Коллективный алгоритм на базе нечеткой логики для обработки электрокардиологической информации в сложных сигнально-помеховых ситуациях тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Шамин, Евгений Анатольевич

• Шамин, Евгений Анатольевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Шамин, Евгений Анатольевич

ВВЕДЕНИЕ

ГЛАВА 1. Анализ информативных элементов электрокардиосигналов, методов их обнаружения и распознавания

1.1 Информативные параметры электрокардиосигнала

1.2 Анализ видов электрокардиографических помех и методов снижения их интенсивности

1.3 Аналитический обзор методов распознавания и принятия решений, применяемых при обработке информативных элементов ЭКС

1.4 Выводы по главе

ГЛАВА 2 Коллективный алгоритм обработки электрокардиографической информации на базе теории нечетких множеств

2.1 Перспективы применения коллективных методов распознавания для повышения помехоустойчивости при обработке ЭКГ-информации

2.2. Обоснование применения теории нечеткой логики для повышения помехоустойчивости при обработке ЭКГ-информации

2.3 Разработка коллективного решающего правила и алгоритма на базе теории нечетких множеств для повышения эффективности обработки электрокардиографической информации в сложных сигнально-помеховых ситуациях

2.4 Системный подход к обработке электрокардиологической информации в условиях интенсивных помех

2.5 Разработка системы информационно-лингвистических моделей информативных участков электрокар диосигнала

2.6 Разработка системы информационно-лингвистических моделей сложных сигнальных и сигнально-помеховых ситуаций

2.7 Выводы по главе

ГЛАВА 3 Разработка и совершенствование коллективного алгоритма обработки элекрокардиосигнала на базе ТНМ

3.1 Обоснование выбора системы нечеткого вывода для коллективного алгоритма обработки электрокардиологической информации

3.2 Формирование системы входных признаков для обработки электрокардиологической информации

3.3 Разработка модели коллективного алгоритма обработки электрокардиологической информации на базе ТНМ

3.4 Результаты исследований по оптимизации параметров коллективного алгоритма обработки электрокардиологической информации на базе ТНМ

3.5 Выводы по главе

ГЛАВА 4. Разработка информационно-методического обеспечения для оценки эффективности работы коллективного алгоритма обработки элекрокардиосигнала на базе ТНМ

4.1 Выбор и обоснование применения баз для верификации

4.2 Методика верификации алгоритмов обработки электрокардиографической информации для кардиомониторных систем

4.3. Разработка системы для верификации алгоритмов обнаружения КИ ЭКС

4.4 Результаты сравнительной оценки эффективности коллективного алгоритма обработки ЭКГ-информации на базе ТНМ

4.5 Выводы по главе 162 Заключение 163 СПИСОК ЛИТЕРАТУРЫ 165 Приложение 1 179 Приложение

Введение диссертации (часть автореферата) на тему «Коллективный алгоритм на базе нечеткой логики для обработки электрокардиологической информации в сложных сигнально-помеховых ситуациях»

Актуальность работы. В современном мире огромное значение имеет постоянное совершенствование информационного обеспечения, в том числе, при обработке медико-биологической информации и принятии решений на основе результатов исследований. Создание эффективных медицинских информационных систем требует разработки информационных моделей сигналов и помех, алгоритмической формализации процессов диагностики и принятия решений, а также совершенствования информационно-методического обеспечения для решения оценочных задач на стадии верификации полученных результатов.

Одним из наиболее информативных биосигналов является электрокар-диосигнал (ЭКС). Многие проблемы, возникающие при автоматической обработке которого сегодня уже решены. Однако особенности получения информации о состоянии сердечно-сосудистой системы в режиме свободной двигательной активности до сих пор вызывают значительные трудности в процессе выделения и обработки информативной составляющей из-за существенного влияния интенсивных помех различного типа, перекрывающихся с ЭКС по своим спектральным и временным характеристикам.

Для эффективной борьбы с помехами и, в конечном итоге, для создания современных помехоустойчивых систем обработки электрокардиографической (ЭКГ) информации исследование электрической активности сердца необходимо проводить в рамках системного подхода к описанию сложных прикладных объектов, к которым относятся биотехнические системы. Поэтому разработка методов и средств обработки ЭКГ-информации должна основываться на системном подходе, заключающемся в учете взаимных связей элементов сложноорга-низованной медицинской системы и биообъекта. Для того чтобы успешно проводить обработку ЭКГ-информации в этих условиях, необходимо выявить причины возникновения, изучить структуру, спектральные и статистические характеристики, параметры, сложные сигнально-помеховые ситуации (ССПС). Понятие сложной сигнально-помеховой ситуации можно определить как совокупность патологических изменений формы сигнала и помеховых условий, затрудняющих анализ ЭКГ

Среди известных методов обработки ЭКГ-информации системный подход наиболее полно реализуется с помощью методов коллективного распознавания, основанных на согласованной агрегации решений отдельных алгоритмов, однако их недостатком является снижение эффективности в условиях неопределенности, вызванных естественным разбросом параметров в норме, при патологиях и интенсивных помехах.

Для повышения точности диагностических заключений необходимо получение достоверной информации о функционировании сердечно-сосудистой системы пациента. В настоящее время отсутствуют достаточно эффективные алгоритмы выделения информативных элементов (ИЭ) ЭКС в условиях сложных сигнально-помеховых ситуациях (ССПС), а также отсутствуют методы и средства для проведения сравнительного анализа эффективности работы различных алгоритмов обработки ЭКГ-информации в условиях ССПС. Кроме того, существующие системы для кардиодиагностики не обеспечивают адаптацию к естественным изменениям сигнала в норме и при патологиях, а также к флуктуациям помех. Все это приводит к уменьшению эффективности результатов диагностики и к снижению качества медицинских услуг в целом.

В настоящее время в России и за рубежом достаточно активно развивается направление по разработке алгоритмов обработки электрокардиологической информации. Большой вклад в создание теоретических основ медицинских информационных систем внесли российские ученые: Н.А.Кореневский, Л. А. Манило, А. П. Немирко, С.В.Селищев, Л.Т.Сушкова, Л. И. Титомир, Щукин С.И. и др. Многие исследователи отмечают эффективность применения для обработки биомедицинской информации относительно нового математического подхода -теории нечетких множеств. Основным отличием такого подхода является возможность учета естественной вариабельности параметров биообъектов в реальном масштабе времени. Однако вопросы применения нечеткой математики для 4 обработки ЭКГ-информации в настоящее время проработаны недостаточно, поэтому в данном направлении необходимо проведение дальнейших исследований.

На основании сказанного выше можно заключить, что повышение эффективности обработки электрокардиографической информации в сложных сигнально-помеховых условиях коллективным алгоритмом на базе нечеткой логики является актуальными задачей научного исследования.

Объект и предмет исследования. Объектом научного исследования является электрокардиологическая информация о состоянии биообъекта; предметом исследования - модели информативных элементов электрокардиосигнала, информационные модели помех и сигнально-помеховых ситуаций и алгоритм обработки, повышающий эффективность работы систем для кардиодиагности-ки.

Целью диссертационного исследования является разработка и верификация коллективного алгоритма нечеткой обработки электрокардиологической информации, обеспечивающего повышение эффективности диагностики состояния биообъекта в сложных сигнально-помеховых ситуациях.

Задачи исследования

1. Разработка системы информационно-лингвистических моделей информативных элементов электрокардиосигнала, помех и сложных сигнальных и сигнально-помеховых ситуаций на основе анализа методов обработки электрокардиографической информации в условиях интенсивных помех, возникающих в процессе ее получения

2. Обоснование и разработка коллективного алгоритма обработки электрокардиологической информации, основанного на нечеткой логике и позволяющего производить адаптацию к естественным изменениям электрокардиосигнала норме и при патологиях и к флуктуациям помех различного вида.

3. Исследование разработанного коллективного алгоритма с нечеткой обработкой электрокардиографической информации на основе моделирования его работы в пакете Ма^аЬ и оптимизация его параметров.

4. Разработка информационно-методического обеспечения проведения верификации разработанного алгоритма в условиях интенсивных помех, анализ результатов исследования и создание программного обеспечения.

Практическая направленность исследования. Анализ проблем информационного обеспечения своевременной диагностики состояния биообъекта; разработка коллективного алгоритма с нечеткой обработкой электрокардиологической информации, разработка системы информационно-лингвистических моделей сигнала, помех и сложных сигнально-помеховых ситуаций; разработка методики верификации результатов исследований.

Разработки в рамках диссертационной работы направлены на совершенствование программного обеспечения для повышения эффективности работы медицинских информационных систем для кардиологии в условиях интенсивных помех для обеспечения их конкурентоспособности на современном рынке медицинской техники.

Методы исследования. Для решения поставленных задач использовались методы цифровой обработки сигналов, теория сигналов, теория нечетких множеств, коллективные методы распознавания, математическая статистика, а также методы имитационного и математического моделирования в среде МшЬаЪ.

Научная новизна полученных результатов

1. Разработана иерархическая система информационно-лингвистических моделей электрокардиосигнала, различных помех и сложных сигнально-помеховых ситуаций, позволяющая формализовать характерные признаки электрокардиографической информации и создать информационно-методическое обеспечение верификации алгоритмов и систем для кардиодиагностики.

2. Синтезирован коллективный алгоритм с нечеткой обработкой электрокардиологической информации, позволяющий повысить диагностическую эффективность за счет адаптации к естественным изменениям электрокардиосигнала в норме и при патологиях и к флуктуациям помех различного вида.

3. По результатам имитационного моделирования работы предложенного коллективного алгоритма на основе нечеткой логики оптимизированы его параметры в следующем сочетании: структура Сугэно, система входных признаков ЭКС мощность, коэффициент подобия, производная и продолжительность кар-диоимпульса; схема дефаззификации по взвешенному среднему.

4. Разработана удовлетворяющая международным нормативам многоуровневая методика оценки работы методов обработки электрокардиографической информации в условиях нормы и сложных сигнально-помеховых ситуаций, отвечающая требованиям универсальности, полноты и иерархичности, отличающаяся расширенными функциональными возможностями и позволяющая проводить верификацию результатов и сравнительный анализ эффективности различных вариантов алгоритмов и систем для кардиодиагностики.

Научные положения, выносимые на защиту

1. Система информационно-лингвистических моделей информативных элементов электрокардиосигнала, сопутствующих помех и сложных сигнально-помеховых ситуаций, позволяющая формализовать логику врача и создать универсальное иерархическое описание электрокардиосигнала.

2. Коллективный алгоритм нечеткой обработки электрокардиографической информации на основе структуры Сугэно, отличающийся сочетанием оригинальной системы входных признаков ЭКС и схемы дефаззификации по взвешенному среднему.

3. Многоуровневая методика проведения верификации результатов исследований алгоритмов и систем для обработки электрокардиографической информации, позволяющая осуществлять их поэтапное тестирование в условиях сложных сигнальных и сигнально-помеховых ситуаций.

Обоснованность и достоверность научных результатов обеспечивается аргументированным применением математического аппарата, основных допущений и ограничений, положительными результатами испытаний и внедрением, подтвержденным соответствующим актом.

Практическая ценность результатов

1. Создание адекватных информационных лингвистических моделей информативных элементов электрокардиосигнала, помех и сложных сигнально-помеховых ситуаций для разработки и тестирования медицинских систем обработки электрокардиографической информации.

2. Разработка новых модулей программного обеспечения, повышающих эффективность работы медицинских информационных систем для кардиологических исследований в условиях интенсивных помех.

Апробация работы. Основные положения и результаты диссертационной работы обсуждены на следующих научно-технических конференциях: V, VI и VII научно-технической конференции «Информационные и управленческие технологии в медицине» (г. Пенза, 2008-2010 г.); I, II и III Научной конференции студентов, аспирантов и молодых ученых «Актуальные проблемы науки и образования» (г. Пенза, 2008 - 2010 г.); II, III и IV Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине» (г. Пенза, 2009 - 2010 г.); Международной конференции «Биомедси-стемы-2008» (г. Рязань, 2008 г.); Международном симпозиуме «Надежность и качество» (Пенза, 2010 г.); Международной конференции «Медицинские информационные системы» (г. Таганрог, 2009, 2010 г.).

Публикации. По теме диссертации опубликовано 12 печатных работ, из них - 3 публикации в журналах, рекомендованных ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, выводов, списка использованной литературы из 153 наименований. Диссертация изложена на 178 листах машинописного текста и содержит 59 рисунков, 6 таблиц.

Заключение диссертации по теме «Теоретические основы информатики», Шамин, Евгений Анатольевич

4.5 Выводы по главе

1) Разработана многоуровневая методика верификации результатов работы алгоритмов обработки ЭКГ информации, позволяющей проводить поэтапную сравнительную оценку на основе верификации результатов работы авторских алгоритмов и алгоритмов-аналогов с применением международных аннотированных баз ЭКГ-данных и определены показатели эффективности этих результатов в различных условиях, в том числе, в сложных сигнальных и сиг-нально-помеховых ситуациях.

2) Создано программное приложение в пакете Матлаб, позволяющее моделировать известные и разработанные алгоритмы, реализовать предложенную систему моделей и многоуровневую методику, а также произвести расчет выбранных показателей эффективности алгоритмов и анализировать полученные результаты.

3) Результаты, полученные на основе анализа большого количества примеров ЭКС различной структуры и происхождения показывают, что алгоритм КАНВИ дает наилучшие результаты, особенно в условиях интенсивных помех, обеспечивая увеличение показателя ОДЭ в среднем на 5 % по сравнению с отдельно взятыми алгоритмами и алгоритмом САР, что позволяет повысить надежность работы средств обнаружения КИ ЭКС в составе приборов и систем для кардиодиагностики.

Заключение

Проведенные в диссертационной работе исследования позволяют сделать следующие выводы.

Проанализированы методов помехоустойчивой обработки электрокардиологической информации и показаны перспективы применения коллективов решающих правил, основанных на согласованной агрегации решений частных обнаружителей и позволяющих объединить сильные стороны различных алгоритмов в сложных сигнально-помеховых ситуациях.

2) На базе применения теории нечетких множеств разработаны решающее правило и алгоритм, основанный на модернизации коллективного подхода, обеспечивающий повышение эффективности обработки электрокардиографической информации в сложных сигнально-помеховых ситуациях позволяющие за счет адаптации к индивидуальным изменениям информативных параметров электрокардиосигнала.

3)На основе аналитического обзора, эмпирического материала и применения системного подхода разработана многоуровневая система информационно-лингвистических моделей, описывающая электрокардиосигнал в норме и в сложных сигнальных и сигнально-помеховых ситуациях и позволяющая производить поэтапное тестирование и верификацию алгоритмов и систем для кар-диодиагностики. Определены системы критических сигнальных сигнально-помеховых и ситуаций для областей компетенции отдельных алгоритмов обработки ЭКГ-информации, в которых существенно снижается эффективность принятия решения и повышается вероятность ошибок обнаружения и распознавания кардиоимпульсов.

4) Результаты исследований по подбору и оптимизации параметров предложенного коллективного алгоритма нечеткой обработки электрокардиологической информации показали целесообразность применения следующих параметров СНВ: алгоритм нечеткого вывода Сугэно; оригинальная система входных признаков: мощность, коэффициент подобия, производная и продолжительность импульса; метод дефаззификации: взвешенное среднее.

5) Разработана многоуровневая методика верификации результатов работы алгоритмов обработки ЭКГ информации, позволяющая проводить поэтапную сравнительную оценку на основе верификации результатов работы авторских алгоритмов и алгоритмов-аналогов с применением международных аннотированных баз ЭКГ данных и определены показатели эффективность этих результатов в различных условиях, в том числе, в сложных сигнальных и сиг-нально-помеховых ситуациях, при этом алгоритм КАНВИ в условиях интенсивных помех обеспечивает увеличение диагностической эффективности в среднем на 5 % по сравнению с алгоритмами-аналогами, что позволяет повысить надежность работы медицинских информационных систем для кардиоди-агностики.

Список литературы диссертационного исследования кандидат технических наук Шамин, Евгений Анатольевич, 2012 год

1. Акимов П. С., Евстратов Ф. Ф., Захаров С. И. и др. Обнаружение радиосигналов. Под ред. А. А. Колосова. М.: Радио и связь, 1989.

2. База данных электрокардиосигналов URL: http://www.physionet.org (дата обращения 12.11.2009).

3. Бакалов В.П. Основы биотелеметрии -М.: Радио и связь, 2001.

4. Барановский А. Д., Калиниченко А. И. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ. М.: Радио и связь, 1993. 112 с.

5. Башкина Е.М., Егоров А.И., Трапезин В.Е. Построение диагностических алгоритмов анализа кардиосигналов коллективом решающих правил. Информационные процессы, 3(1), 2001. С. 70-72.

6. Биофизические характеристики тканей человека. Справочник. Под. ред. В. А. Березовского и H.H. Колотилова. Киев: Наукова думка, 1990. 48 с.

7. Богатов Н.М., Гук В.Ф. Сравнительный анализ методов распознавания электрокардиограмм. Успехи современного естествознания. 2006. - № 1 - С. 71-72.

8. Бонгард М. М., Проблема узнавания. М.: Наука, 1967.

9. Валужис А.К., Лосинксне Л.В. и др. Структурный анализ электрокардиосигналов. // Математическая обработка медико-биологической информации. М.: Наука, 1976,- С. 182-192.

10. Валужис А.К., Рашимас А.П. Статистический алгоритм структурного анализа ЭКС. // Кибернетика, 1979. № 3. - С. 91-95.

11. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. М.: Наука, 1974.

12. Вычислительная система Matlab. URL: http://www.mathworks.com. (дата обращения: 06.11.2010).

13. Горелик А.Л., Скрипкин В.А. Методы распознавания. Изд.2. -М.: Высшая школа, 1984. 219 с.

14. Городецкий В.И., Серебряков C.B. Методы и алгоритмы коллективного распознавания: обзор // Труды СПИИРАН. Вып. 3, т. 1. — СПб.: Наука, 2006.

15. ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. М.: ГОССТАНДАРТ РОССИИ, 2001

16. Гусев А. В., Романов Ф. А. Медицинские информационные системы. Петрозаводск: ПетрГУ, 2005. 404 с.

17. Доклад «Концепция развития здравоохранения до 2020 года». URL: www.zdravo2020.ru. (дата обращения: 11.05.2010).

18. Дощицин В.Г. Клиническая диагностика сердечных аритмий. М.: Медицина, 1983.

19. Дроздов Д. В. Персональный компьютер в качестве электрокардиографа — за и против. // Компьютерные технологии в медицине,- М:.1996. №1. С. 18-23.

20. Дроздов Д. В., Леванов В.М. Автоматический анализ ЭКГ: проблемы и перспективы // Здравоохранение и медицинская техника. 2004. №1. С. 48-56.

21. Дроздов Д.В. Высокие медицинские технологии в практику функциональной диагностики. Обозрение. Медтехника. №5, май 2007. http://www.altonika.ru/article.php?id=338

22. Дьяконов В. П. Абраменкова И. С. MATLAB. Обработка сигналов и изображений. Питер, 2002. 57 с.

23. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер.с англ. М.: Мир, 1978. 510 с.

24. Жуковский В.Д. Медицинские электронные системы. М.: Медицина,1988.

25. Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и их применение. Т.: Фан, 1974, 48 с.

26. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М. ФАЗИС, 2006. 176 с.

27. Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

28. Зудбинов Ю. И. Азбука ЭКГ. М.: Медицина для вас. 2003. 160 с.

29. Исаков И. И., Кушаковский М. С., Журавлева Н. Б. Клиническая электрокардиография. Л.: Медицина, 1974.

30. Истомин Б.А. Система и алгоритм обнаружения информативных импульсов электрокардиосигнала в условиях интенсивных помех. Дис. . кан. техн. наук: 05.11.17. Пенза, 2011. 198 с.

31. Истомина Т.В., Кривоногов Л.Ю., Полубабкин Ю.В., Шляндин В.М. Возможности структурного подхода к вопросу классификации ^ДО-комплексов ЭКС. Пенза: Пенз. политехи, ин-т, 1987. - Деп. в ЦБ НТИ Минмедпрома 15.05.87, №39МП.

32. Истомина Т.В., Кривоногов Л.Ю. Сравнительный анализ алгоритмов обнаружения информативных импульсов ЭКС // Информационно-измерительная техника: Межвуз. сб. науч. тр. Пенза: Изд-во Пенз. гос. ун-та, 2002, - Вып. 26, -С. 91-98.

33. Истомина Т.В., Кривоногов Л.Ю. Обработка электрокардиосигнала с помощью аппарата нечеткой логики. Динамические и технологические проблемы механики конструкций и сплошных сред: Мат. XI между нар. симп. М., Изд-во МАИ, 2005. С. 175-176.

34. Истомина Т.В., Кривоногов Л.Ю., Шамин Е.А. Нечеткий алгоритм анализа электрокардиосигнала. Информационные и управленческие технологии в медицине и экологии. Сборник статей. Пенза ПДЗ, 2009. С. 49-52.

35. Истомина Т.В., Кривоногов Л.Ю., Шамин Е.А. Адаптивный нечеткий обнаружитель кардиоимпульсов. Материалы 26 Международной конференции IT+SE"09. Осенняя сессия. Украина, Крым, Ялта-Гурзуф. Прил. к журналу «ОТКРЫТОЕ ОБРАЗОВАНИЕ» 2009., С. 131-132.

36. Кривоногов, J1. Ю. Методы и алгоритмы помехоустойчивой обработки электокардиографической информации: Дис. кан. техн. наук: 05.13.01. Пенза, 2003. 228 с.

37. Кривоногов, J1. Ю. Перспективы применения нечеткой математики для анализа электрокардиосигнала. Информационно-измерительная техника: Межвуз. сб. науч. тр. Пенза: Изд-во Пенз. гос. ун-та, 2006. - Вып. 31. С. 145149.

38. Круглов В.В. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

39. Ладяев Д. А. Алгоритм обнаружения QRS-комплексов ЭКГ сигналов на основе вейвлет-преобразования: Дис. . кан. техн. наук: 05.11.17, Саранск, 2007. 184 с.

40. Лапий В. Ю., Калюжный А. Я., Красный Л. Г. Устройства ранговой обработки информации К.: Техшка, 1986.

41. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2003.

42. Малла С. Вейвлеты в обработке сигналов: пер. с англ. М.: Мир, 2005.212 с.

43. Миркин Б. Г. Проблема группового выбора. М.: Наука, 1974. 342 с.

44. Морман Д. Г., Хеллер J1. П. Физиология сердечно-сосудистой системы. С-Пб: Питер, 2000. 256 с.

45. Мурашко В.В., Струтынский A.B. Электрокардиография // Учебное пособие. Изд. 6-е. М.: МЕДпрессинформ, 2004, 320 с.

46. Нагин В.А., Потапов И.В., Селищев C.B. Выделение QRS-комплексов в компьютерных ЭКГ системах. // Биомедприбор-2000: Тр. международн. конф, т. 1.-М.:ВНИИМП-ВИТА РАМН, 2000.- С. 120-121.

47. Назаренко Г. И., Гулиев Я. И. Медицинские информационные системы: теория и практика. М.: Физматлит, 2005. 320 с.

48. Орлов В. Н. Руководство по электрокардиографии. М.: Медицина, 1984.528с.

49. Официальный сайт ВОЗ «Доклад о состоянии здравоохранения в мире». URL: www.who.int/ru. (дата обращения: 04.09.2009).

50. Плонси Р., Барр Р. Биоэлектричнество. Количественный подход. -М.: Мир, 1992.

51. Прикладные нечеткие системы/ Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993.

52. Подклетнов С.Г. Вейвлет-преобразование электрокардиосигнала для компьютерных систем диагностики ишемической болезни сердца. Дисс. . к.т.н., СПб., 2005.

53. Попечителев Е.П., Кореневский H.A. Электрофизиологическая и фотометрическая медицинская техника. Теория и проектирование. Учебное пособие М.: Высшая школа, 2002.

54. Пупков К.А. Методы робастного, нейро-нечеткого и адаптивного управления / Н.Д. Егупов, В.Ю. Зверев, В.Г. Коньков, JI.T. Милов. М.: Издательство МГТУ им. Н.Э. Баумана, 2002.

55. Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход / пер. с англ. под ред. А.П. Немирко. М.: ФИЗМАТЛИТ, 2007. 440 с.

56. Растригин J1.A., Эренштейн Р.Х. Метод коллективного распознавания. -М.: Энергоиздат, 1981.

57. Сергиенко А. Б. Цифровая обработка сигналов. СПб.: Питер, 2003. 604 с.

58. Синицын С. В., Налютин Н. Ю. Верификация программного обеспечения.1. М.:БИНОМ, 2008, 368 с.

59. Смирнов Ю.М., Воробьев Г.Н., Потапов Е.С., Сюзев В.В. Проектирование специализированных информационно-вычислительных систем. Под. ред. Ю.М. Смирнова. -М.: Высшая школа, 1984.

60. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB- М.: ДМК Пресс, 2005.

61. Терехов С. А. Вейвлеты и нейронные сети. URL: http://www.niisi.m/iont/ni/Library/School-2001/Terekhov-2001.pdf. (дата обращения: 09.07.2010).

62. Томпкинс У., Уэбстер Дж. Микропроцессорные медицинские системы. Проектирование и применение. М.: Мир, 1983.

63. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. Под ред. Ю. И. Журавлева. М.: Мир, 1978. 410 с.

64. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь. 1989. 440 с.

65. Уинстон П. Искусственный интеллект: Пер. с англ. М.: Мир, 1980. 520 с.

66. Фихман М. И. Методы и средства оценки достоверности результатов автоматического анализа ЭКГ при длительном мониторировании. Дис. . кан. тех. наук: 05.11.17, Новосибирск, 2004. 187 с.

67. Фор А. Восприятие и распознавание образов/ Пер. с фр. A.B. Середин-ского. Под ред. Г.П. Катыса. -М.: Машиностроение, 1989.

68. Фу К. Структурные методы в распознавании образов: Пер. с англ. /Под. ред. М. А. Айзермана. -М.: Мир, 1977. 320 с.

69. Фу К. Последовательные методы в распознавании образов и обучении машин.- М.: Наука, 1971.

70. Фукунага К. Введение в статистическую теорию распознавания. М.: Наука, 1979.

71. Хан М.Г. Быстрый анализ ЭКГ. М.: Бином, 2000. 286 с.

72. Харатьян, Е. И. Математическая обработка сигналов в системе монито-рирования электрокардиограмм: Дис. . кан. техн. наук: 05.13.01. М., 1997. 167 с.

73. Харкевич А. А. Борьба с помехами. М.: Наука, 1965. 144 с.

74. Хемминг Р. В. Цифровые фильтры. М.: Сов. Радио, 1980. 224 с.

75. Шахов Э. К. Повышение помехоустойчивости цифровых средств измерения. Пенза: ППИ, 1983. 48 с.

76. Краморенко Н.В. Базы данных: Учебное пособие. Владивосток: ТИ-ДОТ ДВГУ, 2004. - 85 с.

77. Штовба С.Д. Проектирование нечетких систем средствами Matlab. М.: Горячая линия-Телеком, 2007.

78. Юдаш К. Высокие медицинские технологии в практику функциональной диагностики. журнал Обозрение. Медтехника №5, 2007 -http://www.altonika.rn/article.php7icN33

79. Ярцева Е. С. Обработка электрокардиосигнала вейвлет-методом. Таганрог: ТРТУ. 2000. С. 12-16.

80. Ahmadian A. ECG feature extraction using daubechies wavelets Tehran University of Medical Sciences (TUMS), Tehran. 2005. pp.128-134.

81. American Heart Association, AHA Database,ECRI, 5200 Butler Pike, Plymouth Meeting, PA 19462 USA/

82. ANSI-AAMI EC 18-1982 American National Standart for Diagnostic electrocardiographic Devices, American Association for the Advancement of Medical Instrumentation. Arlington, Virg.-1983.

83. ANSI/AAMI EC 13:2002 «Cardiac monitors, heart rate meters, and alarms», «ANSI/AAMI EC 38:1998 Ambulatory Electrocardiographs».

84. Bellman R.E., Zadeh L.F. Decision-Making in Fuzzy Environment // Management Science. 1970. - №4. - p. 141-164.

85. Clifford G. D., Azuaje F, McSharr P. E. Advanced Methods and Tools for ECG Data Analysis. Artech House, Inc. 2006.

86. Jenkins J. Ann Arbor Electrogram Libraries, Available: http://electrogram.com/.

87. J.H. van Bemmel and J.L. Williams, "Standardisation and validation of medical decision support systems: The CSE project," Methods Inform. Med., vol. 29, pp. 261-262, 1990.

88. Kohler B-U, Hennig C, Orglmeister R. The Principles of Software QRS Detection.// IEEE Engineering in Medicine and Biology. January/February 2002, p.42-57.

89. Massachusetts Institute of Technology.MIT-BIH ECG database. Available :http://ecg.mit.edu/.

90. Massachusetts General Hospital, Massachusetts General Hospital/Marquette Foundation Waveform Database, Dr. J. Cooper, MGH, Anesthesia Bioengineering Unit, Fruit Street, Boston, MA

91. Medical electrical equipment, Part 3, Particular requirement for the essential perfomance of recording and analysing electrocardiographs. // IEC.- Geneva.-1996.-75p.

92. National Research Council (CNR). European ST-T Database. Institute of Clinical Physiology, Dept. of Bioengieering and Medical Informatics, Pisa, Italy. Available: http://www.ifc.pi.cnr.it/

93. Physikalisch-Technische Bundesanstalt. ECG Reference Data Set. Available: http://www.berlin.pt b.de/8/83/83 1/ dbaccess/ecgre fdataset.html

94. P. Laguna, R.G. Mark, A. Goldberger, and G.B. Moody, "A database for evaluation of algorithms for measurement of QT and other waveform intervals in the ECG," Comput. Cardiology, vol. 24, pp. 673-676, 1997.

95. Pan J., Tompkins W. A real-time QRS detection algorithm // IEEE Trans. Biomed. Eng. 1985. pp. 230-236.

96. Poli R., Cagnoni S. Genetic design of optimum linear and nonlinear QRS detectors // IEEE Trans. Biomed. 1995. pp. 1137-1141.

97. Removing 60Hz from ECG using digital band stop filter. URL: http://www.scienceprog.com/ (дата обращения: 02.04.2009).

98. Sahambi J., Tandon S., Bhatt R. Using Wavelet Transforms for ECG characterization, IEEE Engineering in medicine and biology, v. 16, 1997, 77.

99. Sipola T. ECG processing detection RR // Thesis in Information Technology. 1980. pp. 12-14.

100. VTT Technical Research Center of Finland. IMPROVE Data Library. Available: http ://www.vtt. fi/tte/samba/proj ects/improve/

101. Баевский P.M. Прогнозирование состояний на грани нормы и патологии, М: Медицина. 1979. 298 страниц

102. Мельник О.В., Михеев А.А., Нечаев Г.И. Трансформация спектров сигналов датчиков в измерительных системах // Датчики и системы, № 1. Индекс 79363.2010. С. 39-42.

103. Levkov Ch.L., Michov G., Ivanov R., Daskalov I.K. Subtraction of 50 Hz interference from the electrocardiogram. //Medical & Biological Engineering & Computing, July 1984

104. Kaiser W, Findeis M. Artifact Processing During Exercise Testing. Journal of Electrocardiology, Vol 32 Supplement: 212-219,1999.

105. M. Bahoura, M. Hassani, and M. Hubin, "DSP implementation of wavelet transform for real time ECG wave forms detection and heart rate analysis," Comput. Methods Programs Biomed., vol. 52, no. 1, pp. 35-44, 1997

106. V.X. Afonso, W.J. Tompkins, T.Q. Nguyen, and S. Luo, "ECG beat detection using filter banks," IEEE Trans. Biomed. Eng., vol. 46, pp. 192-202, 1999.

107. P.S. Hamilton and W.J. Tompkins, "Quantitative investigation of QRS detection rules using the MIT/BIH arrhythmiac database," IEEE Trans. Biomed. Eng., vol. 33, pp. 1157-1165, 1986.

108. H. Inoue, S. Iwasaki, M. Shimazu, and T. Katsura, "Detection of QRS complex in ECG using wavelet transform" (in Japanese), IEICE Gen. Conf., vol. 67, no. A4, p. 198, Mar. 1997.

109. B.-U. Köhler, C. Hennig, and R. Orglmeister, "QRS detection using zero crossing counts," submitted for publication, 2001.

110. C. Li, C. Zheng, and C. Tai, "Detection of ECG characteristic points using wavelet transforms," IEEE Trans. Biomed. Eng., vol. 42, pp. 21-28, 1995.

111. L.R. Rabiner, "A tutorial on hidden Markov models and selected applications in speech recognition," Proc. IEEE, vol. 77, pp. 257-286, Feb. 1989.

112. Y. Sun, S. Suppappola, and T.A. Wrublewski, "Microcontroller-based realtime QRS detection," Biomed. Instrum. Technol., vol. 26, no. 6, pp. 477-484, 1992.

113. S. Suppappola and Y. Sun, "Nonlinear transforms of ECG signals for digital QRS detection: A quantitative analysis," IEEE Trans. Biomed. Eng., vol. 41, pp. 397400, 1994.

114. K.S. Fu, "A step towards unification of syntactic and statistical pattern recognition," IEEE Trans. Pattern Anal. Machine Intell., PAMI-5, pp. 200-205, Mar. 1983.

115. Y.H. Hu, W.J. Tompkins, J.L. Urrusti, and V.X. Afonso, "Applications of artificial neural networks for ECG signal detection and classification," J. Electrocardi-ology, vol. 26 (Suppl.), pp. 66-73, 1993.

116. T. Kohama, S. Nakamura, and H. Hoshino, "An efficient R-R interval detection for ECG monitoring system," IEICE Trans. Inf. Syst., E82-D, no. 10, pp. 14251432, Oct. 1999

117. A. Ruha, S. Sallinen, and S. Nissila, "A real-time microprocessor QRS detector system with a 1-ms timing accuracy for the measurement of ambulatory HRV," IEEE Trans. Biomed. Eng., vol. 44, pp. 159-167, 1997.

118. J.S. Sahambi, S.N. Tandon, and R.K.P. Bhatt, "Using wavelet transforms for ECG characterization. An on-line digital signal processing system," IEEE Eng. Med. Biol. Mag., vol. 16, pp. 77-83, 1997.

119. G. Vijaya, V. Kumar, and H.K. Verma, "ANN-based QRS-complex analysis of ECG," J. Med. Eng. Technol., vol. 22, no. 4, pp. 160-167, 1998.

120. Q. Xue, Y. H. Hu, and W. J. Tompkins, "Neural-network-based adaptive matched filtering for QRS detection," IEEE Trans. Biomed. Eng., vol. 39, pp. 317-329, 1992.

121. E.J. Ciaccio, S.M. Dunn, and M. Akay, "Biosignal pattern recognition and interpretation systems," IEEE Eng. Med. Biol. Mag., pp. 269-273, 1994.

122. S. Kadambe, R. Murray, and G.F. Boudreaux-Bartels, "The dyadic wavelet transform based QRS detector," in 1992 Conf. Rec. 26th Asilomar Conf. Signals, Systems and Computers, vol. 1, pp. 130 -134.

123. S. Kadambe, R. Murray, and G.F. Boudreaux-Bartels, "Wavelet transform-based QRS complex detector," IEEE Trans. Biomed. Eng., vol. 46, pp. 838-848, 1999.

124. G. Papakonstantinou, E. Skordalakis, and F. Gritzali, "An attribute grammar for QRS detection," Pattern Recognit., vol. 19, no. 4, pp. 297-303, 1986

125. V. Di-Virgilio, C. Francaiancia, S. Lino, and S. Cerutti, "ECG fiducial points detection through wavelet transform," in 1995

126. IEEE Eng. Med. Biol. 17th Ann. Conf. 21st Canadian Med. Biol. Eng. Conf., Montreal, Quebec, Canada, 1997, pp. 1051-1052

127. M. Fernandez-Delgado and S.B. Ameneiro, "MART: A multichannel ART-based neural network," IEEE Trans. Neural Networks, vol. 9, pp. 139-150, 1998

128. N.V. Thakor and J.G. Webster, "Design and evaluation of QRS and noise detectors for ambulatory e.c.g. monitors," Med. Biol. Eng. Comput., vol. 20, no. 6, pp. 709-714, 1982

129. B.C. Yu, S. Liu, M. Lee, C.Y. Chen, and B.N. Chiang, "A nonlinear digital filter for cardiac QRS complex detection," J. Clin. Eng., vol. 10, pp. 193-201, 1985

130. L. Sornmo, O. Pahlm, and M.-E. Nygards, "Adaptive QRS detection: A study of performance," IEEE Trans. Biomed. Eng., BME-32, pp. 392-401, June 1985

131. J.K. Udupa and I. Murthy, "Syntactin approach to ECG rhythm analysis," IEEE Trans. Biomed. Eng., BME-27, pp. 370-375, July 1980

132. Ligtenberg and M. Kunt, "A robust-digital QRS-detection algorithm for arrhythmia monitoring," Comput. Biomed. Res., vol. 16, pp. 273-286, 1983

133. L. Zadeh.Fuzzy sets. Information and Control, 8:338-353, 1965.

134. Kosko B. Fuzzy Systems as Universal Approximators // IEEE Trans, on Computers. 1994. Vol. 43. №11. P.1329 1333.

135. Шамин E.A. Перспективные направления ЭКГ-анализа/ Шамин Е.А., Истомина Е.В., Истомин Б.А., Лавреев А.А.// «Медицинские информационные системы»: известия ЮФУ. Технические науки. Тематический выпуск. Таганрог, 2009.-№9.-С.89-93.

136. В. В. Кругл ов Сравнение алгоритмов Мам дани и Сугэно в задаче аппроксимации функции. Электронный математический и медико-биологический журнал. ТомЗ: 2001 г.

137. Шамин Е.А. Применение информационных технологий в медицине./ Шамин Е.А., Истомина Т.В//Сборник статей II Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине», Пенза: Приволжский Дом знаний, 2008.

138. Шамин Е.А. Применение аппарата нечеткой логики для анализа электрокардиосигнала. / Шамин Е.А., Истомина Т.В.// Сборник статей V меж-регион. НПК «Иннова-ционные технологии в экономике, информатике и медицине», Пенза, ПГТА, 2008 г.-С.:

139. Фадин B.C. Алгоритмы выделения QRS-комплекса в ЭКГ. URL: http://ilab.xmedtest.net/?q=node/126/vud-votes&page=74. (дата обращения: 09.08.2011).

140. Поркуян О.В., Кузнецова Е.В. Анализ нечетких моделей Мамдани и Сугэно применительно к процессам магнитной сепарации. СевероДонецк: 2011е <- /I О^е /-(-1-/ е ^1. УТВЕРЖДАЮ»

141. Проректодпо учебной работе ПГТАоб использовании результатов кандидатской диссертационной работы

142. ШАМИНА ЕВГЕНИЯ АНАТОЛЬЕВИЧА

143. Информационные технологии и менеджмент в медицинских и биотехнических системах»,д.т.н., профессор1. Т.В. Истомина

144. Члены комиссии: д.м п. проф.д.м.н. проф.к.м.н. доц.А

145. Ь.Г. Искендеров А И Сафронов• Л.А Филиппова4V Ого ^