Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Муштак Али Мухамед Салех

• Муштак Али Мухамед Салех
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Муштак Али Мухамед Салех

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ И АНАЛИЗА ЭЛЕТРОКАРДИОСИГНАЛА

1.1. Особенности регистрации, обработки и анализа электрокардиосигнала

1.2. Параметры электрокардиограммы условно здорового человека

1.3. Современные походы к анализу ЭКС

1.4. Применение искусственных нейронных сетей (ИНС) в анализе электрокар диосигнал а

1.5. Выводы

ГЛАВА 2 ТЕОРЕТИЧЕСКИЕ ПРЕДПОСЫЛКИ СОЗДАНИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ НАРУШЕНИЙ В РАБОТЕ СЕРДЦА

2.1 Классическая процедура автоматизированного анализа ЭКГ

2.2 Помехи при регистрации электрокардиосигнала

2.3 Методы селекции Я - зубцов

2.4 Выбор и обоснование структуры нейросетевой системы анализа ЭКС

2.4.1 Основные положения искусственных нейронных сетей

2.4.2 Функции активации нейронов

2.4.3 Архитектура искусственных нейронных сетей

2.4.4 Методы обучения искусственных нейронных сетей

2.4.5 Обоснование выбора типа нейронной сети для анализа электрокардиосигнала

2.5 Выводы

ГЛАВА 3 ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО ПОДХОДА К АНАЛИЗУ ЭЛЕКТРОКАР ДИОСИГНАЛОВ

3.1 Описание экспериментального архива данных ЭКС

3.2 Методика формирования входного образа ЭКС

3.3 Алгоритм предварительной обработки ЭКС

3.4 Разработка структуры базы данных ИНС

3.5 Процедура проведения исследований ИНС

3.6 Алгоритм экспериментального программного исследования функционирования ИНС

3.7 Результаты исследования ИНС

3.7.1 Результаты исследования нейронных сетей с применением сегментации ЭКГ

3.7.2 Результаты исследования нейронных сетей с применением сегментации и параметризации ЭКГ

3.7.3 Алгоритм поиска оптимального размера нейронной сети

3.8 Выводы

ГЛАВА 4 АППАРАТНО - ПРОГРАММНЫЙ КОМПЛЕКС ОБРАБОТКИ И НЕЙРОСЕТЕВОГО АНАЛИЗА СЕГМЕНТИРОВАННОГО ЭЛЕКТРОКАРДИОСИГНАЛА

4.1 Структура экспериментальной системы нейросетевого анализа электрокар диосигнала

4.2 Блок усиления и аналого-цифрового преобразования

4.3 Блок регистрации сигнала

4.4 Блок обработки и визуализации сигнала в реальном времени

4.5 Блок предварительной обработки сигнала и выделения образов

4.6 Блоки нейросетевого анализа сигнала

4.7 Блок принятия решений

4.8 Блок формирования реультатов анализа сегментированного ЭКС

4.9 Сравнение с аналогом

4.10 Выводы

ЗАКЛЮЧЕНИЕ И РЕКОМЕНДАЦИИ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала»

ВВЕДЕНИЕ

Актуальность проблемы.

Радиотехнические методы приёма, обработки и хранения информации получили широкое развитие в различных областях жизни и продолжают расширять свои области применения, охватывая такую предметную область, как медицина.

Применение радиотехнических устройств обработки биомедицинских сигналов способствует увеличению объёма и качества получаемой информации о функциональном состоянии человека, и как следствие, созданию более эффективных биомедицинских приборов, аппаратов и систем.

Так применение методов обнаружения и селекции слабых сигналов на фоне помех для автоматического анализа электрокардиосигнала (ЭКС) позволяет выявить различные виды нарушений в работе сердца, в т.ч. аритмии.

Автоматизация процесса приёма, обработки и анализа ЭКС для обнаружения и распознавания патологических отклонений является актуальной задачей диагностики работы сердца человека, т.к. заболевания сердечнососудистой системы (ССС) являются наиболее распространенной причиной смертности и инвалидности во всем мире. По данным Всемирной организации здравоохранения смертность от этих заболеваний составляет 30% в мире и 42% в Европе.

В связи с этим особую значимость и практический интерес представляют мобильные кардиомониторы (МКМ), обладающие расширенными функциональными возможностями для экспресс-диагностики работы сердца с помощью интеллектуальных методов регистрации, обработки и анализа электрокардиосигнала (ЭКС) и обеспечивающие получение достоверной информации об электрической активности сердца на основе раннего выявления в ЭКС каких либо изменений по сравнению с ЭКС здорового человека.

В последнее время ведутся активные работы, как в России, так и за рубежом, по разработке более точных и быстрых алгоритмом классификации электрокардиограмм, в том числе с применением искусственного интеллекта. Большая часть работ направлена на использование нейронных сетей. В них с помощью обучения нейронной сети соответствующими выборками (иногда с предварительной обработкой), добиваются устойчивого распознавания типов ЭКГ и выявления нарушений. Большой вклад в развитие направления ИНС в медицине внесли многие ученые 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 М, Kestler Н.А, Golovenkin S.E., Shulman V.A., Matjushin G.V. и др.

Анализ этих работ показывает перспективность применения ИНС в задачах медицинской диагностики. Все это свидетельствует о том, что проблема разработки алгоритмов распознавания наличия патологических изменений в ЭКС является социально- значимой.

Исходя из этого, актуальность данной диссертации определяется необходимостью разработки и исследования методов и средств получения, обработки и анализа биоэлектрических сигналов с использованием нейросетевых технологий с целью выявления изменений формы ЭКС и, как следствие, нарушений в работе сердца.

В связи с этим целью данной работы является развитие радиотехнических методов и средств выявления патологических изменений в сигнале электрической активности сердца на основе применения технологии искусственных нейронных сетей.

Для достижения поставленной цели ставится задача синтеза алгоритмов выделения, обработки и анализа диагностической информации, содержащейся в электрокардиосигнале (ЭКС), отражающем электрическую активность сердца человека. Для этого необходимо:

1. На основе анализа литературы по существующим подходам и методам распознавания образов с учётом специфики ЭКС и возможностям применения искусственных нейронных сетей (ИНС) в задаче распознавания патологических отклонений в данном сигнале выбрать и обосновать основные параметры и характеристики искусственной нейронной сети (ИНС).

2. Сформировать необходимый объем обучающих и тестовых данных электрокардиосигналов в «норме» и при отклонениях от нормы.

3. Разработать алгоритмы создания обучающих образов, а также структуру экспериментальной базы данных электрокардиосигналов.

4. Разработать специализированные алгоритмы автоматизации проведения экспериментальных исследований ИНС с целью обоснованного выбора методики формирования пространства признаков для ИНС и размера нейросети в целом.

5. Провести экспериментальные исследования разработанной нейросетевой системы обработки и анализа электрокардиосигналов и оценить на основе выбранных критериев эффективность её функционирования в задаче экспресс - диагностики работы сердца.

Объектом исследования являются методы обработки и анализа биоэлектрических сигналов (БЭС).

Предметом исследования является эффективность применения нейросетевой технологии к решению задач выявления и распознавания патологических изменений в биоэлектрических сигналах.

Область исследований. Решение научно - технической задачи развития современных радиотехнических методов и средств обработки и анализа электрокардиосигнала на основе применения нейронных сетей и технологии распознавания образов для повышения эффективности аппаратно -программных комплексов экспресс - диагностики работы сердца человека.

Методы исследования. Для решения поставленных в работе задач использовались методология системного анализа, теории искусственных нейронных сетей и распознавания образов, цифровой обработки сигналов, статистики и экспериментальных исследований. В процессе работы использовался программный пакет Neural Network Toolbox системы Matlab 7. Экспериментальный прототип системы анализа электрокардиосигналов разрабатывался с применением программной среды Lazarus.

Научная новизна результатов исследования заключается в том, что:

1. На основе сегментарного подхода предложена методика формирования входных образов электрокардиосигналов, несущих информацию об электрической активности сердца, последующий анализ которых с помощью ИНС позволяет оценить работу сердца в режиме экспресс - диагностики, при повышенной устойчивости к воздействию шумов и помех.

2. Разработан и экспериментально исследован алгоритм предварительной обработки ЭКС на основе формы сегментированного P-QRS-T комплекса, обеспечивающий получение информации об электрической активности сердца с возможностью локализации места возникновения патологии.

3. Разработан алгоритм нахождения оптимального количества нейронов скрытого слоя ИНС на основе результатов обучения и тестирования сети, что способствует минимизации ошибки неверного заключения. Практическая значимость. Разработанные алгоритмы анализа электрокардиосигнала расширяют функциональные возможности переносных кардиомониторов по обнаружению нарушений в работе сердца человека, в частности, обеспечивают распознавание и локализацию патологических отклонений от нормы в проводящей системе сердца человека. Предложенный в работе сегментарный подход обеспечивает автоматический поиск и диагностику патологий сердца в режиме реального времени с чувствительностью 85% и специфичностью 92%, а также расширение

функциональных возможности ИНС в задаче анализа БЭС путём доучивания имеющихся модулей.

Разработанный алгоритм нахождения оптимального количества нейронов скрытого слоя для многослойного персептрона обеспечивает возможность выбора такого сочетания значений чувствительности и специфичности, при которых достоверность выполнения целевой функции ИНС максимальна.

Экономическая и социальная значимость работы состоит в расширении функциональных возможностей и повышении эффективности работы переносных кардиомониторов для экспресс - диагностики работы сердца человека.

Достоверность научных положений. Достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается результатами тестирования созданных алгоритмов на основе общепризнанных верифицированных баз данных ЭКС ресурса РИуБюКе! , экспериментальных исследований и апробации разработанных специализированных нейросетевых блоков распознавания отклонений ЭКС от нормы.

Основные научные положения, выносимые на защиту.

1. Методика создания входных образов ЭКС по времени относительно Я-зубца, которая отличается большей помехоустойчивостью по сравнению с методиками сегментации по форме ЭКГ.

2. Алгоритм формирования входных образов кардиокомплексов на основе выделения сегмента Р-СЖБ-Т комплекса, который позволяет увеличить достоверность распознавания отклонений от нормы по сравнению с параметрическим методом создания образов.

3. Алгоритм нахождения оптимального числа нейронов скрытого слоя ИНС типа многослойный персептрон, которая обеспечивает повышение эффективности функционирования нейросетевых блоков по распознаванию отклонений ЭКС от нормального.

Результаты внедрения работы. Основные теоретические и практические результаты работы внедрены в научно-исследовательскую деятельность и в учебный процесс кафедры биомедицинской инженерии Владимирского государственного университета при подготовке специалистов по направлению 201000 - «Биотехнические системы и технологии». Созданное методическое и программное обеспечение, в частности, алгоритма нахождения оптимального числа нейронов скрытого слоя, методика выделения Я - зубца электрокардиосигнала в ОАО «Владимирское КБ радиосвязи», а также результаты нейросетевой обработки реальных ЭКС прошли апробацию в муниципальном учреждении здравоохранения «Городская больница № 1».

Личный вклад автора. В работах, опубликованных в соавторстве, автором предложены алгоритмы программ автоматизации исследований, проведено компьютерное моделирование, выполнены лично основные расчеты, проведен 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 международной научно-технической конференция «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ), (г. Владимир, 20 Юг); Всероссийской конференции с элементами научной школы для молодежи «Биомедсистемы 20Юг», РГТУ, (г. Рязань, 2010 г), 66-ой Всероссийская конференции с международным участием «Научная сессия, посвященная Дню радио», (г. Москва, 2011 г)

Публикации. Самостоятельно и в соавторстве по материалам диссертации опубликованы 7 работ, в том числе 2 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 123

наименований и 2 приложений. Объём диссертации 123 страницы машинописного текста, 51 рисунка и 14 таблиц.

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Муштак Али Мухамед Салех

3.8 Выводы

В данной главе представлено описание экспериментального архива реальных ЭКГ записей, взятых из общепризнанной БД, который был использован в работе при построении обучающих и тестовых баз данных. Кроме того, был разработан и представлен алгоритм сегментации ЭКГ и выделения образов кардиокомплексов. Предложены два варианта построения пространства признаков: по форме сегментов ЭКГ («Сегментированная ЭКГ») и по описательным параметрам, а именно: Мода (Мо), среднеквадратичное отклонение (SD), площадь под кривой (I), и энтропия сигнала (Е) сигнала («Параметризированная ЭКГ»).

При разработке нейросетевые структуры важным параметром, требующим определения, является количество нейронов в скрытных слоях ИНС. Они определяют соотношение точности распознавания и обобщающей способности системы.

В данной главе были приведены результаты работ по подготовке и проведению экспериментальных исследований, а именно была выбрана программная среда исследований, описаны специальные программы и функции для исследования, обоснованы критерии оценки качества системы, алгоритмы проведения исследований, а также результаты исследований.

Результаты вычислительного эксперимента показали, что метод построения обучающих базы данных ЭКС на основе описательных параметров (Мо, БЭ, I, Е) каждого сегмента ЭКГ не даёт приемлемых показателей достоверности анализа (специфичность, характеризующая отсутствие патологий в сегментах ЭКГ равна 0 см. рис 3.15 - 3.20).

На основе разработанной процедуры оценивания оптимального размера скрытого слоя ИНС с точки зрения минимизации ошибки обучения можно сделать следующий вывод: для системы обнаружения отклонений от нормальной электрофизиологический активности сердца целесообразно использовать БД «Сегментированных ЭКГ». В табл. 3.7 приведены значения оптимального числа нейронов скрытого слоя, при которых обеспечивается распознавания сегментов ЭКГ (предсердий желудочковой и реполяризации) с вероятностью не менее %85.

Табл. 3.7. Результаты исследования нейронных сетей с использованием БД «Сегментированных ЭКГ».

Сегмент ЭКГ Чувствительность Специфичность Ошибка обучения Число нейронов скрытого слоя

Предсердный 85 90 0,02 100

Желудочковый 86 97 0,02 70

Реполяризационный 85 90 0,005 20

Среднее 85 92 0,015

ГЛАВА 4 АППАРАТНО - ПРОГРАММНЫЙ КОМПЛЕКС ОБРАБОТКИ И НЕЙРОСЕТЕВОГО АНАЛИЗА СЕГМЕНТИРОВАННОГО

ЭЛЕКТРОКАРДИОСИГНАЛА

4.1 Структура экспериментального АПК нейросетевого анализа электрокардиосигнала

На кафедре биомедицинской инженерии ВлГУ в течение ряда последних лет проводятся активные научные исследования в области применения нейросетевого анализа в клинической практике, что позволило разработать аппаратно - программный комплекс (АПК) с различными блоками нейросетевого анализа электрокардиосигнала (ЭКС), в том числе анализа скаттерграмм и гистограмм ритма сердца.

Результаты научных исследований диагностики сердца, полученные в данной диссертации, позволили автору развить АПК, и расширить его функциональные возможности путем внедрения в него нейросетевых блоков анализа патологических изменений функционального состояния сердца с применением сегментарного подхода к анализу электрокардиосигнала (ЭКС).

Ранее (глава 3, раздел 3.2)была описана методика формирования входного образа ЭКС на основе использования сегментарного подхода (рис. 3.2). Основу входного образа составляет Р-С^И^-Т комплекса разделенный на 3 ключевые зоны, отвечающие за деполяризацию предсердий (Р), деполяризацию желудочков (СР^З) и реполяризацию желудочков (Т). В связи с этим в АПК должны быть включены 3 новых блоков: блок анализа предсердного сегмента (6), блок анализа желудочкового сегмента (7) и блоки анализа реполяризационного сегмента (8).

Также были модифицированы блок Блок предварительной обработки сигнала и выделения образов и блок принятия решений для работы с новыми нейросетевым блоками.

Разработанная структурная схема аппаратно-программного комплекса нейросетевого анализа сегментированного электрокардиосигнала (ЭКС) показана на рис.4.1.

----------------1

Блок усиления и АЦП

Лг\ "IV

Блок регистрации сигнала

Блок обработки и визуализации сигнала в реальном времени

Блок предварительной обработки сигнала и выделения образов

Блок анализа предсердного сегмента

Блок анализа желудочкового сегмента

Г§

Блок анализа реполяризационного сегмента I I

Блок принятия решений Т

10 Блок формирования результатов анализа сегментов ЭКС

Рис.4.1. Аппаратно-программный комплекс нейросетевого анализа сегментированного ЭКС

Комплекс состоит из 10 блоков: блок усиления и аналого-цифрового преобразования (АЦП), программный блок регистрации сигнала, обработки и визуализации в реальном времени, блок предварительной обработки сигнала и выделения образов, блоки анализа предсердного, желудочкового и реполяризационного сегментов ЭКГ, блок принятия решений, блок формирования результатов анализа.

4.2 Блок усиления и аналого-цифрового преобразования

Данный блок обеспечивает регистрацию электрокардиосигнала, аналого-цифровое преобразование и передачу его на персональный компьютер. В экспериментальном нейросетевом аппаратно - программном комплексе используется в практической медицине девятиканальный цифровой кардиоусилитель ЭК9Ц-01-КАРД (KARDi2), имеющий входной импеданс не менее 40 МОм и обеспечивающий входной диапазон 0.03 - 5 мВ, погрешность измерения напряжения 7 - 12%, нелинейность 2%, коэффициент ослабления синфазного сигнала не менее 109дБ, напряжение внутренних шумов не более 20 мкВ, неравномерность АЧХ от -10 до +5%, а также безопасность по классу I тип CF. Для подключения цифрового кардиографа использовался интерфейс USB.

4.3 Блок регистрации сигнала

Блок регистрации сигнала необходим для получения информации от цифрового кардиографа в режиме реального времени, цифровой фильтрации и записи ЭКГ в оперативную память компьютера.

Для получения сигнала использовались оригинальные драйверы цифрового кардиоусилителя ЭК9Ц-01-КАРД (KARDi2. Цифровая фильтрация осуществлялась полосовым КИХ фильтром в диапазоне от 0.05 до 75 Гц для выделения полосы частот полезного сигнала и режекторным КИХ фильтром в полосе частот от 45 до 55 Гц для исключения гармонической сетевой наводки.

4.4 Блок обработки и визуализации сигнала в реальном времени

Данный блок предназначен для выполнения основных операций в процессе непосредственной регистрации ЭКС: выделение R-зубцов, построение RR-интервалограммы; вычисление и построение корреляционной ритмограммы (скаттерграммы).

В главе 2 описан метод селекция Я-зубца электрокардиосигнала методом двойного дифференцирования, т.к. т.к. этот метод обеспечивает сокращение времени селекции при одновременном повышении точности способа и повышение помехозащищенности выделения R-зубца, что важно для последующего этапа формирования входного образа ЭКС, т.к. R-зубец в этом случае является опорной точкой.

4.5 Блок предварительной обработки сигнала и выделения образов

Данный блок предназначен для формирования векторов входных данных сегментов ЭКС для всех нейросетевых модулей (блоки 6,7,8) (рис.4.1).

При анализе формы ЭКГ в данной работе предполагается сегментация сигнала на основные составляющие сердечного цикла. На ЭКГ сердечный цикл обычно представляется в виде трех комплексов:

- Р - зубец - соответствует деполяризации предсердий;

- QRS - деполяризации желудочков,

- Т - зубец - соответствует реполяризации.

Каждый комплекс состоит из нескольких разнонаправленных пиков (зубцов). Наиболее выраженным из них является R-зубец, который располагается примерно по центру сердечного цикла (немного смещён в сторону начала). Он является самым высокоамплитудным и высокочастотным, что обеспечивает его стабильное обнаружение и точную локализацию на временной оси, а также он присутствует на большинстве отведений ЭКГ. Очевидно, что R-зубец прекрасно подходит в качестве опорной точки для получения ЭКГ-образа.

Количество точек во входном векторе нейронной сети должно быть строго определено заранее. Длина входного вектора зависит как от временного окна, в которое должен попасть сегмент сердечного цикла, так и от частоты дискретизации сигнала. Временное окно должно содержать две составляющие:

- начальное смещение относительно R-зубца;

- конечное смещение относительно R-зубца.

Анализ параметров нормальной ЭКГ, приведённый во второй главе данной диссертации позволил определить начальные и конечные смещения для всех сегментов ЭКГ (предсердный, желудочковый, реполяризационный).

Частота дискретизации входного ЭКГ-образа зависит от типа регистратора ЭКГ сигнала, выходной сигнал с которого будет подаваться на вход нейросетевых модулей анализатора ЭКГ. Рассматриваемый вариант анализатора на основе ИНС представляет наибольший интерес для скрининговых исследований ЭКГ. Поэтому частота дискретизации была выбрана согласно международного стандарта по диагностической ЭКГ (500 Гц). Сигналы с большей частотой дискретизации должны быть искусственно преобразованы до выбранной частоты дискретизации.

Завершающим этапом построения входных ЭКГ-образов является линейная нормализация сигналов для приведения амплитуд всех входных сигналов в установленный динамический диапазон входных нейронов сети (от 0 до 1).

4.6 Блоки нейросетевого анализа сигнала

В таблице 4.1. сведена информация о назначении каждого из нейросетевых блоков анализа: предсердий, желудочков, процессов реполяризации, скаттерграмм, гистограмм. Каждый из блоков представляет собой нейронную сеть, построенную по технологии многослойного персептрона с одним выходом-индикатором наличия патологического отклонения сигнала. Каждая ИНС обучена решению конкретной задачи распознавания наличия отклонений в форме сегментов ЭКС, характеризующего функциональное состояние предсердий, желудочков и процессов реполяризации. Каждый нейросетевой блок снабжён соответствующими программами эмуляции нейронной сети. Таблица 4.1. Общая информация о назначении нейросетевых блоков анализа электрокардиосигнала

Наименование Назначение

1 Блок анализа предсердного сегмента Распознавание признаков патологических отклонений предсердий сердца в ЭКС

2 Блок анализа желудочкового Распознавание признаков патологических отклонений желудочков сердца в ЭКС сегмента

3 Блок анализа реполяризационного сегмента Распознавание признаков патологических отклонений процессов реполяризаци сердца в ЭКС

4.7 Блок принятия решений

Блок принятия решений осуществляет постобработку результатов нейросетевого анализа путём подсчёта по всем сегметом выявленных патологий ЭКГ (превышение уровня сигнала на выходе нейросети более 0.5).

Для оценки эффективности диагностических систем широко используются такие критерии, как чувствительность и специфичность к той или иной патологии ЭКГ, а также ошибка обучения, которые характеризуют каждый нейросетевой блок в отдельности. На основании этих критериев о наличии патологии с выхода блока принятия решения информация передается в блок формирования результатов анализа.

4.8 Блок формирования результатов анализа сегментов ЭКС

Данный блок формирует последовательность и структуру выходного отчёта о проведённом исследовании. Возможна реализация письменной и устной формы представляется результатов анализа сегментов ЭКС (отчёта). Отчёт включает в себя несколько разделов: информацию об исследовании (ФИО пациента, дату проведения исследования и объём записи ЭКГ); анализ формы сегментов ЭКГ. В письменной форме приводится полная информация о результатах с заключением и количественными параметрами, полученными из блока принятия решений.

4.9 Сравнение с аналогом

Анализ состояния современных кардиографов, используемых в профилактической медицины даёт возможность определить близкий по функциональному назначению комплекс «Кардиовизор-бС», который может быть выбран подхода к распознаванию наличия или отсутствия патологий в ЭКС. Комплекс работает по методу дисперсионного картирования.

В соответствие с данными, приведенными в [7], Кардиовизор-бС может считаться самым близким аналогом разработанной системы по функциональному признаку и обеспечивает разграничение нормы и патологии, т.е. выполняет функцию автоматического классификатора, с чувствительностью 83,8% и специфичностью 73%[7,8].

Результаты тестирования и апробации разработанного комплекса показали более высокую достоверность разделения кардиокомплексов на классы «норма» и «патология». В частности, разработанная система обеспечивает чувствительность, а именно на 1%, специфичность, а именно на 19% выше, чем «Кардиовизор-бС». 4.10 Выводы

Для аппаратной части комплекса может быть применен практически любой цифровой кардиограф, обеспечивающий регистрацию отведений от конечностей, а также частоту дискретизации не менее 500 Гц и разрядность не менее 12 бит.

Разработанная структура аппаратно - программного комплекса обработки и нейросетевого анализа ЭКС может использоваться в системах автоматизированного анализа функционального состояния сердечнососудистой системы, при проведении массовых экспресс - исследований с целью выявления «групп риска», а также в программах автоматизированной расшифровки суточной записи ЭКГ.

В настоящее время ведётся совершенствование и развитие данного экспериментального аппаратно - программного комплекса обработки анализа ЭКС и разработка новых нейросетевых блоков с целю, расширение его функциональных возможностей.

ЗАКЛЮЧЕНИЕ И РЕКОМЕНДАЦИИ

Диссертационная работа посвящена решению научно технической задачи развития современных методов обработки и анализа электрокардиосигнала для создания аппаратно - программных комплексов функциональной медицинской диагностики.

Проблема автоматизированного анализа электрокардиосигнала связана с необходимостью профилактической (ранней) диагностики сердечнососудистой системы у большого числа людей для выделения группы риска. Для этой цели был проведён анализ методологии разработки систем распознавания, обоснован выбор технологии нейронных сетей. В результате были созданы обучающие и тестовые база данных реальных ЭКГ образов, разработаны и исследованы нейросетевые блоки распознавания отклонений от нормальной формы ЭКГ, способствующие совершенствованию методов обработки и анализа медицинских сигналов.

В ходе проведенных исследований получены следующие основные результаты.

1. При регистрации ЭКС используется II стандартное отведение от конечностей для выявления присутствия патологии во всём сердца, но для большей локализации необходимо провести параллельный анализ как минимум двух отведений (I и III стандартных). Это позволит выделить правую или левую часть сердца, имеющую патологию.

2. Исходя из того, что каждый кардиоцикл на ЭКГ отображается в норме со строгой периодичностью (с небольшими флуктуациями в пределах 0.02 с), предложено произвести сегментацию электрокардиокомплекса по времени, используя только одну точку синхронизации - Ы-зубец. Это способствует повышению надёжности работы системы, так как обнаружение одной относительно высокоамплитудной опорной точки на фоне шумов и помех является менее сложной задачей, чем определение 5 или более опорных точек каждого элемента ЭКГ.

3. В качестве искусственной нейронной сети выбран трехслойный типа «многослойный персептрон» с логистической функцией активации, и без обратных связей. Для такой структуры характерно последовательное выделение признаков из исходного образа, что способствует более эффективному распознаванию. В качестве метода обучения был выбран метод обратного распространения ошибки, так как преимуществом данной топологии сети является простота реализации и гарантированная сходимость сети после обучения.

4. Разработан и представлен алгоритм сегментации ЭКГ и выделения образов кардиокомплексов (РСЖБТ). Предложены два варианта построения пространства признаков: по форме сегментов ЭКГ и по описательным параметрам сегментов ЭКС, а именно, мода (Мо), среднеквадратичное отклонение (ЭЭ), площадь под кривой (I), и энтропия сигнала (Е).

5. Разработан алгоритм нахождения оптимального числа нейронов скрытого слоя, основанная на выявлении положительной корреляции между чувствительностью и специфичностью по отношению к числу нейронов в зоне малой ошибки обучения.

6. Результаты вычислительного эксперимента показали, что метод построения базы данных вычислением описательных параметров (Мо, БЭ, I, Е) каждого сегмента ЭКГ не даёт приемлемых показателей достоверности анализа, а именно метод построения базы данных путём сегментирования формы ЭКГ комплекса даёт достаточные для практического применения критерии достоверности: средняя чувствительность - 85%, средняя специфичность -92%.

7. Результаты тестирования и апробации разработанного аппаратного программного комплекса нейросетевой распознавания наличия или отсутствия отклонений в форме ЭС показали повышение чувствительности на 1% и специфичности - на 19% по сравнению с аналогом при разделении кардиокомплексов на классы «норма» и «патология».

Представленные в данной работе блоки сегментов электрокардиокомплесов аппаратно - программного комплекса обработки и нейросетевого анализа ЭКС расширяют возможности использования его в системах автоматизированного анализа функционального состояния сердечнососудистой системы, при проведении массовых экспресс исследований с целью выявления «групп риска», а также в программах автоматизированной расшифровки суточной записи ЭКГ.

В настоящее время ведётся совершенствование и развитие данного экспериментального аппаратно - программного комплекса анализа ЭКС и разрабатываются новые нейросетевые блоки и модули, увеличивающие функциональные возможности системы.

Список литературы диссертационного исследования кандидат технических наук Муштак Али Мухамед Салех, 2013 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

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

2.ПетрухинВ.А. Автоматизированный анализ информации кардиологической базы данных с целью гемодинамического обеспечения инфаркта миокарда // XLV науч. конф. МФТИ "Современные проблемы фундаментальных и прикладных наук": Тр. конф. - Ч. VII. - М. - Долгопрудный, - 2002. - С.40.

3. Петрухин В.А. . Мамаев В.Н, Дроздов Р.В. Сравнительного анализа последовательных векторэлектрокардиограмм для оценки локальных изменений состояния миокарда Комп'ютерш засоби, мереж1 та системи. 2005, № 4 - С.131.

4. 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.

5. Патент DE 198 01 240: Soula А„ Gillessen W., Kitashine Y. Verfahren und Vorrichtung zur Darstellung und Überwachung von Funktionsparametern eines

physiologischen Systems, 1999.

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

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

8. Иванов Г.Г., Прилуцкий Д.А Характеристика показателей дисперсионного картирования при тестировании на базе данных «THE РТВ DIAGNOSTIC ECG DATABASE», http://www.mks.ru

9. Классификация состояний пациентов с использованием искусственных нейронных сетей. Тун Зо Зо, Дерхим Али K.K, С.А. Филист 9-я международная научно-техническая конференция «физика и радиоэлектроника в медицине и экологии» Владимир 2010 секция 4. С.302-305.

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

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

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17.Baxt W.G. Use of an artificial neural network for the diagnosis of myocardial infarction//Ann. Intern. Med.- 1991,- V.115, N.ll.- P.843-848.

18. 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.

19. Rossiev D.A., Golovenkin S.E., Shulman V.A., Matjushin G.V. Neural networks for forecasting of myocardial infarction complications // The Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, Russia, September 20-23, 1995.- Rostov-on-Don, 1995.- P.292-298.

20. 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.

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

22. 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.

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

24.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.

25. 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.

26. 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.l.- P.774-777.

27. Yang T.-F., Devine B., Macfarlane P.W. Combination of artificial neural networks and deterministic logic in the electrocardiogram diagnosis of inferior myocardial infarction // Eur. Heart J.- 1994.- V.15.- Abstr. Supplement XII-th World Congress Cardiology (2408).- P.449.

28. 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 XII-th World Congress Cardiology (734).- P.l 14.

29. Nakajima H., Anbe J., Egoh Y. et al. Evaluation of neural network rate regulation system in dual activity sensor rate adaptive pacer // European Journal of Cardiac Pacing and Electrophysiology.- Abstracts of 9th International Congress, Nice Acropolis - French, Rivera, June 15-18, (228), 1994.- Rivera, 1994,- P.54.

30. 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.

31. Floyd C.E.Jr., Lo J.Y., Yun A.J. et al. Prediction of breast cancer malignancy using an artificial neural network // Cancer.- 1994.- V.74, N.l 1.- P.2944-2948.

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

33. Россиев Д.А. Глава 5. Медицинская нейроинформатика // Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Миркес Е.М.и др. Новосибирск: Наука, 1998.

34.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.

35.0ганов, Р.Г. Профилактика сердечно-сосудистых заболеваний: возможности практического здравоохранения [Текст] / Р.Г. Оганов //Кардиоваскулярная терапия и профилактика. 2002. —№ 1. С. 5—10.

36.Кушаковский, М.С. Аритмии сердца [Текст]/ М.С. Кушаковский. СПб.: Фолиант, 1998.

37. Козлов, С. Г. 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.

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

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

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

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

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

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

44.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

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

46.Дошицин В. JI. Клинический анализ электрокардиограммы. - М.: Медицина, 1982.С.206.

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

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

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

50. 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 K.P. Основные проблемы социологии мышления, "Мецниэреба", Тбилиси, 1973.

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

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

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

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

56. 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.

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

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

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

59. Круглов В.В., и др. Нечеткая логика и искусственные нейронные сети.

Физматлит . 2001 С 221

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

61. 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.

62. Senashova Masha Yu., Gorban Alexander N., and Wunsch Donald, "Back-Propagation of Accuracy'7/ Proc. IEEE/INNS International Conference of Neural Networks, Houston, IEEE, 1997, pp. 1998-2001

63. Чигвиндзе О.Д., Чоговадзе P.A. Выполнение групповой операции умножения в ассоциативном параллельном процессе с расширенными внутримодульными функциями, Труды Грузинского политехнического института, №8 (181), Тбилиси, 1975.Э. Хант. Искусственный интеллект, Москва, «Мир», 1978.

64. Галушкин А.И. Нейронные сети. Основы теории. М., "Горячая Линия -Телеком" • 2010г.С.496

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

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

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

68.Короткий.С. Нейронные сети алгоритм обратного pacпpocтpaнeния//http://www.neuropower.de/шs/books/index.htпll.

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

70. Сотник С. J1, Конспект лекций по курсу "основы проектирования систем искусственного интеллекта", Москва, 1998 http://neuroschool.narod.ru/books/sotnik.htm.

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

72. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. - СПб.: Изд-во ЦПО "Информатизация образования", 2007, N1, С. 20-29.

73.Воронцов К.В. Лекции по искусственным нейронным сетям 2006.

74.Вороновский Г.К., Махотило К.В., Петрашев С.Н. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. М.: Издат. дом «Вильяме», 2003. С.830.

75.3аенцев И.С. Нейронные сети: основные модели - Учебное пособие к курсу "Нейронные сети" для студентов 5 курса магистратуры. С-Пб.: Издательство, 2007. С.540.

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

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

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

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

80. Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng CK, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220 [Circulation Electronic Pages; http://circ.ahaiournals.org/cgi/content/full/101 /23/е2151; 2000 (June 13)

81.American College of Cardiology / American Heart Association Guidelines for Ambulatory Electrocardiography. // JACC VOL. 34, No. 3, September, 1999. -pp.912-948

82.ИсаковР.В., Кузнецов A.A., Сушкова JI.T., Методы и средства обработки информации при оценке функционального состояния организма человека. Владимир 2006.С. 143.

83. Сушкова JI.T, Исаков Р.В., Аль Мабрук М., Лукьянова Ю.А. Результаты исследования нейронных сетей в задачах распознавания патологических изменений электрической активности сердца // Биомедицинская радиоэлектроника.№7, 2010 г., С.9-13.

84. Сушкова Л.Т, Исаков Р.В., Аль Мабрук М. Аппаратно - программный комплекс нейросетевого анализа электрокардиосигнала //Всероссийского научно-технического журнала «Проектирование и технология электронных средств» 2010. С.61-66.

85. Сушкова Л.Т, Исаков Р.В., Аль Мабрук М. Экспериментальный нейросетевой кардиоанализатор // Медицинская техника, Москва 2011г. С 18-27.

86.

87. Исаков Р.В., Аль Мабрук М. Варианты построения структуры нейронных сетей для распознавания патологии сердца // IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии» ФРЭМЭ ' 2010 г. С157-161

88. Исаков Р.В., Аль Мабрук М., Лукьянова Ю.А. Результаты исследования нейронных сетей в задачах распознавания патологий сердца // IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии» ФРЭМЭ ' 2010 г. С 250-254.

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

90. Исаков Р.В., Аль Мабрук М. Результаты исследования нейронных сетей в задачах распознавания аритмий сердца // Сборник трудов молодых ученых

«Всероссийская научная школа по биомедицинской инженерии», БМИ -СПбГЭТУ 2010 г. С 163-167.

91. Исаков Р.В., Аль Мабрук М. Обработка кардиоциклов электрокардиограммы при создании образов для нейросетевого анализа // XXIII всероссийскую научно-техническую конференцию студентов, молодых ученых и специалистов "Биотехнические, медицинские и экологические системы и комплексы" БИОМЕДСИСТЕМЫ - Рязань 2010. С.242-246.

92. Исаков Р.В., Аль Мабрук М., Салех М. Комплекс обработки и анализа биоэлектрических сигналов // 66-ая Всероссийская конференция с международным участием «Научная сессия, посвященная Дню радио», г. Москва, 2001г. С 408-410.93.

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

94.0короков, 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.

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

96.Ильинский, Б.В. Ишемическая болезнь сердца и наследственность. [Текст] / Б.В. Ильинский, С.К. Клюева// Л.: Медицина, 1985. 176 с.

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

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

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

100. Вайсман М. В., Прилуцкий Д. А., Селищев С. В. Алгоритм синтеза имитационных электрокардиосигналов для испытания цифровых электрокардиографов. Электроника.-2000.-М4.-С.21 -24.

101.Бутковский О. Я., Бухарова О. Д., Кузнецов А. А., Фуров JI. В. Погрешности измерений. Учеб. пособие / Под ред. Кузнецова А. А. Владимир, 1998. - 68 с.

102.Вариабельность сердечного ритма. Стандарты измерения, физиологической интерпретации и клинического использования. Рабочая группа Европейской Кардиологического общества и Северо-Американского общества стимуляции и электрофизиологии // Вестник аритмологии. 1995. вып. 11.

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

104.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.

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

Юб.Гаврилушкин А. П., Киселев С. В., Маслюк А. П. Нелинейная динамика ритма сердца у кардиохирургических больных. Сб. материалов III Симпозиум и Школы: Изд. НИИ КПГ ПЗ СО РАМН, Новокузнецк, 2001 г. -С. 190-196.

107.Гаврилушкин А. П., Маслюк А. П. Теоретические и практические аспекты нелинейных хаотических колебаний ритма сердца. Сб. материалов III Симпозиум и Школы: Изд. НИИ КПГ ПЗ СО РАМН, Новокузнецк, 2001 г. -С. 36-48.

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

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

ПО.Удельнов М. Г. Физиология сердца. Издательство Московского университета, 1975.-303 с.

111 .Попечителев Е. П., Кореневский Н. А. Электрофизиологическая и фотометрическая медицинская техника: Учеб. пособие. Под ред. Попечителева Е. П. - М.: Высш. шк., 2002. - 470 е.: ил.

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

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

114.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.

115.Гаврилушкин А. П., Киселев С. В., Маслюк А. П. Нелинейная динамика ритма сердца у кардиохирургических больных. Сб. материалов III Симпозиум и Школы: Изд. НИИ КПГ ПЗ СО РАМН, Новокузнецк, 2001 г. -С. 190-196.

116. Суворов А. В. Клиническая электрокардиография. /Нижний Новгород. Изд-во НМИ, 1993. 124 с.

117.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.

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

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

120.Кавасма Р.А, Кузнецов A.A., Сушкова J1.T. Автоматизированный анализ и обработка электрокардиографических сигналов. Методы и система / Под ред. Профес. JI.T. Сушковой.- М.: Сайнс-пресс,2006. - 144 с.:или.

121. Суворов А. В. Клиническая электрокардиография. /Нижний Новгород. Изд-во НМИ, 1993. 124 с.

122. Баевский P.M., Берсенева А.П. Оценка адаптационных возможностей организма и риск развития заболеваний М.: Медицина, 1997.- 235 с.

123. Ту Дж., Гонсалес Р. Принципы распознавания образов / Перевод И.П. Гуревича, Под ред. Ю.И. Журавлева, Мир, М., 1978, 412 с.

124. Баевский P.M., Берсенева А.П. Оценка адаптационных возможностей организма и риск развития заболеваний М.: Медицина, 1997.- 235 с.

125. Исаков Р.В., Лукьянова Ю.А. Построение обучающих баз данных для нейросетевого анализатора электрокардиографических данных. -Биомедицинская радиоэлектроника, 2009, №12, с. 34-38

126. Патент РФ № 2076629 (Романов С.П., Институт физиологии им.И.П.Павлова).

127. Салех М.А. Сегментарный подход к обработке электрокардиографических при построении систем автоматизированного анализ / Салех М.А., Исаков Р. В. ,Сушкова Л.Т. // Всероссийский научно-технический журнал "Проектирование и технология электронных средств" № 4., 2010г., С.24-29.

128. Салех М.А. Оценка эффективности применения исскуственных нейронных сетей для анализа сегментированных электрокардиокомплексов / Салех М.А., Исаков Р.В. // Биомедицинская радиоэлектроника. № 6. , 2012г., С.21-27.

129. Салех М.А. Аппаратно-программный комплекс нейросетевого обнаружения отклонений от нормы в электрокардиосигнале / Исаков Р. В. , Салех М.А., Сушкова Л.Т. // Биомедицинская радиоэлектроника. № 6. , 2012г., С.14-19.

130. http://www.intuit.rU/department/database/datamining/l 1/datamining 11 .html

ПРИЛОЖЕНИЕ 1: СТАНДАРТНЫЕ ОТВЕДЕНИЯ ЭКГ

Стандартные отведения (рис.1) - это двухполюсные отведения от конечностей, предложенные Эйнтховеном. Их обозначают римскими цифрами I, II, III. Данные отведения регистрируют разность потенциалов между двумя конечностями. Для их записи электроды накладывают на обе верхние левую и нижнюю конечности, и попарно подают потенциалы на вход электрокардиографа, строго соблюдая полярность отведений. Четвертый электрод помещают на правую ногу для подключения провода заземления.

Порядок подключения к электрокардиографу при регистрации стандартных отведений:

I отведение - правая рука (отрицательный электрод) - левая рука (положительный электрод);

II отведение - правая рука (отрицательный электрод) - левая нога (положительный электрод);

III отведение - левая рука (отрицательный электрод) - левая нога (положительный электрод);

ЛН

ЛР

ЛН

®

©

Рис.1 Стандартные отведения.

Оси трех стандартных отведений являются сторонами схематического равностороннего треугольника Эйнтховена. Вершинам этого треугольника соответствуют электроды, установленные на правой руке, левой руке и левой ноге. В центре расположен электрический центр сердца - точечный единый суммарный сердечный диполь, одинаково удаленный от всех трех осей отведений. Перпендикуляры, обращенные из центра треугольника Эйнтховена на оси отведений, делят их на положительную, обращенную к положительному электроду и отрицательную, обращенную к отрицательному электроду, половины. Углы между осями отведений составляют 60 градусов.

При записи меняющейся картины распределения электрических потенциалов на движущуюся бумагу получается кривая ЭКГ, с острыми и закруглёнными зубцами, повторяющимися во время каждой систолы. Зубцы обозначают латинскими буквами Р, (2, Я, Б, Т и и. Первый из них связан с деятельностью предсердий, остальные зубцы - с деятельностью желудочков сердца. Форма зубцов в разных отведениях, в общем различна.