритмии, сердечные недостаточности; гипертрофия (миокарда); пороки клапанов сердца, а также 12 типов ЭКС, один из которых соответствует нормальному ритму, а остальные соответствуют аритмиям вида: блокада левой ножки пучка Гиса; блокада правой ножки пучка Гиса; предсердная экстрасистола; аберрированная предсердная экстрасистола; атриовентрикулярная экстрасистола; желудочковая экстрасистола; слияние желудочкового и нормального сокращений; атриовентрикулярная блокада; пропуск наджелудочкового сокращения; сокращение вызванное электрокардиостимулятором; слияние вызванного и собственного сокращения сердца.

4. Разработаны алгоритмы создания образов кардиокомплексов на основе формы P-QRS-T комплекса, особенностью которых является реализация специально разработанной процедуры предварительной обработки входного ЭКС, позволяющей упростить процесс регистрации ЭКГ.

5. Разработаны алгоритмы для создания обучающих и тестовых баз данных ЭКГ (БД «Патологии и Аритмии»), причем обучающая БД используется для обучения и оценки средней квадратичной ошибки; а тестовая БД используется для тестирования и оценки значений чувствительности и специфичности в зависимости от числа нейронов скрытого слоя.

6. На основе экспериментальных исследований и критериев оценки эффективности ИНС обоснован выбор структуры искусственной нейросети модульного типа как основы нейросетевых блоков для АПК функциональной диагностики сердца. В качестве критериев были использованы: чувствительность - как мера обнаружения присутствия искомого заболевания; специфичность - как мера точности определения отсутствия исследуемого заболевания; ошибка обучения - как мера точности обучения.

7. Было выявлено, что наибольшей эффективностью распознавания патологий обладает модульная структура построения нейросетевого блока, для ко юрой при одинаковой средней специфичности - 98%, средняя чувствительность оказалась на 10% выше, чем у многослойного персептрона, а средняя ошибка составила величину порядка 0,0016 (0,0056 - в случае многослойного персептрона).

В случае распознавания аритмий модульная структура нейросетевого блока также показал хорошие результаты. Здесь средняя чувствительность составила 83% (80,5% в случае многослойного персептрона), средняя специфичность - 99, 56% (99,32% в случае многослойного персешрона), а средняя ошибка обучения составила величину порядка 0,005 (0,007 - в сиччас многослойного персептрона).

8. Разработаны методики нахождения оптимального числа нейронов скрытого слоя для двух вариантов структур ИНС модульного типа и «Многослойной персептрон», с помощью которых обеспечивается достижение наиболее равномерного распределения критериев достоверности наличия или отсутствия патологии (чувствительности и специфичности), т.е. максимальная достоверность диагностики.

9. Проведено экспериментальное исследование разработанных специализированных нейросетевых блоков анализа наиболее чаем о встречающихся патологий и аритмий сердца, а также на основе выработанных критериев проведен сопоставительный анализ полученных результатов с результатами исследования аналога «Кардиовизор-бС».

Результаты тестирования и апробации показали более высокую достоверность разделения кардиокомплексов на классы «норма» и «патология». В частности, ИНС модульного типа обеспечивает чувствительность на 5%, специфичность - на 26% выше, чем «Кардиовизор-6С».

Таким образом, повышенная чувствительность к патологиям, малая ошибка обучения и возможность неограниченного расширения числа анализируемых патологий позволяет считать модульную структуру нейросетевого блока оптимальным выбором для решения задач функциональной диагностики сердца.

Разработанные и исследованные аппаратно-программные средства и алгоритмы распознавания патологий сердца на основе персептронных сетей могут использоваться в системах автоматизированного анализа функционального состояния сердечнососудистой системы, при проведении массовых экспресс - исследований с целью выделения «групп риска», а также в программах автоматизированной расшифровки суточной записи ЭКГ.

В настоящее время ведётся совершенствование и развитие данного аппаратно — программного комплекса и разрабатываются новые нейросетевые модули, увеличивающие его функциональные возможности системы.

Список литературы диссертационного исследования кандидат технических наук Аль Мабрук Мохаммад, 2011 год

1. Прогнозирование течения острого инфаркта миокарда / В.А. Петрухин, H.A. Гватуа, В.А. Шумаков и др. // Методические рекомендации МЗ УССР. -Киев, 1986. С. 17

2. Петрухин В.А. . Мамаев В.Н. Дроздов Р.В. Сравнительного анализа последовательных векторэлектрокардиограмм для оценки локальных изменений состояния миокарда Комп'ютерш засоби, мереяи та системи. 2005, № 4 С. 131.

3. Патент Украины № 20020324456. Cnoci6 д1агностики локальних змш стану мюкарда Петрухин В.А., Мамаев В.Н., Петрухина Т.А.,. Коваленко. А.С Опубл. 28.03.2002.

4. Патент DE 198 01 240: Soula А., Gillessen W., Kitashine Y. Verfahren und Vorrichtung zur Darstellung und Überwachung von Funktionsparametern eines physiologischen Systems, 1999.

5. Патент DE 199 33 277: Soula A., Kitashine Y., Gillessen W. Verfahren und Vorrichtung zur visuellen Darstellung und Überwachung physiologischer Funktionsparameter, 2001.

6. Пособие для врачей Использование прибора КардиоВизор-Обс для скрининговых исследований, метод дисперсионного картирования. Рябыкина Г.В. Сула A.C. 2004г.С-44.

7. Хайкин С., Нейронные сети: полный курс, 2-е изд., испр. : Пер. с англ. М. : ООО "И.Д. Вильяме", 2006. - 1104с.

8. РоН R., Cagnoni S., Livi R. et al. A Neural Network Expert System for Diagnosing and Treating Hypertension// Computer.- 1991.- N.3.- P.64-71.

9. Gindi G.R., Darken C.J., O'Brien K.M. et al. Neural network and conventional classifiers for fluorescence-guided laser angioplasty // IEEE Trans. Biomed. Eng.1991.- V.38, N.3.- P.246-252.

10. Allen J., Murray A. Development of a neural network screening aid for diagnosing lower limb peripheral vascular disease from photoelectric plethysmography pulse waveforms //Physiol. Meas.- 1993.- V.14, N.I.- P. 13-22.

11. Astion M.L., Wener M.H., Thomas R.G., Hunder G.G., Bloch D.A. Application of neural networks to the classification of giant cell arteritis // Arthritis Reum.- 1994.-V.37, N.5.- P.760-770.

12. Baxt W.G. A neural network trained to identify the presence of myocardial infarction bases some decisions on clinical associations that differ from accepted clinical teaching //Med. Decis. Making.- 1994.- V.14, N.3.- P.217-222.

13. Baxt W.G. Complexity, chaos and human physiology: the justification for non-linear neural computational analysis // Cancer Lett.- 1994.- V.77, N.2-3.- P.85-93.

14. Baxt W.G. Use of an artificial neural network for the diagnosis of myocardial infarction // Ann. Intern. Med.- 1991.- V. 1 15. N. 1 1.- P.843-848.

15. Baxt W.G. Analysis of the clinical variables driving decision in an artificial neural network trained to identify the presence of myocardial infarction // Ann. Emerg. Med.1992.- V.21, N.12.- P.1439-1444.

16. Guo Z., Durand L.G., Lee H.C. et al. Artificial neural networks in computer-assisted classification of heart sounds in patients with porcine bioprosthetic valves // Med. Biol. Eng. Comput.- 1994.- V.32, N.3.-P.311-316.

17. Barschdorff D., Ester S., Dorsel T et al. Phonographic diagnostic aid in heart defects using neural networks // Biomed. Tech. Berlin.- 1990.- V.35, N.l 1.- P.271-279.

18. Okamoto Y., Nakano H., Yoshikawa M. et al. Study on decision support system for the interpretation of laboratory data by an artificial neural network // Rinsho. Byori.-1994.- V.42, N.2.-P. 195-199.

19. Maclin P.S., Derapsey J. Using an artificial neural network to diagnose hepatic masses // J. Med. Syst.- 1992,- V.16, N.5.- P.215-225.

20. Rinast E., Linder R., Weiss H.D. Neural network approach for computer-assisted interpretation of ultrasound images of the gallbladder // Eur. J. Radiol.- 1993.- V.17. N.3.- P.175-178.

21. Ercal F., Chawla A., Stoeker W.V. et al. Neural network diagnosis of malignant melanoma from color images // IEEE Trans. Biomed. Eng.- 1994.- V.41, N.9.- P.837-845.

22. Lee H.-L., Suzuki S., Adachi Y. et al. Fuzzy Theory in Traditional Chinese Pulse Diagnosis // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993.- Nagoya, 1993.- V. 1P.774-777.

23. Hoher M., Kestler H.A., Palm G. et al. Neural network based QRS classification of the signal averaged electrocardiogram // Eur. Heart J.- 1994.- V.15.- Abstr. Supplement Xll-th World Congress Cardiology (734).- P.l 14.

24. Gross G.W., Boone J.M., Greco-Hunt V. et al. Neural networks in radiologic diagnosis. II. Interpretation of neonatal chest radiographs // Invest. Radiol.- 1990.- V.25, N.9.- P.1017-1023.

25. Floyd С JE. Jr., Lo J.Y., Yun A.J. et al. Prediction of breast cancer malignancy using an artificial neural network // Cancer.- 1994.- V.74, N. 11.- P.2944-2948.

26. Korver M., Lucas P.J. Converting a rule-based expert system into a belief network // Med. Inf. Lond.- 1993.- V.18,N.3.- P.219-241.

27. Голухова, Е.З. Неинвазивная аритмология Текст./ Е.З. Голухова. М.: Издательство НЦССХ им. А.Н.Бакулева, РАМН, 2002. 148 с.

28. Струтынский A.B. Электрокардиограмма : анализ и интерпретация 2 М., Медпресс-информ 2002 С- 224.

29. Азбука клинической электрокардиографии: Учеб. пособие. Н.Новгород: Изд-во НГМА. 1998.-С. 150.

30. Аритмии сердца. В 3 томах. Том 1: Пер. с англ./Под ред. В.Дж. Манделла. М.: Медицина. 1996. - 512 с.

31. Физиология человека: в 3-х томах. Т. 1. Пер. с англ. Под ред. Шмидта Р. и Тевса Г. М.: Мир, 1996.-323 с.

32. Гезеловиц Д. Б. К теории электрокардиограммы // ТИИЭР, том 77, № 6, июнь 1989.

33. Агаджанян Н. А., Тель JI. 3., Циркин В. И., Чеснокова С. А. Физиология человека. -М.: Медицинская книга, Н.Новгород, Изд-во НГМА. 2001. С.562

34. Руководство по кардиологии. Т. 2: Методы исследования сердечно-сосудистой системы. Под. ред. Чазова Е. И. / АМН СССР. М.: Медицина, 1982. 624 е.: ил.

35. Дошицин В. JI. Клинический анализ электрокардиограммы. М.: Медицина. 1982.С.206.

36. Кушаковский М.С., Аритмии сердца. Нарушение сердечного ритма и проводимости. 3-е изд. С Пб: Фолиант.2004г.С.640.

37. Дехтярь Г .Я. Электрокардиографическая диагностика. — 2-е изд., перераб. и доп. — М: Медицина, 1972. 416с

38. Князев М.Д., Кириченко А.А., Аслибекян И.С. Динамика нарушений ритма и проводимости при хирургическом лечении ишемической болезни сердца. // Кардиология. -1981. -Т.21. -N 3. -С. 15-18.

39. Круглов В.В., Борисов В. В. К84 Искусственные нейронные сети. Теория и практика. -2-е . стереотип М : Горячая лииия-Телеиом. 2002 -382с: ил ISBN 593517-031-0.51 .Мегрелидзе К.Р. Основные проблемы социологии мышления, "Мецниэреба", Тбилиси, 1973.

40. Чернухин Ю.В. Нейропроцессоры. Таганрог, 1994.

41. Масалович А.И. От нейрона к нейрокомпьютеру // Журнал доктора Добба.-1992.- N.I.- С.20-24.

42. Меппоп А., К. Mehrotra, С.к. Mohan and S. Ranka. "Characterization of a class of sigmoid functions with aplications to пеига! networks", Nenral Networks, 1996, yol. 9. p. 819835.

43. Geman S., E. Bienenstock and R. Donrsat. "Nenral networks and the bias/variance dilemma", Nenral Compntation, 1992, vol. 4, p. 158.

44. Feller W. 1968. An Tntrodnction to Probability Theory alld its Aplications. vol 1. 3rd edition, New York: John Wiley; 1st edition, 1950.

45. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296с.

46. Дьяконов В. Математические пакеты расширения Matlab. Справочник.

47. Еркин С.Н., Чижков А.В. Перспективные информационные технологии и интеллектуальные системы, 2007, №3 (31). Нейронные сети. Основные положения. Архитектуры.

48. Круглов В.В., и др. Нечеткая логика и искусственные нейронные сети. Физматлит . 2001 С 221

49. Rosenblatt F. 1962. Principles of Neurodinamics. New York: Spartan Books. Русский перевод: Розенблатт Ф. Принципы нейродинамики. -М: Мир. 1965.

50. Qrossberg S. 1969. Some networks that can learn, remember and reproduce any number of complicated space-time patterns. Journal of Mathematics and Mechanics, 19:53-91.

51. Senashova Masha Yu., Gorban Alexander N., and Wunsch Donald. "Back-Propagation of Accuracy"// Proc. IEEE/INNS International Conference of Neural Networks, Houston, IEEE,1997, pp. 1998-2001

52. Галушкин А.И. Нейронные сети. Основы теории. М.5 "Горячая Линия -Телеком" -2010 г.С.496

53. Оганезов A.JI. Применение нейронных сетей в задачах распознавания образов текст./A.JI. Оганезов.//Табиллис-си: ТГУим.И.Н. Джавахищвили,2009.С,149

54. Горбань А.Н. Обучение нейронных сетей. Москва, "ПараГраф", 1990. возможности нейронных сетей.

55. Wasserman P. D. 1988а. Combined backpropagation/Cauchy machine. Proceedings of the International Neural Network Society. New York: Pergamon Press.

56. Короткий.С. Нейронные сети алгоритм обратного pacпpocтpaнeния//http://www.neuropower.de/rus/books/index.html.

57. Hebb D. 0. 1961. Organization of behavior. New York: Science Edition.

58. Сотник С. Л, Конспект лекций по курсу "основы проектирования систем искусственного интеллекта", Москва, 1998 http://neuroschool.narod.ru/books/sotnik.htm.

59. Короткий С. Нейронные сети Хопфилда и Хэмминга //http://www.neuropower.de/rus/boolcs/index.html.

60. Крисилов В.А., Олешко Д.Н. Методы ускорения обучения нейронных сетей. М.: «Гардарика». 2005. 1042 с.

61. Сенашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов. С-Пб.: Мир. 2000. 682 с.

62. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика/ пер. с аттп М.-«Гардарика», 2005. 748 с. ISBN 9-4973-0496-6 (рус.)

63. Галушкин А.И. Методы синтеза систем распознавания образов // Труды МИЭМ, вып.6, 1970, с. 133-171.

64. American College of Cardiology / American Heart Association Guidelines for Ambulatory Electrocardiography. // JACC VOL. 34, No. 3, September, 1999. pp.912948

65. Аль мабрук М. Блок параллельной регистрации ЭЭГ и ЭКГ сигналов тек-cij/ Л.Т.Сушкова, Р.В. Исаков, Аль мабрук М. // VII Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и эколо! ии» ФРЭМЭ' 2008г. С131-135.

66. Аль мабрук М. Проблемы исследования нейронных сетей в автоматизированном анализе электрокардиосигналов текст. / Р.В. Исаков, Аль Мабрук М., ЮА. Лукьянова //Вестник Аритмологии, приложение А, 2010 г. С 175.

67. Аль Мабрук М. Результаты исследования нейронных сетей в задачах распознавания аритмий сердца текст. / Р.В. Исаков, Аль мабрук М.,// Сборник трудов молодых ученых «Всероссийская научная школа по биомедицинской инженерии», БМИ СПбГЭТУ 2010 г. С 163-167.

68. Аль Мабрук М. Комплекс обработки и анализа биоэлектрических сигналов текст. / Р.В. Исаков, Аль Мабрук М., Салех М. // 66-ую Всероссийскую конференцию с международным участием «Научная сессия, посвященная Дню радио», г. Москва, 2001г. С 408-410.

69. Рангайян P.M. Анализ биомедицинских сигналов/ пер. с англ. М.: Физматлит, 2007. 440 с. ISBN 978-5-9221-0730-3

70. Окороков, А.Н. Диагностика болезней внутренних органов. Диагностика болезней сердца и сосудов Текст. / А.Н. Окороков. Под редакцией Н.Е. Федорова. М.: Мед. литр. 2006. 464с.

71. Дабровски, А. Суточное мониторирование ЭКГ Текст. / А. Дабровски, Б. Дабровски. М.: Медпрактика, 2000. 208 с.

72. Ильинский, Б.В. Ишемическая болезнь сердца и наследственность. Текст. / Б.В. Ильинский, С.К. Клюева// J1.: Медицина, 1985. 176 с.

73. Прогнозирование ишемической болезни сердца с использованием геномных и компьютерных технологий Текст. / Ю.И. Журавлев, Г.И. Назарешсо, В.В. Рязанов, Е.Б. Клейменова// Кардиология, 2010. том 49, №1.

74. Галушкин А.И. Многослойные системы распознавания образов.-М., МИЭМ, 1970, с.167.

75. Галушкин А.И. Синтез многослойных систем распознавания образов. М., Энергия, 1974, с.368.

76. Вайсман М. В., Прилуцкий Д. А., Селищев С. В. Алгоритм синтеза имитационных электрокардиосигналов для испытания цифровых электрокардиографов. Электроника.-2000.-.\Г4.-С.21 -24.

77. ЮЗ.Вильнер Б. Я., Пешее JI. Я. Очерки по биологической кибернетике. -Минск: Выш. шк. 1977.-191с.

78. Ю4.Войнов В. Б., Воронова Н. В., Золотухин В. В. Методы оценки состояния систем кислородообеспечение организма человека: Учеб.-мет-ое пособие. / Под ред. Кураев Г. А., Ростов-на-Дну, 2002. 76 с.

79. Ю5.Воробьев В. И., Грибунин В. Г. Теория и практика вейвлет преобразования. -СПб.: ВУС, 1999.-204 с.

80. Ю9.Сергиенко А. Б. Цифровая обработка сигналов: Учебник для вузов. СПб.: Питер, 2002. - 608 с.

81. Парин В. В., Баевский Р. М. Кибернетика в медицине и физиологии. М.: Медгиз., 1963. С. 50.

82. Милославский Я. М., Ходжаев Д. К., Нефедова А. И., Ослопов В. Н. Основные инструментальные методы исследования сердца. Издательство Казанского университета. 1983.

83. Макс Ж. Методы и техника обработки сигналов при физических измерениях: В 2-х томах. Пер. с франц. М.: Мир, 1983. - Т.2. 256 е., ил.

84. Анищенко В. С., Игошева Н. Б. Павлов А. Н., Якушева Т. А. Сравнительный анализ методов классификации состояния сердечно-сосудистой системы при стрессе //Биомедицинская радиоэлектроника, 2000, №2, С. 24-37.

85. Ардашев А. В., Новосельский П. А. и др. Устойчивость синусового ритма после электрической кардиоверсии у больных с пароксизмальной мерцательной аритмией предсердий, Кардиостим, 2004, № 252.

86. Кардиоанализатор девятиканальный компьютеризированный ЭК9Ц-01-«КАРД» руководство по эксплуатации МКС. КАРД.001-РЭ 2003 http://www.mks.ru С.24

87. Кавасма Р.А, кузнецов A.A., Сушкова JI.T. Автоматизированный анализ и обработка электрокардиографических сигналов. Методы и система / Под ред. Профес. JI.T. Сушковой.- М.: Сайнс-пресс,2006. 144 с.:или.