Автоматизированная система прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца на основе нечетких сетевых моделей: технические и медицинские системы тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Грахов, Алексей Алексеевич

• Грахов, Алексей Алексеевич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Грахов, Алексей Алексеевич

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ ДЛЯ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ

БОЛЕЗНИ СЕРДЦА.

1Л. Классификация ишемической болезни сердца и ее клинические проявления .;.'.

1.2. Причины и факторы риска развития ишемической болезни сердца.

1.3. Современные методы диагностики ишемической болезни сердца: лабораторные и инструментальные исследования.

1.4. Традиционные подходы к диагностике ишемической болезни сердца по ЭКГ.

1.4.1. Структурный анализ — анализ смещения ST-сегмента.

1.4.2. Построение диагностической процедуры ИБС с начальными клиническими проявлениями на основе метода спектрально-временного картирования ЭКГ высокого разрешения.

1.5. Нечеткие сетевые модели для принятия решений.

1.6. Цель и задачи исследования.

ГЛАВА 2. СИНТЕЗ ПРИЗНАКОВОГО ПРОСТРАНСТВА ДЛЯ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА.

2.1. Синтез подпространства информативных признаков на основе преобразования Фурье электрокардиосигнала.

2.2. Исследование информативных признаков, полученных на основе АР-моделей ОПФ электрокардиосигнала.

2.3. Использование метода адаптивного квантования мод при исследовании вейвлет-изображений электрокардиосигналов больных ИБС.

2.4. Синтез подподпространств информативных признаков на основе вейвлет-анализа электрокардиосигнала.

2.4.1. Синтез признакового подпространства на длинных апертурах.

2.4.2. Синтез признакового подпространства на коротких апертурах.

Ml | I

2.5. Выводы второй главы.

ГЛАВА 3. ИЕРАРХИЧЕСКИЕ НЕЧЕТКИЕ НЕЙРОННЫЕ СЕТИ В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ

СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ.

3.1. Разработка и исследование автоматизированной системы для поддержки принятия решений при диагностике ИБС

3.2. Разработка и анализ моделей нечетких нейросетевых структур в выбранном континууме признаковых подпространств.

3.3. Модель нечеткой нейронной сети в синтезированном признаковом пространстве.

3.3.1. Решающие модули для первого и второго признакового подпространства.

3.3.2. Разработка и исследование решающего модуля для третьего подпространства информативных признаков.

3.3.3. Разработка и исследование решающего модуля для четвертого подпространства информативных признаков.

3.3.4. Модель дефуззификатора нечеткой нейронной сети.

3.3. Интерактивная среда проектирования нечетких решающих модулей.

3.5. Выводы третьей главы.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ НЕЧЕТКИХ

ИЕРАРХИЧЕСКИХ НЕЙРОСЕТЕВЫХ СТРУКТУР ПРОГНОЗИРОВАНИЯ, РАННЕЙ И ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА.

4.1. Объект, методы и средства исследования.

4.2. Исследование эффективности автоматизированной системы при выявлении больных ИБС.

4.3. Результаты экспериментальной проверки правил прогнозирования ИБС.

4.4. Результаты экспериментальных исследований правил принятия решений по дифференциальной диагностике ИБС.

4.5. Результаты экспериментальных исследований правил принятия решений по ранней диагностике ИБС.

4.6. Выводы четвертой главы.

Введение диссертации (часть автореферата) на тему «Автоматизированная система прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца на основе нечетких сетевых моделей: технические и медицинские системы»

Актуальность работы. В нашей стране от сердечно-сосудистых заболеваний (ССЗ) ежегодно умирает более 1 млн. человек. Особенно высока заболеваемость ишемической болезнью сердца (ИБС). Успешность лечения ИБС определяется возможностью ее дифференциальной диагностики, то есть отнесения к одному из принятых в клинической практике уровней тяжести. В то же время клиническая медицина недостаточно оснащена методологическим аппаратом и системами для профилактики, ранней диагностики и прогнозирования этой болезни. Поэтому большое значение приобретают функциональные методы исследования сердечно-сосудистой системы (ССС), наиболее распространенными, доступными и информативными из которых являются методы электрокардиографии.

Однако, по мнению многих специалистов, электрокардиосигнал (ЭКС) не обладает высокой специфичностью для широкого круга серьезных сердечных патологий, в частности для ИБС (А. Дабровский, Т.М. Домницкая). Для повышения специфичности электрокардиографических исследований используют нагрузочные пробы и холтеровское монитори-рование. В то же время, пробы с физической нагрузкой не обладают должной чувствительностью при диагностике ИБС, а холтеровское монитори-рование не обладает необходимой специфичностью при диагностике этого сердечно-сосудистого заболевания (Д.М. Аронов, Г.В. Рябыкина). Проведенные исследования показали, что высокую чувствительность, специфичность и диагностическую эффективность при диагностике ИБС можно получить посредством использования комплексных методов анализа ЭКС (O.JI. Бокерия, Е.З. Голухова), которые обеспечиваются компьютерными системами обработки данных, использующими различные методы обработки электрокардиосигнала в частотной области (преобразование Фурье) и структурный анализ во временной области. В настоящее время эти методы исчерпали свои возможности (А.П. Немирко). Поэтому, необходимы новые компьютерные технологии обработки данных, основанные на комплексном использовании этих методов, например, частотно-временной вейвлет-анализ. Однако методы частотно-временного картирования предполагают анализ сигнала на длинных апертурах, что вызывает трудности их интегрирования в системы поддержки принятия решений, так как большая часть баз данных заполнена информацией по анализу электрокар-диосигнала на коротких апертурах (в пределах 1 .10 кардиоциклов).

Устранить ряд недостатков известных систем можно используя нечеткую логику принятия решений, в рамках которой агрегируются решающие правила, полученные в частотной и частотно-временной областях, что позволяет повысить качество диагностики выбранного класса заболеваний.

Таким образом, разработка автоматизированных средств прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца, основанных на использовании комплексных методов анализа элек-трокардиосигнала и обеспечивающих поддержку принятия решений в условиях нечетко выраженных границ классов, является актуальной задачей.

Работа выполнена в рамках Федеральной целевой программы «Предупреждение и борьба с социально значимыми заболеваниями (2007-2011 годы)», подпрограмма «Артериальная гипертония» и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Повышение чувствительности и специфичности прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца посредством автоматизированного частотного и частотно-временного анализа электрокардиосигналов и нечеткой логики принятия решений.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать метод синтеза пространства информативных признаков, предназначенного для прогнозирования, ранней и дифференциальной диагностики ИБС на основе частотного и частотно - временного анализа ЭКС;

- получить структурные решения нечетких нейронных сетей для систем поддержки принятия решений по прогнозированию ранней и дифференциальной диагностики ИБС;

- разработать структуру, алгоритмические и программные средства для автоматизированной системы диагностики ИБС;

- провести апробацию предложенных методов и средств на репрезентативных контрольных выборках.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, спектрального анализа, вейвлет-анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: способ определения компонентов признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардио-сигнала на длинной апертуре, определении координат линии тренда модулей отсчетов полученного преобразования в полосе 0,8. 1,8 Гц и последующим вычислении дискретного преобразования Фурье линии тренда, позволяющий сформировать признаковое подпространство для автоматизированной системы формирования диагностических решений; способ синтеза признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардиосигнала на короткой апертуре, выборе значимых масштабов вейвлет-плоскости посредством метода адаптивного квантования мод и последующим дискриминантном анализе, на основании которого каждому значимому масштабу вейвлетплоскости ставятся в соотношение две классифицирующих функции, позволяющий осуществить автоматизированный анализ электрокардиосигна-ла в системе поддержки диагностических решений; структура нечеткой нейронной сети для прогнозирования, ранней и дифференциальной диагностики ИБС, отличающаяся представлением дискретизированного электрокардиосигнала в различных признаковых пространствах и многоуровневой схемой агрегаторов и дефуззификаторов, позволяющая агрегировать частные решения по четырем признаковым подпространствам; алгоритм работы дефуззификатора для нечеткой нейронной сети, позволяющий интегрировать решения четырех нечетких решающих модулей, отличающийся включением модуля дискриминантного анализа в итерационный процесс получения окончательного решения.

Практическая значимость и результаты внедрения. Разработанные метод, способы и алгоритмы составили основу построения автоматизированной системы по прогнозированию, ранней и дифференциальной диагностики ИБС, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций, формируемых для врачей-специалистов.

Программные средства ориентированы на практическое здравоохранение и реализуют алгоритмы диагностики, способствующие ускорению процессов реабилитации больных ИБС.

Результаты работ внедрены в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300.68 - «Биомедицинская инженерия» и используются в клинической практике Областной клинической больницы г. Курска и в научно-исследовательской работе кафедры сосудистой хирургии Курского государственного медицинского университета.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на IX и XI Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2006, 2008); XV Российской научно-технической конференции с международным участием «Материалы и упрочняющие технологии» (Курск, 2008); II Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине» (Пенза, 2008); 8-й Международной научном- технической конференции «Физика и радиотехника в медицине и экологии» (Владимир, 2008), на XVI Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2008), на Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2008» (Таганрог, 2008), Третьем Международном радиоэлектронном Форуме «Прикладная радиоэлектроника. Состояние и перспективы развития» (Харьков, 2008), на научно-технических семинарах кафедры биомедицинской инженерии Курск-ГТУ (Курск, 2005, 2006, 2007, 2008).

Основные положения, выносимые на защиту

1. Разработанная нечеткая нейросетевая структура позволяет интегрировать данные, полученные в результате анализа электрокардиосигнала в различных ортогональных пространствах, на различных апертурах и в различных отведениях.

2. Частотно-частотный и частотно-временной анализ электрокардиосигнала позволяет сформировать пространство информативных признаков, которое может быть использовано для прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца и при использовании нечетких нейросетевых технологий принятия решений обеспечить приемлемое качество диагностики.

3. Разработанные четыре нечетких решающих модуля для нечеткой нейронной сети позволяют осуществить параллельную и независимую диагностику ишемической болезни сердца по параметрам электрокардиосигнала каждый в своем признаковом подпространстве, качество которой может быть повышено посредством объединения этих нечеткий решающих модулей в нечеткую нейронную сеть.

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 13 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1-4], [9] и [10] автором предложены и исследованы нечеткие нейросетевые модели для диагностики сердечнососудистых заболеваний, в [6] автором предложена автоматизированная система синтеза нечетких нейросетевых структур; в [8] и [11] соискатель предложил способ синтеза признакового подпространства по двумерной частотной плоскости электрокардиосигнала, в [12] соискатель провел разведочный анализ изображений вейвлет - преобразований электрокардио-сигналов больных ИБС, в [13] соискателем предложена иерархическая нейросетевая структура для прогнозирования ИБС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 85 отечественных и 36 зарубежных наименования. Работа изложена на 137 страницах машинописного текста, содержит 53 рисунка и 24 таблицы.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Грахов, Алексей Алексеевич

4.6. Выводы четвертой главы

1. С учетом специфики решаемой задачи и медицинских требований к качеству прогнозирования и диагностики определены объемы репрезентативных контрольных выборок и выбраны показатели качества контролируемых решающих правил.

2. На репрезентативных контрольных выборках показано, что при работе автоматизированной системы в режиме диагностики ИБС обеспечивают диагностическая чувствительность не ниже 81% и диагностическая специфичность не ниже 76% и при диагностической эффективности на уровне 80% по каждому из используемых отведений.

3. Для повышения диагностической эффективности классификация предложена схема алгоритма, позволяющая агрегировать решающие правила по всем используемым отведениям, отличающаяся тем, что выходы трех нечетких решающих модулей, определяющих уверенность в принятии решения по двум альтернативным классам, подаются на дефуззификатор, вычисляющий две классифицирующих функции в шести мерном признаковом пространстве, по соотношению которых принимается решение о принадлежности объекта к одному из двух альтернативных классов.

4. На репрезентативных контрольных выборках показано, что при работе автоматизированной системы в режиме диагностики ИБС обеспечивают диагностическая чувствительность не ниже 94% и диагностическая специфичность не ниже 93% и при диагностической эффективности на уровне 95% при использовании всех трех отведений.

5. На репрезентативных контрольных выборках показано, что привила прогноза появления ИБС обеспечивают диагностическую чувствительность не ниже 68%, диагностическую специфичность не ниже 70% и общую диагностическую эффективность на уровне 70%.

6. На репрезентативных контрольных выборках было показано, что правила дифференциальной диагностики стенокардии и инфаркта миокарда обеспечивают чувствительность, специфичность и диагностическую эффективность на уровне 70%.

7. На репрезентативных контрольных выборках было показано, что правила диагностики ранних стадий выбранного класса заболеваний обеспечивает чувствительность, специфичность и диагностическую эффективность на уровне 66%. При этом эти показатели могут быть доведены до уровня 80% при использовании велоэргонометрической пробы и агрегации решений по анализу ЭКС, полученного без нагрузочной пробы и с нагрузочной пробой.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований нечетких нейросетевых структур и способов анализа электрокардиосгнала предложены новые технические решения, предназначенные для автоматизированных систем прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца, и показана возможность их применения в клинической практике.

В результате выполнения работы получены следующие основные результаты.

1. Разработан метод синтеза пространства информативных признаков, выделяемых из частотно-частотного и частотно-временного представления электрокардиосигнала, включающий:

- способ синтеза признакового подпространства, заключающийся в получении матрицы, строки которой являются оконным преобразованием Фурье кортежа смежных кардиоциклов электрокардиосигнала, определении оконного преобразования Фурье тех столбцов этой матрицы, координаты которых соответствуют выделенным посредством разведочного анализа значимым частотам оконным преобразованием Фурье электрокардиосигнала, выделении статистически значимых информационных зон этой матрицы и определении компонентов признакового подпространства на основе анализа двумерной спектральной плотности и коэффициентов корреляции матрицы оконного преобразования Фурье в локализованных информативных зонах; способ синтеза признакового подпространства, заключающийся в получении авторегрессионной модели оконного преобразования Фурье электрокардиосигнала и определении трехкомпонентного вектора информативных признаков, каждый компонент которого определяется по результатам структурного анализа развертки по строкам в зоне дыхательного цикла двумерной частотной плоскости;

- способ определения компонентов признакового подпространства, заключающийся в вычислении вейвлет-преобразования электрокардиосигнала на длинной апертуре, определении координат линии тренда модулей полученного преобразования в полосе 0,8. 1,8 Гц и последующем определении коэффициентов ряда Фурье линии тренда;

- способ синтеза признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардиосигнала на короткой апертуре, выбора посредством метода адаптивного квантования мод трех значимых масштабов вейвлет-плоскости и последующего дискриминантного анализа совокупности индивидуумов, принадлежащих к двум диагностируемым классам, в результате которого каждому значимому масштабу вейвлет-плоскости ставится в соответствие две классифицирующих функции, посредством вычисления которых получают компоненты признакового подпространства.

2. Получена структура иерархической нечеткой сети для диагностики ИБС, отличающаяся двухуровневой схемой агрегаторов и дефуззификаторов и алгоритмом агрегирования решений четырех нечетких решающих модулей, осуществляющих независимый анализ сигнала с последующим включением или исключением результатов их анализа в процесс получения окончательного решения.

3. Разработана автоматизированная система для прогнозирования, ранней и дифференциальной диагностики ИБС, диагностическая эффективность принятия решений в которой достигает 95 процентов.

4. Разработанные метод, способы, алгоритмы и соответствующее программное обеспечение прошли экспериментальную проверку в клинической практике Областной клинической больницы г. Курска, на кафедре сосудистой хирургии Курского государственного медицинского университета и в учебном процессе кафедры Биомедицинской инженерии Курского государственного технического университета, которая показала целесообразность практического использования разработанных метода, способов, алгоритмов и программного обеспечения.

Список литературы диссертационного исследования кандидат технических наук Грахов, Алексей Алексеевич, 2008 год

1. Айвазян, С.А. Прикладная статистика. Основы эконометрики Текст.: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика / С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 656 с.

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики Текст. : учебник для вузов: В 2 т. Т. 2. Основы эконометрики / С.А. Айвазян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 432 с.

3. Айвазян, С.А., Бежаева, З.И. Староверов, О.В. Классификация многомерных наблюдений Текст./ С.А. Айвазян, З.И. Бежаева, О.В. Староверов. М.," Статистика", 1975.

4. Алберг, Дж., Нильсон, Э., Уолш, Дж. Теория сплайнов и ее приложения Текст./ Дж. Алберг, Э. Нильсон, Дж. Уолш.-М.: Мир, 1972. -316 с.

5. Ананич, В.А., Грацианский, Н.А., Карасев, А.В. и др. Впервые возникшая стенокардия: исходная характеристика и результаты наблюдения в течение 6-12 мес Текст./ В.А. Ананич, Н.А.Грацианский, А.В. Карасев и др. Cor et vasa 1990. №2. С. 99-106.

6. Аронов, Д. М. Руководство по кардиологииТекст./ Д. М. Аронов. Под ред. Е. И. Чазова. М., 1982. Т.2. С. 594-600.

7. Аронов, Д.М., Лупанов, В.П. Функциональные пробы в кардиологии Текст./ Д.М. Аронов, В.П. Лупанов. Москва, "МЕДпресс-информ", 2003 , 2-е изд, С. 148-156.

8. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения Текст./ Н.М.Астафьева. УФН, тЛ66,11 1996. С. 1145-1170.

9. Афифи, А., Эйзен, С. Статистический анализ Текст./ А. Афифи, С. Эйзен. М. "Мир", 1972.

10. Брежнев, А.В. Модуль нечеткого вывода для разнотипных признаковых пространств Текст. / А.В. Брежнев, А.А. Бурмака // Научно-технический сборник. М.: ВУ РХБЗ, 2005. №2 (37). С. 64-67.

11. Брежнев, А.В. Способ выделения сигнала тремора голосовых связок посредством анализа вейвлет-плоскости цифровых отсчетов сигнала голоса Текст. / А.В. Брежнев // Научно-технический сборник. М.: ВУ РХБЗ, 2005. №2 (37). С. 30-36.

12. Васильев А.Ю., Михеев Н.Н., Жарикова М.В. Диагностика стенозирующего поражения коронарных артерий при гипертонической болезни. Какой стресс-тест выбрать? Текст./ А.Ю.Васильев, Н.Н.Михеев, М.В. Жарикова.- Функциональная диагностика, 2004. №4. С. 17-22.

13. Воробьев, В.И. Теория и практика вейвлет-преобразования Текст. / В.И. Воробьев, В.Г. Грибунин. СПб.: ВУС, 1999. 204 с.

14. Галушкин, А.И. Синтез многослойных систем распознавания образов Текст. / А.И. Галушкин. М.: Энергия, 1974. 386 с.

15. Галягин, Д.К. Адаптивные вейвлеты (Алгоритм спектрального анализа сигналов) Текст. / Д.К. Галягин, П.Г. Фрик / ММСП. Пермь: ПГТУ, 1996. №4. С. 20-28.

16. Генкин, А.А. Новая информационная технология обработки данных (программный комплекс ОМИС) Текст. / А.А. Генкин. СПб.: Политехника, 1999. 191 с.

17. Гимаров, В.А. Нейро-нечеткий метод классификации объектов с разнотипными признаками Текст. / В.А. Гимаров, М.И. Дли, С.Я. Битюцкий

18. Системы управления и информационные технологии. 2004. №4 (16). С. 13-18.

19. Голд, Б. Цифровая обработка сигналов Текст.: [пер. с англ.] / Б. Голд, Ч. Рэйдер. М.: Сов. радио, 1973. 368 с.

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

21. Горелик, A.JI. Методы распознавания Текст. / A.JI. Горелик,

22. B.А. Скрипкин. М.: Высшая школа. 1989.

23. Грахов, А.А. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей Текст./ А.А. Грахов, JI.A. Жилинкова, Е.В. Шевелева//Вестник новых медицинских технологий. Тула, 2006. T.XIII, №2. С.43-46.

24. Грахов, А.А. Способ анализа оконных преобразований Фурье электрокардиограмм больных ишемической болезнью Текст. / А.А. Грахов,

25. C.В. Пихлап, С.А. Филист // Информационные и управленческие технологиив медицине: сб. статей II Всероссийской научно-технической конференции / Пенза. Приволжский Дом знаний, 2008. С. 19-21.

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

27. Дмитриева, Н.В. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма (системно -информационный подход) Текст. / Н.В. Дмитриева, О.С. Глазачев. М., 2000.-214 с.

28. Дремин, И.М. Вейвлеты и их использование Текст. / И.М. Дремин, О.В. Иванов, В.А. Нечитайло // Успехи физических наук, 2002. Т. 171, №5. С. 465-500.

29. Дубров, A.M. Многомерные статистические методы Текст.: учебник / A.M. Дубров, B.C. Мхитрян, Л.И. Трошин. М.: Финансы и статистика, 2000. 352 с.

30. Дуда, Р. Распознавание образов и анализ сцен Текст. / Р. Дуда, Р. Харт. М.: Мир, 1976.

31. Дьяконов, В. Обработка сигналов и изображений Текст.: специальный справочник / В. Дьяконов, И. Абраменкова. СПб.: Питер, 2002. 608 с.

32. Дюк, В. Обработка данных на ПК в примерах Текст. / В. Дюк. -СПб: Питер, 1997. 240 с.

33. Елисеева, И.И. Логика прикладного статистического анализа Текст. / И.И. Елисеева, В.О. Рукавишников. М.: Финансы и статистика, 1982. 192 с.

34. Заде, А. Основы нового подхода к анализу сложных систем и процессов принятия решений Текст. / А. Заде // Математика сегодня. М., 1974.

35. Заде, Л.А. Понятие лингвистической переменной и ее применение к принятию приближенных решений Текст. / Л.А. Заде. М.: Мир, 1976. 312 с.

36. Заенцев, И.В. Нейронные сети: основные модели Текст.: учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета /И.В. Заенцев. Воронеж, 1999. 76 с.

37. Иванов Г.Г., Востриков В.А. Внезапная сердечная смерть и поздние потенциалы желудочков Текст./ Г.Г. Иванов, В.А.Востриков // Анестезиология и реаниматология, 1991. №3.

38. Козлов, С. Г., Миронова, И. Ю., Лякишев, А. А. Значение чреспищеводной кардиостимуляции левого предсердия в диагностике ишемической болезни сердца Текст./ С. Г. Козлов, И. Ю. Миронова, А. А.Лякишев. Тер. арх., 1991. №1. С.108-111.

39. Кореневский, Н.А., Устинов, А.Г., Ситарчук, В.А. Автоматизированные медико-технологические системы Текст./ монография. В 3 ч. / Н.А. Кореневский, А.Г. Устинов, В.А. Ситарчук; под ред. А.Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 390 с.

40. Кушаковский, М.С. Аритмии сердца Текст./ М.С. Кушаковский. -СПб.: Фолиант, 1998.

41. Ламбич, И.С., Стожинич, С.П. Стенокардия Текст./ Пер. с сербско-хорват./ И.С. Ламбич, С.П. Стожинич. М.: Медицина, 1990. 432 с.

42. Левкович-Маслюк. // Дайджест вейвлет анализа Текст./ Левкович-Маслюк. - Компьютерра, 1998. №8.

43. Леоненков, А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH Текст. / А.В. Леоненков. СПб.: БХВ - Петербург, 2005. 736 с.

44. Марпл.-мл., С.Л. Цифровой спектральный анализ и его приложения Текст./ С.Л. Марпл.-мл., пер. с англ.- М.: Мир, 1990. 584 с.

45. Милева, КН. Разработка и исследование методов автоматического анализа ST-сегмента электрокардиограммы в реальном масштабе времени. Текст.: дис. Канд. Техн. Наук/ К.Н. Милева. Л.: ЛЭТИ, 1989. 261с.

46. Немирко, А.П. Цифровая обработка биологических сигналов Текст./ А.П. Немирко. М: Наука, 1984.

47. Немирко, А.П., Подклетнов, С.Г., Солнцев, В.Н. Вейвлет -преобразование ЭКГ BP для диагностики ИБС Текст./ А.П. Немирко, С.Г.

48. Подклетнов, В.Н.Солнцев. Вестник аритмологии, 2002. №25. С. 148.

49. Орлов, А.И. Экспертные оценки Текст. :учебное пособие / А.И. Орлов.- М. 2002.59.0совский, С. Нейронные сети для обработки информации Текст./ С. Осовский; пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002. 344 с.

50. Пакулин, И. А., Суровов, Ю. А., Сидоренко, Б. А. Дипиридамоловый тест в диагностике ишемической болезни сердца Текст./ И. А. Пакулин, Ю. А. Суровов, Б. А.Сидоренко. Кардиология, 1991. № 2. С. 99-100.

51. Петухов, А.П. Периодические дискретные всплески Текст./ А.П. Петухов. Алгебра и анализ, 1996. №3.

52. Подклетнов, В.Н. Солнцев, В.В. Бойцов. С. 126-132.

53. Подклетнов, С.Г., Солнцев, В.Н., Бойцов, В.В. Способ интерпретации данных ЭКГ BP Текст.: сборник тезисов, рационализаторских предложений и изобретений Военно-медицинской Академии за 2000 год / С.Г.Подклетнов, В.Н.Солнцев, В.В.Бойцов. С. 6061.

54. Симоненко, В.Б., Цоколов, А.В. Фисун, А.Я. Функциональная диагностика Текст.: руководство для врачей общей практики/ В.Б. Симоненко, А.В. Цоколов, А.Я. Фисун. М.:ОАО "Издательство "Медицина", 2005. 304с.

55. Стечкин, С.В., Субботин, Ю.Н. Сплайны в вычислительной технике Текст./ С.В. Стечкин, Ю.Н. Субботин. -М.: Наука, 1976. 248с.

56. Титомир, Л.И., Рутткай-Недецкий, И. Анализ ортогональной электрокардиограммы Текст./ Л.И. Титомир, И. Рутткай-Недецкий. М.: Наука, 1990.

57. Тищенко, О.Г. Спектрально-временные характеристики электрофизиологических процессов в миокарде у здоровых лиц и больных ишемической болезнью сердца Текст.: дис. канд. мед. Наук/ О.Г. Тшценко.-Военно-медицинская академия, 1998.

58. Тривоженко, А. В. Мультифакторная стресс-эхокардиография в амбулаторном диагностике ИБС Текст.: дис. . канд. мед. наук/ А. В. Тривоженко. Томск: Томский медицинский институт, 1999. 153 с.

59. Филист, С.А. Кузьмин, А.А. Нейросетевой решающий модуль для исследования живых систем Текст./ С.А. Филист, С.Г. Емельянов, А.Ф. Рыбочкин// Известия Курского государственного технического университета №2 (23), 2008. С. 77-82.

60. Филист, С.А., Багликов, С.Ю., Юдина, Е.А. Метод спектрального анализа биомедицинских сигналов Текст.: сборник материалов 2-й Международной конференции «РАСПОЗНАВАНИЕ-95»/ С.А. Филист, С.Ю. Багликов, Е.А. Юдина. Курск, 1995. С.93.

61. Филист, С.А., Юдина, Е А. Моделирование циклических процессов -n-мерной спектральной плоскостью. Циклы в природе и обществе Текст./ С.А. Филист, Е.А. Юдина. Ставрополь, 1995.

62. Филист, С.А. Методика вейвлет-диагностики дисфонии по фонеме И Текст. / С.А. Филист, О.В. Шаталова, Н.В. Краснова Вестник новых медицинских технологий. - Тула, 2006. Т. XIII, №2. С. 21-22.

63. Филист, С.А. Методы двумерного спектрального преобразования электрокардиосигналов в ранней диагностике сердечно-сосудистых заболеваний Текст./ С.А. Филист. Биомедицинская радиоэлектроника, 2001. №3. С.14-20.

64. Форсайт, Дж., Малькольм, М., Моулер, К. Машинные методы математических вычислений Текст./ Дж. Форсайт, М. Малькольм, К. Моулер. М.: Мир, 1980.- 279с.

65. Черниченко, Д.М. Исследование и разработка автоматических методов выделения и классификации артефактов в цифровых электроэнцефалографических сигналов Текст.: дис. . кан. техн. наук/ Д.М. Черниченко. СПб.: ЛЭТИ, 1999. .

66. Шульман, В.А., Егоров, Д.Ф., Матюшин, Г.В., Выговкин, А.Б. Синдром слабости синусового узла Текст./ В.А. Шульман, Д.Ф.Егоров, Г.В.Матюшин, А.Б. Выговкин. Санкт-Петербург - Красноярск, 1995. 438 с.

67. Ярославский, Л.П. Введение в цифровую обработку изображений Текст. / Л.П. Ярославский. М.: Сов. радио, 1979. 312 с.

68. Акау, М. Wavelet Applications in Medicine, IEEE Spectrum Text./ M.1. Акау. 1997, Vol.34, №5.

69. Berman, D.S., Wong, N.D., Gransar, H. et al. Relationship between stress-induced myocardial ischemia and atherosclerosis measured by coronary calcium tomography Text./ D.S. Berman, N.D.Wong, H.Gransar. J Am Coll Cardiol, 2004;44(4):923-930.

70. Clarke, L.P. Tree-Structured non-linear Filter and Wavelet Transform for Microcalcification Segmentation in Digital Tammography Text./ L.P.Clarke. -Cancer Letters, 1994, 77, p.173-181.

71. Cortigiani, L., Zanetti, L., Bigi, R. et al. Safety and feasibility of dobutamine and dipyridamole stress echocardiography in hypertensive patients Text./ L. Cortigiani, L. Zanetti, R. Bigi et al. J Hypertens, 2002;20(7):1423-1429.

72. Daubechies, I. Ten lectures on wavelets Text./ I. Daubechies. SIAM, Philadelhia, 1992.

73. Gligorova, S., Agrusta, M. Pacing stress echocardiography Text./ S.Gligorova, M.Agrusta. Cardiovascular Ultra-sound, 2005;3:36.

74. Manfredini, R., Talarico, G., Ambrosini, F. et al. International Conference on Nonin-vasive Cardiology 3d-Abstract Text./ R. Manfredini, G. Talarico, F.Ambrosini et al.,-Tel-Aviv, 1990.-P.13.

75. Marwick, Т. H. Stress echocardiography Text./ Т. H. Marwick. -Heart, 2003;89:113-118.

76. Meyer, Yves. Wavelet algorithm and applications Society for industrial and applied mathematics Text./ Yves Meyer. Philadelphia, 1993.

77. Noguchi, Y., Nagata-Kobayashi, S., Stahl, J.E., Wong, J.B. A metaanalytic comparison of echocardiography stressors. Int J Cardiovasc Imaging Text./ Y. Noguchi, S. Nagata-Kobayashi, J.E. Stahl, J.B. Wong. 2005; 21(2-3): 189-207.

78. Picano, E., Pasanisi, E., Venneri, L. et al. Stress echocardiography. Curr Pharm Des Text./ E. Picano, E. Pasanisi, L. Venneri et al. -2005;11(17):2137-2149.

79. Proceding of the 19th annial inter conference of the IEE Engineering in Medicand Biology Socity "Magnicient Mitestones and Emerginq Opportunities in Medical Engineering" Text.: 1997.

80. Roman, J. A. S., Vilacosta, I., Castillo, J. A. et al. Selection of the optimal stress test for the diagnosis of coronary artery disease Text. / J. A. S. Roman, I. Vilacosta, J. A. Castillo et al. Heart, 1998 ;80;370-376.

81. Scanlon, P. J., Faxon, D.P. ,Audet, A-M. et al. ACC/AHA Guidelines for Coronary Angiography: Executive Summary and Recommendations Text.: A Report of the Ameri-can College of Cardiology/ P. J. Scanlon, D.P. Faxon, A-M.

82. Audet et al. American Heart Association Task Force on Practice Guidelines (Committee on Coronary Angiography) Developed in collaboration with the Society for Cardiac Angiography and Interventions. Circulation 1999;99;2345-2357.

83. Shortliffe, E.H. Computer-Based medical Consultations Text./ E.H. Shortliffe.- MYCIN, New York: American Elsevier, 1976.

84. Varga, A., Garcia, M.A., Picano E. Safety of stress echocardiography (from the Inter-national Stress Echo Complication Registry) Text./ A. Varga, M.A. Garcia, E. Picano. Am J Cardiol, 2006;98(4):541-543.

85. Varga, A., Kraft, G., Lakatos, F. et al. Complications during pharmacological stress echocardiography: a video-case series Text./ A.Varga, G. Kraft, F. Lakatos. Cardiovasc Ultrasound, 2005;3:25.