Биотехническая система видеоплетизмографического мониторинга сердечного ритма тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Семчук Иван Павлович

• Семчук Иван Павлович
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Семчук Иван Павлович

ВВЕДЕНИЕ

Глава 1: Показатели сердечного ритма: методы измерений и клиническое применение

1.1 Анализ сердечного ритма в медицине

1.2 Применение фотоплетизмографии в задаче анализа сердечного ритма

1.3 Обзор существующих работ в области видеоплетизмографии

1.4 Анатомические особенности кровоснабжения лица

1.5 Механизмы формирования сигнала видеоплетизмограммы

Выводы по главе

Глава 2: Методы повышения точности измерений частоты сердечных сокращений методом видеоплетизмографии

2.1 Исследование динамики кровенаполнения поверхностных тканей лица35

2.2 Регистрация базы данных

2.3 Исследование информативности областей лица в задаче видеоплетизмографии

2.3.1 Выбор алгоритма выделения информативных областей на изображении

2.3.2 Разработка показателя эффективности выделения информативных областей

2.3.3 Исследование информативности областей лица в задаче видеоплетизмографии

2.3.4 Исследование зависимости показателя эффективности от выбранного метода выделения информативных областей

Выводы по главе

Глава 3: Разработка биотехнической системы для бесконтактного мониторинга сердечного ритма

3.1 Описание структуры БТС

3.2 Разработка программного обеспечения БТС

3.3 Разработка хранилища данных

3.4 Разработка метода оценки качества участков сигнала видеоплетизмограммы

Стр.

3.5 Разработка метода анализа видеоплетизмограммы во временной области

3.5.1 Обоснование выбора точек сигнала видеоплетизмограммы, используемых для расчета ЧСС

3.5.2 Алгоритмы предварительной обработки видеоплетизмографических сигналов

3.5.3 Разработка алгоритма анализа сигнала видоплетизмограммы на базе сверточных нейронных сетей

3.5.4 Разработка алгоритма анализа сигнала видоплетизмограммы на базе рекуррентных нейронных сетей

3.5.5 Исследование нейросетевых алгоритмов для анализа видеоплетизмограмм во временной области

3.6 Разработка метода анализа видеоплетизмограммы во временной области

Выводы по главе

Глава 4: Результаты апробации биотехнической системы видеоплетизмографического мониторинга сердечного ритма

4.1 Макет программного обеспечения

4.2 Методика регистрации базы данных для исследования нарушений сердечного ритма

4.3 Мониторинг частоты сердечных сокращений и исследование нарушений ритма

Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ВВОДИМЫЕ СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ

БД - база данных

БТС - биотехническая система

ВНС - вегетативная нервная система

ВОЗ - Всемирная Организация Здравоохранения

ВПГ - видеоплетизмография

ВСР - вариабельность сердечного ритма

ПК - персональный компьютер

ПЗС - прибор с зарядовой связью

СКО - среднеквадратическое отклонение

ЧД - частота дыхания

ЧСС - частота сердечных сокращений

ФПГ - фотоплетизмография

ЭКГ - электрокардиография

ВВЕДЕНИЕ

Определение показателей жизненно важных функций организма, включающих в себя частоту сердечных сокращений, частоту дыхания, температуру тела и артериальное давление [1], позволяет системно оценить функциональное состояние организма. Задача мониторинга показателей жизненно важных функций организма становится еще более актуальной на фоне статистики ВОЗ по смертности от сердечно-сосудистых (The WHO CVD Risk Chart Working Group, 2019) и респираторных [2] заболеваний, особенно в условиях пандемии [3].

Нарушения сердечного ритма являются одним из самых распространенных нарушений работы сердечно-сосудистой системы. По оценкам группы ученых из Массучуссетской больницы общего профиля (США) частота встречаемости нарушений сердечного ритма составляет 2.35 % [4], при этом, согласно исследованию группы ученых из университета Вероны, за последние 20 лет наблюдается значительный рост встречаемости некоторых видов аритмий [5]. Существует также ряд работ, указывающих на то, что высокое значение частоты сердечных сокращений в состоянии покоя ассоциируется с повышенным риском смертности в общей популяции без диагностированных сердечных заболеваний, а также у пациентов с ишемической болезнью сердца или сердечной недостаточностью [6], что наиболее очевидно проявляется при внезапной смерти от инфаркта миокарда [7]. В целом, нарушения сердечного ритма, проявляющиеся в нарушения частоты сердечных сокращений и длительности кардиоинтервалов, наблюдаются у двух третей госпитализируемых пациентов [8]. При этом, существуют также ситуации, в которых применение контактных датчиков затруднено нарушениями кожных покровов пациента (например, в случае ожоговых травм [9]) или деликатностью биологического объекта, в частности, в неонатологии [10].

В научной литературе представлены модели, используемые для детекции нарушений сердечного ритма, в первую очередь, фибрилляции

предсердий, тахикардии и брадикардии, принимающие в качестве входных данных последовательности кардиоинтервалов, зависимости частоты сердечных сокращений от времени или предобработанные фрагменты сигналов ЭКГ [11, 12].

За последние несколько лет значительное внимание стало уделяться бесконтактной регистрации параметров сердечно-сосудистой системы с применением цифровых видеокамер [13]. Видеоплетизмография - метод регистрации пульсовой кривой, основанная на обработке видеоизображения лица с последующим частотно-временным анализом полученного сигнала с целью вычисления физиологических параметров. На сегодняшний день существующие работы имеют недостатки: отсутствие обоснования выбора информативных областей на изображении лица, используемых для последующего построения сигнала видеоплетизмограммы; отсутствие рассмотрения влияния факторов внешней среды на конечные показатели эффективности метода; использование собственных закрытых баз экспериментальных данных, что затрудняет сравнение различных подходов и реализаций. В целом, описанные в литературе системы обладают высокой погрешностью измерения частоты сердечных сокращений, что делает невозможным решение практических медицинских задач.

Цель исследования заключается в разработке метода и биотехнической системы для измерения и анализа сердечного ритма по видеоизображению лица.

Для достижения поставленной цели сформулированы следующие задачи:

1. Формирование требований и регистрация базы данных видеоизображений лица и опорного сигнала при различных условиях регистрации.

2. Обоснование выбора информативных областей изображения лица и проведение исследования эффективности алгоритмов выделения информативных областей в зависимости от условий регистрации.

3. Разработка методов обработки сигнала видеоплетизмограммы во временной области с целью анализа динамики сердечного ритма.

4. Апробация разработанной биотехнической системы для решения задач анализа нарушений сердечного ритма.

Научная новизна диссертационной работы определяется следующими результатами:

- Экспериментально выделенная область лица для формирования сигнала видеоплетизмограммы, соответствующая средней трети, обеспечивает наименьшую погрешность измерения частоты сердечных сокращений.

- Показано, что в сигнале видеоплетизмограммы, полученном в отсутствие контроля условий регистрации, присутствуют фрагменты с нарушенными амплитудно-частотными характеристиками, что вызвано артефактами движения испытуемого и изменениями освещенности; обнаружение и исключение данных фрагментов из анализа позволяет более чем в 2 раза снизить погрешность измерения частоты сердечных сокращений.

- Установлена возможность временного анализа сигнала видеоплетизмограммы, основанного на детекции момента времени, соответствующего максимуму производной фотоплетизмограммы; при этом в качестве входных данных в разработанном нейросетевом детекторе необходимо совместно использовать отсчеты видеоплетизмограммы и ее производной.

Практическая значимость.

1. Разработано программное обеспечение для регистрации и анализа видеоплетизмограмм (Свидетельство о государственной регистрации программы для ЭВМ № 2020665624).

2. Разработан экспериментальный стенд для проведения испытаний биотехнической системы видеоплетизмографического мониторинга сердечного ритма, обеспечивающий возможность моделирования и контроля условий регистрации видеоизображения и синхронную запись видеоизображения лица и сигнала ФПГ.

3. Собрана база данных, включающая в себя видеоизображения лица испытуемых и сигналы ФПГ, синхронно зарегистрированные при различных условиях освещенности лица испытуемого и расстояниях между лицом и камерой.

4. Результаты диссертационного исследования использованы при выполнении НИР «Создание стенда для отработки аппаратно-программного комплекса телеметрического контроля жизненно важных функций организма человека и создание автоматизированной системы поддержки принятия решений, выбора коррекционных и профилактических мероприятий удаленного доступа», 2018-2020 гг. (Задание № 8.12871.2018/12.1 от 18.07.2018).

Основные научные положения, выносимые на защиту:

1. Использование области средней трети лица для формирования сигнала видеоплетизмограммы позволяет статистически значимо снизить значение абсолютной погрешности измерения частоты сердечных сокращений по сравнению с результатами, полученными с применением метода цветовой сегментации.

2. Разработанный метод обнаружения некачественных участков сигнала видеоплетизмограммы с использованием вектора признаков, основанного на амплитудно-частотных характеристиках сигнала, с последующим исключением данных участков, позволяет более чем в два раза снизить погрешность измерения частоты сердечных сокращений: с 5,7±0,9 уд./ мин до 2,6±0,5 уд./ мин.

3. Разработанный метод детекции переднего фронта пульсовой волны в сигнале видеоплетизмограммы, основанный на применении сверточных

нейронных сетей, обеспечивает Fl-меру детекций равную 0,5, что в 1,7 раза больше по сравнению с методом детекции, основанном на вейвлет-анализе.

4. Разработанная БТС позволяет проводить детекцию событий тахикардии и брадикардии с чувствительностью не ниже 0,81 (95 % доверительный интервал [0,48; 0,97]) и специфичностью не ниже 0,82 (95 % доверительный интервал [0,63; 0,93]).

Введение диссертации (часть автореферата) на тему «Биотехническая система видеоплетизмографического мониторинга сердечного ритма»

Апробация работы

Результаты работы были представлены на следующих конференциях:

- XIII Международная научная конференция ФРЭМЕ-2018 (Суздаль, 2018 г.);

- XIV Российско-Германская научно-техническая конференция по биомедицинской инженерии (Санкт-Петербург, 2019);

- IX Всероссийская научно-техническая конференция «Проблемы метрологического обеспечения в здравоохранении и производстве медицинской техники» (Сочи, 2019);

- The 27th Conference of Open Innovations Association FRUCT (Trento, 2020);

- 25th International Conference on Pattern Recognition (Milano, 2021).

Публикации. Основные результаты исследования, проведенного

автором, изложены в 9 научных работах, в том числе в 4 статьях в журналах, рекомендованных ВАК РФ, 3 - в издания, рецензируемых Scopus. Общий объём - 4,05 пл.

Личный вклад соискателя. Все исследования, результаты которых изложены в диссертационной работе, проведены лично соискателем в процессе научной деятельности. Заимствованный материал обозначен в работе ссылками. Исследования выполнены с использованием разработанных лично соискателем методов обработки и анализа видеоизображения лица, методов построения и анализа видеоплетизмографических сигналов, оценке эффективности разработанных методов при различных условиях регистрации видеоизображений.

Объем и структура диссертации. Диссертация состоит из введения, четырех глав и общих выводов. Текст диссертации изложен на 110 страницах текста, содержит 12 таблиц, 39 формул и 44 рисунка. Указатель используемой литературы содержит 93 источника.

Глава 1: Показатели сердечного ритма: методы измерений и

клиническое применение

1.1 Анализ сердечного ритма в медицине

Мониторинг частоты сердечных сокращений (ЧСС) и частоты дыхания (ЧД) являются одним из основных компонент спектра мер, предпринимаемых при оценке функционального состояния организма [14]. ЧСС и ЧД используются в качестве информативных признаков в неонатологии при планировании экстренной медицинской помощи, являются маркерами таких паталогических состояний, как затруднение дыхания и апноэ [15]. Измерение степень оксигенации крови (SpO2) позволяет вовремя выявлять гипоксемию, что является частой причиной смерти новорожденных, а также используется при скрининге на предмет выявления врожденных сердечно-сосудистых заболеваний. ЧСС и параметры вариабельности сердечного ритма (ВСР) также могут быть использованы в качестве индикаторов реакции и эмоционального состояния пациента [16].

На данном фоне интересными являются работы, в которых в качестве входных данных моделей используются только те величины, которые можно получить при помощи электрокардиографии (ЭКГ) [17], в частности, параметры вариабельности сердечного ритма (ВСР), что может быть рассчитано с также с использованием фотоплетизмографии (ФПГ) [18]. В частности, ВСР, ЧСС а также скорость распространения пульсовой волны могут быть использованы в задачах анализа риска ишемической болезни [19], детекции преждевременного сокращения желудочков [20].

Анализ ВСР достаточно широко используется в различных областях медицины с целью стратификации риска и диагностики, особенно у пациентов с сердечно-сосудистыми заболеваниями, включая внезапную сердечную

смерть [21], успешно применяется для диагностики таких заболеваний, как ишемическая болезнь сердца, хроническая сердечная недостаточность [22], автономная кардионейропатия при сахарном диабете [23], используется для контроля внезапного изменения артериального давления [24]. Подробное исследование спектральных характеристик сигнала ФПГ, а также формы сигнала пульсовой волны, позволяет выделить более 20 информативных количественных параметров для оценки состояния организма испытуемого, такие как ЧСС, ЧД, Sp02, индекс эффективности сердца, параметры гемодинамики, податливость артерий и многие другие [25]. Измерение ЧСС также может быть использовано при скрининге пациентов с целью выявления синдрома апноэ [26] и постановки диагноза при заболеваниях коронарных сосудов [27], при этом сбор данных может быть проведен удаленно.

Считается, что межударные интервалы и продолжительность пульсовой волны являются показателями работы сердца, в то время как форма пиков и их отношение зависят от состояния сосудистой стенки - её эластичности, тонуса и других показателей [28].

Основная информация о состоянии систем, регулирующих ритм сердца, заключена в параметрах разброса длительностей кардиоинтервалов [29]. При этом необходимо учитывать и текущий уровень функционирования системы кровообращения. Динамический ряд кардиоинтервалов может анализироваться и оцениваться на основе использования различных научно-теоретических концепций. В зависимости от научных или практических задач следует рекомендовать использование одного из следующих трех подходов [29]:

- рассматривать изменения сердечного ритма в связи с адаптационной реакцией целостного организма, как проявление различных стадий общего адаптационного синдрома,

- рассматривать колебания длительностей кардиоинтервалов как результат влияния многоконтурной, иерархически организованной

многоуровневой системы управления физиологическими функциями организма,

- рассматривать изменения сердечного ритма в связи с деятельностью механизмов нейрогормональной регуляции как результат активности различных звеньев вегетативной нервной системы.

Одно из наиболее общих определений функционального состояния было дано позднее Е.Н. Соколовым, предлагавшим рассматривать его как фон, на котором развиваются поведенческие реакции человека и животных [30]. Сходной точки зрения придерживаются Б.И. Котляр и Н.О. Тимофеева, они отмечают, что под обычно употребляемым термином ФС чаще всего понимают активность мозга, на фоне которой развиваются поведенческие акты и осуществляется высшая нервная деятельность. Таким фоном могут служить состояния, которые образуя некий континуум, отличаются друг от друга прежде всего по интенсивности активации головного мозга [31]. И.П. Павлов [32] указывал, что живой организм как система существует в окружающей природе только благодаря способности уравновешивать свою внутреннюю среду с внешней за счет определенных реакций на внешние раздражители. Результатом этого процесса, как он полагал, является формирование особого, свойственного конкретным условиям функционального состояния.

Вегетативная регуляция кровообращения и попытки воздействия на нее являются наиболее проработанным и востребованным подходом как в фармакотерапии сердечно-сосудистых заболеваний, так и в аспекте инвазивной нейромодуляции. XXI век определил новую эру в понимании роли вегетативной нервной системе (ВНС) и дисфункции ряда рефлексов в патогенезе сердечно-сосудистого континуума. Симпатическая нервная

система обладает множеством эффектов на регуляцию сердечно-сосудистой системы. Основными эффектами являются увеличение ЧСС, повышение сократимости сердца, снижение емкости венозного русла, констрикция резистивных сосудов [33]. Это полезный инструмент для исследования работы

симпатического и парасимпатического отделов вегетативной нервной системы [34]. Одним из важных применений ВСР является мониторинг состояния здоровья пациентов с диабетом и постинфарктным синдромом [35, 36]. Помимо этого, ВСР широко применяется для диагностики бессонницы и заболеваний коронарной артерии [37]. ВСР даёт понимание симпатического-парасимпатического баланса и, таким образом, позволяет судить о степени риска смерти от заболеваний сердечно-сосудистой системы.

При этом ВСР является также широкоприменяемым показателем для оценки работы регуляторных систем [38]. Строится вариационная кривая (кривая распределения кардиоинтервалов) и определяются ее основные характеристики: Мo (Мода), Амо (амплитуда моды), MxDMn (вариационный размах). При нормальном распределении и высокой стационарности исследуемого процесса Мо мало отличается от математического ожидания (М). Амо - (амплитуда моды) - это число кардиоинтервалов, соответствующих значению моды, в % к объему выборки. Вариационный размах (MxDMn) отражает степень вариативности значений кардиоинтервалов в исследуемом динамическом ряду. Он вычисляется по разности максимального (Мх) и минимального (Мп) значений кардиоинтервалов и поэтому при аритмиях или артефактах может быть искажен.

Таким образом, можно утверждать, что параметры ВСР являются информативным величинами с точки зрения клинического применения в области сердечно-сосудистых и нервных заболеваний, а также при оценке психоэмоционального состояния организма человека. При этом эелектрокардиография остается наиболее популярной технологий регистрации необходимых сигналов, в то время как активно проводятся исследования по применения фотоплетизмографии в подобных целях. Видеоплетизмография по лицу, однако, до настоящего момента не применялась в целях оценки параметров вариабельности сердечного ритма.

1.2 Применение фотоплетизмографии в задаче анализа сердечного

ритма

На данный момент измерение частоты сердечных сокращений и анализ вариабельности сердечного ритма осуществляются преимущественно по данным ЭКГ. Однако метод ФПГ, основанный на анализе изменения оптической плотности тканей, связанной с изменением кровенаполнения, также может быть применена в задаче анализа показателей вариабельности сердечного ритма, что подтверждают многочисленные исследования [39-41].

Принцип действия контактных трансмиссионных ФПГ датчиков основан на эффекте поглощения биологическими тканями электромагнитного излучения [42]. Осветитель располагается с одной стороны исследуемой конечности (например, палец, мочка уха, крыло носа), в то время как приемник излучения помещается на противоположной стороне. Прошедшее через биологические ткани оптическое излучение частично поглощается оптически плотными средами в соответствии с модифицированным законом Ламберта-Бера:

¿л = { ^ * ^ * /¿} * гнт + в, (1.1)

где Ах - оптическая плотность на длине волны X;

£ц - коэффициент экстинкции 1-го вещества на длине волны X;

С\ - концентрация 1-го вещества;

У1 - коэффициент; характеризующий увеличение поглощения излучения за счет; удлинения пути фотонов в среде при их рассеянии. В общем случае может быть различным для разных веществ;

гкт - расстояние между источником и приёмником излучения;

О - коэффициент; учитывающий конфигурацию системы (расстояние до объекта; неровность поверхности и т.д.).

Изменение оптической плотности биологических тканей, связанное с пульсовой динамикой кровенаполнения конечностей (что соответствует

изменению концентрации поглощающего вещества в выражении (1.1)), может быть зафиксировано с необходимой для последующих расчетов точностью. Наличие двух длин волн в такой схеме объясняется необходимостью измерения оптической плотности крови на двух длинах волн, соответствующих максимумам поглощения дезоксигемоглобина и оксигемоглобина, для определения степени насыщения крови кислородом.

Типичный вид ФПГ сигнала представлен на Рисунке 1.1. На фотоплетизмограммах выделяются волны первого, второго и третьего порядков, при этом волны второго и третьего порядка относятся к медленным колебаниям, вызванным, например, изменением положения конечности, на которой закреплен датчик, а также дыхательными движениями испытуемого. Волны 1 -го порядка относятся к быстрым волнам, вызванным изменением кровенаполнения исследуемого участки биоткани в течение кардиоцикла.

Рисунок 1.1.

График сигнала ФПГ с обозначением основных волн

Поглощение, обусловленное пульсациями артериальной крови, напрямую связаны с концентрациями производных гемоглобина (выражение (1.1)). Следовательно, регистрация сигнала ФПГ на длинах волн, соответствующих максимумам поглощения дезоксигемоглобина и оксигемоглобина, позволяет рассчитывать сатурацию крови, т.е. отношение концентрации оксигенированного гемоглобина к сумме концентраций дезокси- и оксигемоглобина [43]:

При этом неплотное прилегание чувствительного элемента к поверхности кожи может являться причиной различного рода артефактов [44],

а слишком плотное может приводить к нарушению жидкостного и газового обмена в исследуемом объеме биоткани [45]. В случае неправильного выбора типа адгезива (или его количества) при использовании одноразовой медицинской клейкой ленты возможно возникновение местных воспалительных реакций, раздражений кожных покровов или их механическое повреждение при снятии такой ленты.

При анализе формы пульсовой волны как правило выделяется две фазы: анакротическая, связанная с систолой, и катакротическая, ассоциируемая с диастолой и отражениями волн от периферии сосудистого русла. В некоторых случаях между данными фрагментами наблюдается дикротическая инцизура. При этом, как показано в совместной статье коллективов из университетов Великобритании и Китая, под руководством Веры Хартманн [46], форма пульсовой волны зависит от точки регистрации сигнала фотоплетизмограммы, при этом изменяются положения анакротических пиков, длительность анакротической и катакротической фаз, а также выраженности дикротический инцизуры (Рисунок. 1.2).

200 400 600

Рисунок 1.2.

Сравнение форм пульсовых волн, зарегистрированных в различных точках приложения ФПГ-датчиков [46] За последние несколько лет значительное внимание стало уделяться бесконтактной регистрации параметров сердечно-сосудистой системы с применением цифровых камер. Видеоплетизмография - метод регистрации пульсовой кривой, основанная на обработке видеоизображения лица, с

последующим частотно-временным анализом полученного сигнала с целью вычисления физиологических параметров. Актуальность данного подхода подтверждается в ситуациях, в которых применение контактных датчиков затруднено нарушениями кожных покровов пациента или деликатностью биологического объекта.

1.3 Обзор существующих работ в области видеоплетизмографии

Одна из первых попыток реализовать технологию бесконтактной ФПГ была описана группой исследователей из университета RWTH Aachen (Германия) под руководством Ting Wu [47] в 2003 году. Методика измерений заключалась в видеорегистрации участков кожи испытуемого, освещенных оптическим излучением ИК диапазона, и последующей обработке видеоизображения. Динамика интенсивности и геометрического распределения отраженного от биообъекта света использовалась для оценки вариабельности перфузии поверхностных тканей.

Для регистрации изображения использовалась высокоточная (разрядность 14 бит) и быстродействующая (более 25 кадров в секунду) видеокамера на ПЗС-матрице с элементами охлаждения Пельтье (Рисунок 1.3). В качестве источников излучения для подсветки биообъекта использовались мощные ИК-светодиоды (875 нм). Для того, чтобы избавиться от засветки излучением видимого диапазона, в объектив камеры был установлен оптический фильтр, блокирующий излучение длиной волны ниже 830 нм.

Камера

Рисунок 1.3.

Схема установки, описанная TingWu [45] Для обработки получаемого видеоизображения коллективом было разработано специализированное программное обеспечение для настройки параметров камеры, проведения необходимых расчетов и визуализации результатов. По выделенным вручную областям рассчитывалось среднее значение интенсивности в каждом кадре и записывалось в массив (таким образом каждому кадру видеоизображения соответствовало одно рассчитанное число). Поскольку измерения проводились в ближней ИК-области спектра (что соответствует максимуму поглощения оксигемоглобина), периодические изменения средней интенсивности пикселей выделенной области напрямую связаны с динамикой кровенаполнения тканей. Последующая обработка одномерного сигнала (соответствующего плетизмограмме) позволяла определять количественные параметры, характеризующие динамику кровенаполнения поверхностных тканей, однако авторы данной работы не представили никаких данных о метрологических характеристиках системы и ее клиническом применении.

В одной из первых работ [48], посвященных бесконтактной ФПГ без использования камер, ПЗС-матрица заменена на фотодиод (Рисунок 1.4). В качестве источника излучения использовались ИК-светодиоды, а для приема отраженного оптического сигнала использовался фотодиод с одиночной линзой, помещавшийся на расстоянии 5 см от биологического объекта.

Рисунок 1.4. Схема регистрации сигнала плетизмограммы с использованием одного фотодиода в качестве приемника [48]

Представленная в работе [48] схема измерения обладает рядом недостатков, в частности:

- малое расстояние между БО и средством регистрации,

- измерение на одной длине волны не позволяет рассчитать степень оксигенации крови,

- отсутствие компенсации артефактов движения.

Однако подобный подход позволил отказаться от использования дорогостоящей видеокамеры, и тем самым в разы уменьшить общую стоимость комплекса и значительно упростить алгоритмы обработки сигнала.

Разработчики компании Philips (Нидерланды) [49] модернизировали предложенную оптическую схему следующим образом (Рисунок 1.5): в

качестве детекторов излучения использовались два фотодиода со светофильтрами 480 нм и 700 нм. Для фокусировки оптического сигнала из одной области пространства на обоих фотодиодах использовался параболический концентратор из оптического стекла.

Рисунок 1.5.

Оптическая система, предложенная сотрудниками Philips: a) схема устройства, б) внутреннее устройство макета, в) макет в сборе [49]

В ходе цифровой обработки получаемых с обоих цветовых каналов сигналов, проводилась фильтрация, а конечный сигнал бесконтактной фотоплетизмограммы формировался как линейная комбинация сигналов из обоих каналов с целью подавления артефактов.

В работе [50] представлено устройство для бесконтактной оптической регистрации пульсовой кривой и сравнительное исследование двух оптических методов бесконтактного мониторинга жизненно важных функций организма. Устройство бесконтактной регистрации пульсовых кривых [51] включает в себя оптический блок, блок аналоговой обработки и оцифровки сигнала и специализированное ПО для визуализации сигнала и конечных расчетов. На Рисунке 1.6 изображена оптическая схема устройства. Линзы 1 и 2 образуют коллиматор, позволяющий сузить пучок параллельных лучей на входе. Светоделитель 3 делит параллельный пучок на два, каждый из которых

а)

б)

в)

после прохождения через соответствующий узкополосный светофильтр (поз. 4 — 540 нм, поз. 5 — 700 нм) фокусируется на фотодиод (поз. 8 и 9).

Рисунок 1.6.

Оптическая схема устройства бесконтактной регистрации

фотоплетизмограммы

Системы бесконтактной регистрации фотоплетизмограмм характеризуются наличием большого количества источников погрешностей измерения по сравнению с контактными методами. К таким источникам можно отнести неравномерность диаграммы направленности, непостоянство спектрального состава и мощности источников излучения во времени, артефакты, связанные с движениями биообъекта, критичность к расстоянию от поверхности биообъекта до плоскости фотодатчика и т.д. Всё это затрудняет процедуру калибровки системы.

Для сравнения различных методик бесконтактной регистрации ФПГ предложена схема экспериментального стенда, включающая в себя контактное средство измерения в качестве эталонного. В состав представленного стенда входят контактный ФПГ, бесконтактный плетизмограф и веб-камера. Все три устройства подключаются к персональному компьютеру (ПК), на котором

проводится одновременный опрос подключенных средств, визуализация измеренных значений в режиме реального времени, а также сохранение сигналов в соответствующие файлы для последующей обработки. Для обеспечения одновременности получения отсчетов сигналов со всех подключенных устройств и высокой точности частоты дискретизации при создании программного обеспечения использована технология многопоточности.

Анализ данных, полученных при помощи всех трех устройств, включал в себя следующие этапы:

- фильтрация сигналов,

- расчет спектральной плотности,

- поиск максимума спектральной плотности в диапазоне частот, соответствующих частотам сердечных сокращений (1-3 Гц),

- расчет отношения сигнал/ шум,

- расчет коэффициента корреляции Пирсона между сигналом, полученным контактным методом, и двумя другими сигналами.

В измерениях участвовали 14 добровольцев, каждый из которых проходил процедуру измерений по три раза. В процессе каждого измерения проводилась регистрация ФПГ сигнала тремя методами. В процессе измерения испытуемые сохраняли статичную позу.

Рассчитывалось среднее арифметическое значение модуля разности полученной бесконтактным методом ЧСС с аналогичным значением, полученным контактным методом, определение шумовых характеристик измерительных систем проводилось на основе расчета отношения сигнал шум согласно выражению (1.2).

БМИ = Ю1од10 , (1.2)

В Таблице 1 представлены результаты расчетов, описанных выше характеристик.

Таблица 1.

Результаты сравнения ФПГ, бесконтактной ФПГ и видеоплетизмографии

................................................................................ ДН^уд./мин. SNR, дБ

Контактный 0,0 11,21

Бесконтактный 4,25 6,68

Видео 9,77 6,66

Как видно из Таблицы 1, значения отношения сигнал/шум для сигналов, полученных бесконтактными методами, практически не отличаются, что объясняется одинаковой природой шумов. При этом погрешность измерения ЧСС при использовании бесконтактного ФПГ оказывается в два раза меньше погрешности измерения при использовании видеоплетизмографии.

При расчете некоторых физиологических величин по сигналу ФПГ необходимо учитывать форму сигнала. Таким образом, при оценке качества сигнала, получаемого бесконтактным методом, актуальной является оценка соответствия сигнала опорному. При этом необходимо учесть возможное смещение во времени сигналов относительно друг друга, что объясняется регистрацией сигналов в разных точках и ошибками синхронизации устройств. Для решения данной задачи рассчитывалось максимальное значение кросс-корреляционной функции для всевозможных пар сигналов.

В результате расчетов получены следующие значения коэффициентов: К12=0,18, К13=0,05, К23=0,61, где 1 - обозначение сигнала, полученного контактным методом, 2 - бесконтактным, 3 - видео.

Работа [50] посвящена удаленному измерению пульса по видеоизражению лица. В качестве исследуемой области выбрано лицо, детектируемое на изображении при помощи комбинации алгоритма Виолы-Джонса и метода направленных градиентов для детекции контрольных точек лица с последующим построением контура, ограничивающего информативную область, через выбранные точки.

Полученный сигнал видеоплетизмограммы разбивался на сегменты длиной 30 сек. В дальнейшем исследовании не учитывались участки со

значением СКО амплитуды выше заданного порога. Значение ЧСС рассчитывалось методом поиска максимума спектральной плотности. Авторам исследования удалось добиться значения СКО 1,27 уд/мин.

В работе [53] для детекции лица использовался алгоритм Виола-Джонса с последующим применением КЬТ трекера для ускорения процесса детекции. Для выделения информативных участков изображения применялся метод цветовой сегментации. Отсчет видеоплетизмограммы рассчитывался как среднее значение интенсивности пикселей в информативной области независимо для каждого цветового канала. Процедура обработки сигналов включала в себя следующие шаги: устранение тренда, нормировка фильтрация. В дальнейшем применялся метод главных компонент с целью вычисления финального одномерного сигнала видеоплетизмограммы с использованием сигналов по каждому из цветовых каналов. Расчет ЧСС производится с помощью быстрого преобразования Фурье. Для оценки погрешности результатов измерения ЧСС, полученные результаты сравнивались с показателями, измеренными при помощи контактного ФПГ.

В статье [54] для определения информативных областей использовали ядровый корреляционный метод. Авторы проводили исследования измерений ЧСС людей в процессе вождении автомобиля, что накладывает дополнительные трудности на регистрацию сигнала ВПГ. В качестве информативных областей на изображениях лица авторы выбрали нос и щеки, формирование сигнала ВПГ проводилось при помощи метода главных компонент. К полученным результатам применялся адаптивный фильтр шумоподавления на основе метода наименьших квадратов. Для получения стабильных результатов оценки ЧСС использовались скользящие окна разной длины для получения нескольких возможных результатов оценки в один момент времени. Количество возможных оценок было установлено равным 7 с длиной окна от 8 до 14 с, а для окончательной оценки ЧСС использовалось расстояние Махаланобиса, чтобы исключить результаты, наиболее

отличающиеся других. В конечном итоге применялась временная фильтрация, чтобы сгладить зависимость ЧСС от времени.

В качестве выборок данных, на которых тестировались разработанные алгоритмы, авторы [54] использовали собственный набор видеоизображений лица, а также базу данных MAHNOB-HCL В метод, описанный в исследовании, позволил достичь точности ±5 уд/мин как для базы данных MAHNOB-HCI так и для собственного наборе данных.

В статье [55] тестировалась система FacereaderTM в сравнении с методом ЭКГ. При ошибке 9,8 уд/мин наблюдалась также нелинейная зависимость значения ошибки от значения ЧСС.

Список литературы диссертационного исследования кандидат наук Семчук Иван Павлович, 2022 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1 Mok W., Wang W., Liaw S. Vital signs monitoring to detect patient deterioriation// Journal of Nursing Interventions. 2015. № 21. P. 91-98

2 Wassim W. Labaki, Meilan K. Han. Chronic Respiratory Diseases: a global review// The Lancet. 2020. № 6. P.531-533

3 Estimating excess 1-year mortality associated with the COVID-19 pandemic according to underlying conditions and age: a population-based cohort study / A.Banerjee [и др.] // Lancet. 2020. № 395. P.1715-1725

4 Frequency of Cardiac Rhythm Abnormalities in a Half Million Adults / S. Khurshid [и др.] // Circulation: Arrhythmia and Electrophysiology. 2018. № 11

5 Lippi G., Sanchis-Gomar F., Cervellin G. Global epidemiology of atrial fibrillation: An increasing epidemic and public health challenge// International Journal Stroke. 2021 № 2. P.217-221

6 A multi-point heart rate monitoring using a soft wearable system based on fiber optic technology / D. Lo Presti [и др.] // Scientific Reports. 2021. № 1. Article number: 21162

7 Variation in resting heart rate over 4 years and the risks of myocardial infarction and death among older adults / Floyd J.S. [и др.] //. Heart. 2015. № 2. P 132-138.

8 Бокерия Л.А. Аритмология: intus partis // Бюллетень НЦССХ им. А.Н. Бакулева РАМН. 2016. № 3. C. 77-101

9 Ram S. Ravindran. A Solution to Monitoring the Electrocardiograph in Patients with Extensive Burn Injury // Anesthesiology. 1997. № 87. P. 711-71

10 Unobtrusive ECG monitoring in the NICU using a capacitive sensing array / L. Atallah [и др.] // Physiological Measurements. 2014. №5. P. 895-913

11 ECG-based heartbeat classification for arrhythmia detection: A survey / Eduardo José da S. Luz [и др.] // Computer Methods and Programs in Biomedicine. 2016. Vol. 127. P. 144-164

12 Alickovic E., Subasi A. Effect of Multiscale PCA De-noising in ECG Beat Classification for Diagnosis of Cardiovascular Diseases// Circuits, Systems, and Signal Processing. 2015. Vol. 34. P. 513-533

13 Cardiovascular assessment by imaging photoplethysmography / S. Zaunseder [и др.] // A review. Biomedical Engineering. 2018. № 5. P. 617-634

14 Special Report-Neonatal resuscitation: 2010 American Heart Association Guidelines for cardiopulmonary resuscitation and emergency cardiovascular care / John Kattwinkel [и др.] // American academy of pediatrics-2010-p.1400-1411

15 Heart rate assesment immediatly after birth / E. Phillipos [и др.] // Neonatology. 2015. 109. P. 130-138

16 Lehrer P.M., Gevirtz R. Heart rate variability biofeedback: how and why does it work? // Frontiers in psychology. 2014. Vol.5. P. 1-9. Article number: 756

17 Machine learning based decision support systems for heart disease diagnosis: a review / S. Safdar [и др.], // Artificial Intelligence Review. 2017. №2 59. P.597-623

18 Design and evaluation of a wireless decision-support system for heart rate variability study in haemodialysis follow-up procedures / J. Garcia [и др.] // Computer Methods and Programs in Biomedicine. 2007. № 3. P. 273-282

19 Comparison of HRV Parameters Derived from Photoplethysmography and Electrocardiography Signals / V. Jeyhani [и др.] // 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015. P. 5952-5955

20 Digital Volume Pulse Analysis to Differentiate Diabetic From Non-Diabetic Subjects / Y. Qawqzeh [и др.] // Communications in Mathematics and Applications. 2019. № 4. P. 707-716

21 Л.А. Бокерия, О.Л. Бокерия, И.В. Волковская. Вариабельность сердечного ритма: методы измерения, интерпретация, клиническое применение // Анналы аритмология.-2009.- Том 6.-с.21-32

22 Ambulatory electrocardiography, heart rate variability, and pharmacologic stress testing in cats with subclinical hypertrophic cardiomyopathy / Walker A. [и др.] // Scientific Reports. 2022. № 1. Article number: 1963.

23 Гатаулин Р. Г. Роль висцерального ожирения в развитии фибрилляции предсердий у больных артериальной гипертензией: диссертация на соискание ученой степени кандидата медицинских наук [Место защиты: МГМУ имени И. М. Сеченова]. Москва, 2021. 30 с.

24 Contactless Technique for Measuring Blood-Pressure Variability from One Region in Video Plethysmography / N. Sugita // Journal of Medical and Biological Engineering. 2018. Vol. 39. P. 76-85

25 Hayano J, Yuda E. Assessment of autonomic function by long-term heart rate variability: beyond the classical framework of LF and HF measurements // Journal of Physiological Anthropology. 2021 № 1. Article number: 21

26 Frederic Roche et al. Screening of obstructive sleep apnea syndrome by heart rate variability analysis // Circulation-1999.-Vol.100-p.1411-1415

27 Cardiac condition monitoring through photoplethysmogram signal denoising using Wearables: can we detect coronary artery disease with higher performance efficiency? / A. Ukit [и др.] // Computing in cardiology. 2016. Vol.43. P. 1-4

28 Терегулов Ю. Э., Маянская С. Д., Терегулова Е. Т. Изменения эластических свойств артерий и гемодинамические процессы //Практическая медицина. 2017. №. 2. C. 14-17

29 Баевский Р.М., Иванов Г.Г. Вариабельность сердечного ритма: теоретические аспекты и возможности клинического применения // Ультразвуковая и Функциональная Диагностика. 2001. № 3 C. 108-127

30 Соколов Е.Н. Представление функциональных состояний точками в многомерном пространстве // Функциональные состояния. М., 1978. С. 5354.

31 Котляр Б.И., Тимофеева Н.О. Проблема состояний мозга в свете идей А.А. Ухтомского и данных современной нейрофизиологии // Учение А.А.

Ухтомского о доминанте и современная нейрофизиология: сб. науч. тр. Л., 1990. С. 203-217.

32 Павлов И.П. Полн. собр. тр.: в 5 т. М.; Л., 1949. Т. 3

33 Seravalle G, Mancia G, Grassi G. Sympathetic Nervous System, Sleep, and Hypertension // Current Hypertension Reports. 2018. № 9. Article number: 74

34 Heart rate variability: a review / U. R. Acharya [и др.у/Medical and biological engineering and computing. 2006. №. 12. P. 1031-1051

35 Diabetes, glucose, insulin, and heart rate variability: the Atherosclerosis Risk in Communities (ARIC) study / E. B Schroeder [и др.] //Diabetes care. 2005. №. 3. P. 668-674

36 HRV scaling exponent identifies postinfarction patients who might benefit from prophylactic treatment with amiodarone / R. Sassi [и др.] //IEEE transactions on biomedical engineering. 2005. №. 1. P. 103-110.

37 Bailón R., Serrano P., Laguna P. Influence of time-varying mean heart rate in coronary artery disease diagnostic performance of heart rate variability indices from exercise stress testing //Journal of electrocardiology. 2011. №. 4. P. 445-452.

38 Баевский Р. М., Иванов Г. Г. Анализ вариабельности сердечного ритма при использовании различных электрокардиографических систем: методические рекомендации // Вестник аритмологии. 2001. № 24. С. 65-86.

39 Comparison of Heart Rate Variability from PPG with That from ECG / W.H. Lin [и др.] // The International Conference on Health Informatics. IFMBE Proceedings. 2014. Vol 42. P. 213-215

40 Mayampurath, A., Volchenboum, S.L., Sanchez-Pinto, L.N. Using photoplethysmography data to estimate heart rate variability and its association with organ dysfunction in pediatric oncology patients // npj Digital Medicine. 2018. № 1. Article number: 29

41 Alqaraawi A., Alwosheel A., Alasaad A.. Heart rate variability estimation in photoplethysmography signals using Bayesian learning approach // Healthcare Technology Letters. 2016. № 2. P. 136-142

42 Sang-Soo Oak. How to design peripheral oxygen saturation and optical heart rate monitor using the AFE4403: Application note. Режим доступа: URL: https://ti.com/lit/an.

43 Choudhary UK. Diagnostic dilemma: Low oxygen saturation during cardiac surgery / S. Ladha [и др.] // Annals of Cardiac Anaesthia. 2017. № 2. P. 262264

44 Wu T. PPGI: New Development in Noninvasive and Contactless Diagnosis of Dermal Perfusion Using NearlnfraRed Light // Journal of the GCPD. 2003. № 7. P. 17-22.

45 Raju T., Suresh G., Higgins R.. Patient safety in the context of neonatal intensive care: research and educational opportunities// Pediatric Research Journal. - 2011. - P. 109-115.

46 Quantitative Comparison of Photoplethysmographic Waveform Characteristics: Effect of Measurement Site / V. Hartmann [и др.] // Frontiers in Physiology. 2019. P. 1-8

47 Remote vital parameter monitoring in neonatology - robust, unobtrusive heart rate detection in a realistic clinical scenario / N. Blanik [и др.] // Biomedizinische Technik. 2016. № 6. P. 631-643

48 Development of a remote photoplethysmographic technique for human biometrics / P. Shi [и др.] // Design and Quality for Biomedical Technologies II. 2009. № 7170. P. 13-18

49 Heart rate monitoring via remote photoplethysmography with motion artifacts reduction / G. Cennini [и др] // Optics Express .- 2010. -№ 8. - P. 21-27.

50 И.П. Семчук, Г.Н. Змиевской, Н.П. Муравская, А.К. Волков, М.А. Мурашко, А.В. Самородов. Экспериментальное исследование методов бесконтактной фотоплетизмографии // Медицинская техника. 2019-№1, с. 1-4

51 И.П. Семчук. Разработка биотехнической системы бесконтактного мониторинга показателей жизненно важных функций организма новорожденных// Молодежный научно-технической вестник. -2017. - №6. - с. 53

52 Remote Heart Rate Measurement from Face Videos under Realistic Situations / L. Xiaobai [h gp.] // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2014. P. 4264-4271

53 Optimizing Remote Photoplethysmography Using Adaptive Skin Segmentation for Real-Time Heart Rate Monitoring / R. M. Fouad [h gp.] // IEEE Access. 2019. Vol 7. P. 76513-76528

54 Video-Based Contactless Heart-Rate Detection and Counting via Joint Blind Source Separation with Adaptive Noise Canceller / L. Kanghyu [h gp.] // Applied Sciences. 2019. № 9. Article number 4349

55 Remote heart rate monitoring - Assessment of the Facereader rPPg by Noldus / S. Benedetto [h gp.] // PLoS One. 2019. № 14. Article number e0225592

56 von Arx T, Abdelkarim AZ, Lozanoff S. The Face - A Neurosensory Perspective. Swiss Dent Journal. 2017. № 12. P. 1066-1075

57 Three main arteries of the face and their tortuosity / K. Soikkonen [h gp.] // Br J Oral Maxillofac Surg. 1991. №6. 395-398

58 Whetzel T.P, Mathes S.J. Arterial anatomy of the face: an analysis of vascular territories and perforating cutaneous vessels // Plast Reconstr Surg. 1992. №4. 591-603

59 Pinar Y.A, Govsa F. Anatomy of the superficial temporal artery and its branches: its importance for surgery // Surg Radiol Anat. 2006. №3. 248-253

60 Kleintjes W.G. Forehead anatomy: arterial variations and venous link of the midline forehead flap // J Plast Reconstr Aesthet Surg. 2007. № 6. 593-606

61 Arterial supply of the nasal tip in Asians / D.H. Jung [h gp.] // Laryngoscope. 2000. № 2. 308-311

62 En-face analysis of short posterior ciliary arteries crossing the sclera to choroid using wide-field swept-source optical coherence tomography / R. Lejoyeux [h gp.] // Scientific Reports. 2021 № 1. Article number 8732

63 Arterial anatomy of the lower lip / K. Kawai [h gp.] // Scand J Plast Reconstr Surg Hand Surg. 2004. № 3. P. 135-139

64 Rahpeyma A, Khajehahmadi S. Submental artery island flap in intraoral reconstruction: a review // J Craniomaxillofac Surg. 2014. № 6. P. 983-989

65 И.П. Семчук, Г.Н. Змиевской, Н.П. Муравская, А.К. Волков, М.А. Мурашко, А.В. Самородов. Экспериментальное исследование методов бесконтактной фотоплетизмографии // Медицинская техника.-2019.-№1.-с.1-4

66 A Multimodal Database for Affect Recognition and Implicit Tagging / M. Soleymani [и др.]. // IEEE Transactions on Affective Computing. 2012. №3. P. 42-55

67 Viola P., Jones M. J. Robust real-time face detection //International journal of computer vision. 2004. №. 2. P. 137-154

68 Jones M., Viola P. Fast multi-view face detection //Mitsubishi Electric Research Lab TR-20003-96. 2003. Т. 3. №. 14. С. 2.

69 Rowley H. A., Baluja S., Kanade T. Neural network-based face detection // IEEE Transactions on pattern analysis and machine intelligence. 1998. №. 1. С. 23-38.

70 Schneiderman H., Kanade T. A statistical method for 3D object detection applied to faces and cars //Proceedings IEEE Conference on Computer Vision and Pattern Recognition. CVPR 2000. 2000. P. 746-751.

71 Hsu R. L., Abdel-Mottaleb M., Jain A. K. Face detection in color images //IEEE transactions on pattern analysis and machine intelligence. 2002. №. 5. С. 696-706.

72 Kaur A., Kranthi B. V. Comparison between YCbCr color space and CIELab color space for skin color segmentation //International Journal of Applied Information Systems. 2012. №. 4. P. 30-33.

73 Dalal N., Triggs B. Histograms of oriented gradients for human detection //2005 IEEE computer society conference on computer vision and pattern recognition (CVPR'05). IEEE. 2005. Vol. 1. P. 886-893.

74 Machine learning approach for contactless photoplethysmographic measurement verification / I.P. Semchuk [и др.] // Pattern Recognition. ICPR International Workshops and Challenges. 2021. P.90-96

75 Pulse wave propagation / J. K. Li[u gp.] //Circulation research. 1981. №. 2. C. 442-452.

76 Sugawara J., Tomoto T., Tanaka H. Heart-to-brachium pulse wave velocity as a measure of proximal aortic stiffness: MRI and longitudinal studies //American journal of hypertension. 2019. №. 2. P. 146-154.

77 Hemon, M. C., Phillips, J. P. Comparison of foot finding methods for deriving instantaneous pulse rates from photoplethysmographic signals// Journal of Clinical Monitoring and Computing. 2015. № 2. P.157-168.

78 Pan J., Tompkins W. J. A real-time QRS detection algorithm //IEEE transactions on biomedical engineering. 1985. №. 3. C. 230-236

79 Jarrett K. et al. What is the best multi-stage architecture for object recognition? //2009 IEEE 12th international conference on computer vision. IEEE, 2009. C. 2146-2153.

80 LeCun Y., Kavukcuoglu K., Farabet C. Convolutional networks and applications in vision //Proceedings of 2010 IEEE international symposium on circuits and systems. IEEE, 2010. P. 253-256.

81 Scherer D., Müller A., Behnke S. Evaluation of pooling operations in convolutional architectures for object recognition //International conference on artificial neural networks. Springer, Berlin, Heidelberg, 2010. P. 92-101.

82 Deep learning applications and challenges in big data analytics / M. M. Najafabadi [h gp.] //Journal of Big Data. 2015. №. 1. P. 1.

83 Zihlmann M., Perekrestenko D., Tschannen M. Convolutional recurrent neural networks for electrocardiogram classification //2017 Computing in Cardiology (CinC). IEEE, 2017. C. 1-4.

84 Ruiz J. T., Pérez J. D. B., Blázquez J. R. B. Arrhythmia detection using convolutional neural models //International Symposium on Distributed Computing and Artificial Intelligence. Springer, Cham, 2018. C. 120-127.

85 Chen T. B., Soo V. W. A comparative study of recurrent neural network architectures on learning temporal sequences //Proceedings of International Conference on Neural Networks (ICNN'96). IEEE, 1996. Vol. 4. P. 1945-1950.

86 Ster B. Selective recurrent neural network //Neural processing letters. 2013. T. 38. №. 1. P. 1-15.

87 Learning deep hierarchical and temporal recurrent neural networks with residual learning / T. Zia [h gp.] // Int. J. Mach. Learn. & Cyber. 2020. №11. P. 873882

88 He T., Droppo J. Exploiting LSTM structure in deep neural networks for speech recognition //2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2016. P. 5445-5449

89 Gers F. A., Schmidhuber J. Recurrent nets that time and count //Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. IJCNN 2000. Neural Computing: New Challenges and Perspectives for the New Millennium. IEEE, 2000. Vol. 3. P. 189-194.

90 Robust ECG R-peak detection using LSTM / J. Laitala [h gp.] // Proceedings of the 35th Annual ACM Symposium on Applied Computing. 2020. 3. 1104-1111.

91 §enturk U., Yucedag I., Polat K. Repetitive neural network (RNN) based blood pressure estimation using PPG and ECG signals //2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT). IEEE, 2018. P. 1-4.

92 Supervised ecg interval segmentation using lstm neural network / H. Abrishami [h gp.] //Proceedings of the International Conference on Bioinformatics & Computational Biology (BIOCOMP). The Steering Committee of The World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp), 2018. P. 71-77.

93 Habib A., Karmakar C., Yearwood J. Impact of ECG dataset diversity on generalization of CNN model for detecting QRS complex //IEEE access. 2019. Vol. 7. P. 93275-93285.

отзыв

научного руководителя соискателя ученой степени кандидата технических наук по специальности 2.2.12 - Приборы, системы и изделия медицинского назначения

Семчука Ивана Павловича

Семчук Иван Павлович поступил в МГТУ им. Н.Э. Баумана в 2011 на кафедру «Биомедицинские технические системы» году как призер олимпиады «Шаг в будущее». В 2015 г. Получил квалификацию бакалавра по специальности 201000 «Биотехнические системы и технологии» (диплом с отличием), а в 2017 году - квалификацию магистра по специальности 12.04.04 «Биотехнические системы и технологии» (диплом с отличием).

В период с 2017 по 2021 гг. Семчук И.П. обучался в очной аспирантуре на кафедре «Биомедицинские технические системы» МГТУ им. Н.Э. Баумана, экзамены кандидатского минимума сдал на «отлично». В процессе обучения в аспирантуре также работал в должности ассистента на кафедре «Биомедицинские технические системы», в должности инженера в Инжиниринговом центре «Автоматика и робототехника» МГТУ им. Н.Э. Баумана, а также в должности разработчика программного обеспечения в компании «Яндекс Беспилотные Технологии».

На протяжении всей научно-исследовательской деятельности, Семчук И.П. зарекомендовал себя как активный и ответственный исследователь. Диссертационная работа Семчука И.П., посвященная разработке биотехнической системы видеоплетизмографического мониторинга сердечного ритма, содержит обстоятельные исследования на предмет методов обработки и анализа видеоизображения лица и физиологических сигналов в задаче измерения и мониторинга частоты сердечных сокращений. Работа выполнена на высоком научно-техническом уровне, полностью соответствует требования ВАК РФ.

Основные результаты работы были доложены на различных всероссийских и международных конференциях, а также использованы при выполнении с участием автора прикладных научных исследований «Создание Стенда для отработки аппаратно-программного комплекса телеметрического контроля жизненно важных функций организма человека и создание автоматизированной экспертной системы поддержки принятия решения, выбора коррекционных и профилактических мероприятий удаленного доступа»; внедрены в учебный процесс кафедры «Биомедицинские технические системы» МГТУ им. Н.Э. Баумана.

Считаю Семчука Ивана Павловича сформировавшимся ученым, достойным присуждения ученой степени кандидата технических наук по специальности 2.2.12 - Приборы, системы и изделия медицинского назначения.

Доктор технических наук, Профессор кафедры «Биомедицинские технические системы» федерального государственного образовательного учреждения высшего образования «Московский Государственный Технический Университет им. Н.Э. Баумана» (национальный исследовательский университет)

Ж

ОЕ

^^^/••д«?*¡¡кщЛ

И1-

шш? 1! ■

"Фтт

: <*

Н.П. Муравская

ко ЗАВЕРЯЮ

тжи УПРАВЛйШ КАДГСЗ к о. в.

293-80-48