Методы и модели для интеллектуальных систем прогнозирования сердечно-сосудистых рисков на основе анализа показателей синхронности системных ритмов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Петрова, Татьяна Владимировна

• Петрова, Татьяна Владимировна
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Петрова, Татьяна Владимировна

Оглавление

Введение

1 Современные методы и средства анализа и классификации кардиологической информации

1.1 Актуальность мониторинга функционального состояния сердечнососудистой системы

1.2 Современные системы компьютерной неинвазивной диагностики функционального состояния сердечно-сосудистой системы и риска сердечнососудистых катастроф

1.3 Волновой анализ кардиосигналов как источник предикторов функционального состояния сердечно-сосудистой системы

1.4 Источники и характеристики волновых процессов в биотехнических системах

1.5 Цель и задачи исследования

2 Методы и алгоритмы исследования показателей синхронности системных ритмов сердечно-сосудистой системы

2.1 Системные ритмы как источники предикторов сердечно-сосудистых осложнений

2.2 Метод классификации функционального состояния сердечно-сосудистой системы по предикторам синхронности системных ритмов, определяемым по монокардиосигналу

2.3 Выделение предикторов сердечно-сосудистых заболеваний на основе анализа поликардиосигналов

2.3.1 Модели вычисления показателей синхронности на основе амплитудной и фазовой корреляции системных ритмов

2.3.2 Алгоритм определения показателей синхронности системных ритмов на основе Фурье-анализа поликардиосигнала

2.4 Имитационное моделирование вычисления показателей синхронности системных ритмов для двухканального источника системных ритмов

2.5 Выводы второго раздела

3 Разработка метода определения предикторов сердечно-сосудистых рисков, основанного на мониторинге амплитуд гармоник системных ритмов в скользящем окне

3.1 Объект и методы исследования

3.2 Получение исходных данных

3.3 Исследования потоков по видам модуляции для ЭКС

3.3.1 Сигнал без модуляции

3.3.2 Преобразование сигнала амплитудным детектором

3.3.3 Преобразование сигнала частотным детектором

3.3.4 Формирование пространства информативных признаков на основе спектрального анализа трех потоков системных ритмов модулированного сигнала

3.4 Выводы третьего раздела

4 Экспериментальные исследования средств прогнозирования риска сердечно-сосудистых осложнений на основе предикторов синхронности системных ритмов

4.1 Структурно-функциональная организация интеллектуальной системы для прогнозирования сердечно-сосудистого риска

4.2 Исследование статистических связей функционального состояния сердечно-сосудистой системы и показателей синхронности системных ритмов

4.3 Апробация предложенных методов и средств на репрезентативных контрольных выборках

4.4 Выводы четвертого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Введение диссертации (часть автореферата) на тему «Методы и модели для интеллектуальных систем прогнозирования сердечно-сосудистых рисков на основе анализа показателей синхронности системных ритмов»

Введение

Актуальность работы. Диагностика сердечно-сосудистого риска (ССР) принадлежит к числу важнейших задач кардиологии. На данный момент электрокардиограмма (ЭКГ) является самым распространенным методом диагностики работы сердечно-сосудистой системы (ССС) человека, так как является носителем наиболее релевантных системных ритмов. Автоматический анализ электрокардиосигнала (ЭКС) представляет собой сложную задачу. Существующие компьютерные системы классификации ССР по результатам анализа ЭКС не обеспечивают требуемую достоверность результатов. Это связано с тем, что ЭКС является смесью реализацией случайного процесса, являющегося нестационарным, детерминированной компоненты и многочисленных видов помех. Таким образом, задача достоверного определения информативных признаков ЭКГ, отражающих отдельные стадии работы сердца, и построения автоматических классификаторов ЭКГ, позволяющих осуществлять прогнозирование ССР, является наиболее актуальной в настоящее время. Решение проблемы прогнозирования ССР позволит перейти на новый качественный уровень оказания медицинской помощи и позволит говорить о кардиографии третьего и четвертого поколения (автоматическая диагностика и автоматическое прогнозирование функционального состояния ССС).

Таким образом, актуальность данного исследования определяется необходимостью улучшения показателей качества прогнозирования риска сердечно-сосудистых осложнений.

Степень разработанности темы исследования. С развитием компьютерных технологий предпринимаются попытки внедрения программированного прогнозирования в медицинскую практику (М.М. Батюшин, Ю.Л. Шевченко). Анализ ЭКС состоит в выявлении и предупреждении развития заболевания сердца посредством неинвазивной оценки диагностических показателей и получении предварительного диагноза о наличии или возможном развитии заболевания при отклонении показателей от их нормальных значений. В

этом направлении в России и за рубежом активно развиваются научные школы под руководством таких выдающихся российских ученых, как Бокерия Л.А., Баевский Р.М., Гельфанд И.М., Гуляев Ю.В., Рощевский М.П., Рубин А.Б., Самойлов А.Ф., Селищев С.В. и др., а также зарубежных ученых Noble D., Holter N.J., Рангайян Р.М., de Luna A.B., Mandel W.J., Katz L., и др., которые внесли значительный вклад в его развитие.

ССС человека является одной из наиболее важных физиологических систем, в функционировании которой принимают участие различные взаимодействующие между собой колебательные процессы. Наиболее значимыми из них являются сердечный ритм, дыхание, кровенаполнение периферических сосудистых территорий и процессы вегетативной регуляции ССС, в частности, процессы центральной регуляции с собственной частотой вблизи 0,1 Гц. Указанные ритмические процессы могут быть синхронизованы между собой. Наиболее изученной является синхронизация между основным сердечным ритмом и дыханием. Показано, что функциональное состояние ССС определяет длительность участков кардиореспираторной синхронизации.

Современные средства поддержки принятия решений на различных этапах оказания кардиологической помощи реализуют алгоритмический подход обработки и анализа регистрируемых данных, согласно которому все процессы в сердце происходят по строгим правилам и для получения диагностических сведений о его состоянии необходимо выполнить ряд последовательных преобразований ЭКС. Такой подход не учитывает обусловленных состоянием тканей сердца вероятностных закономерностей при наблюдении электрической активности и распространении автоволн. Следовательно, для решения одной из важнейших проблем современного здравоохранения - повышения качества прогнозирования заболеваний сердца, актуально создание методов поиска новых предикторов ССР.

Научно-технической задачей исследования является разработка методов прогнозирования ССР, основанных на автоматизации процесса анализа кардиосигналов, и математических моделях, позволяющих формировать

пространства информативных признаков на основе анализа синхронности системных ритмов.

Целью диссертационной работы является повышение качества прогнозирования сердечно-сосудистых рисков на основе методов и моделей интеллектуальной поддержки анализа синхронности системных ритмов, извлекаемых из кардиосигналов.

Для достижения поставленной цели решены следующие основные задачи:

- выполнен системный анализ методов и моделей прогнозирования сердечно-сосудистых заболеваний;

- разработаны методы классификации функционального состояния сердечно-сосудистой системы, основанные на анализе системных ритмов кардиосигнала;

- разработаны модели вычисления показателей синхронности системных ритмов на основе анализа кардиосигналов;

- разработаны алгоритмы и программное обеспечение вычисления, анализа и классификации показателей синхронности системных ритмов живых систем, предназначенные для реализации разрабатываемых методов и моделей;

- разработана структура интеллектуальной системы прогнозирования сердечно-сосудистых рисков, основанная на многоагентном походе к построению решающих модулей и нейросетевом моделировании;

- проведена апробация предложенных методов и моделей интеллектуальной поддержки прогнозирования сердечно-сосудистых рисков на репрезентативных контрольных выборках на примере прогнозирования риска ишемической болезни сердца и инфаркта миокарда.

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

- метод оценки синхронности системных ритмов, определяемый для одноканального кардиосигнала, отличающийся тем, что информативные признаки формируются путем выделения на вейвлет-плоскости кардиосигнала релевантных системных ритмов с последующим определением их взаимных корреляционных

функций, позволяющий получать алгоритмические решения для оценки функционального состояния сердечно-сосудистой системы;

- метод определения показателей синхронности системных ритмов на основе анализа спектров Фурье двухканальных кардиосигналов, отличающийся процедурой сравнения разности фаз гармоник интереса в каналах кардиосигналов с пороговым значением и определении на основе этих сравнений показателя синхронности системных ритмов, позволяющий построить классифицирующую модель сердечно-сосудистого риска;

- модели вычисления показателей синхронности системных ритмов на основе анализа многоканальных кардиосигналов, отличающиеся использованием четырех показателей синхронности, определяемых коэффициентами корреляции Пирсона, использующие в качестве аргументов отсчеты системных ритмов, отсчеты их структурных функций, отсчеты дифференцированных сигналов системных ритмов, модули векторов фазовой плоскости сигналов системных ритмов, позволяющие формировать нейросетевые классификаторы сердечнососудистых рисков на основе многоагентных технологий принятия решений;

- метод определения показателей синхронности системных ритмов, основанный на анализе вариационных рядов амплитуд спектров Фурье, полученных в скользящих окнах кардиосигнала, отличающийся тем, что посредством вариационных рядов формируются три потока эволюции амплитуд гармоник системного ритма 0,1 Гц, первый поток формируется из не детектированного электрокардиосигнала, два других потока получаются в результате частотного анализа амплитудно и частотно детектированного электрокардиосигнала, позволяющий формировать базовые мультиагентные нейросетевые решающие модули для классификации сердечно-сосудистых рисков;

- интеллектуальная система прогнозирования сердечно-сосудистых рисков, отличающаяся базовыми мультиагентными классификаторами, построенными на основе нейросетевых моделей, и алгоритмов реализации режимов функционирования, позволяющая повысить диагностическую

эффективность сердечно-сосудистого риска на 10-11% по сравнению с известными прогностическими моделями.

Теоретическая и практическая значимость работы состоит в том, что разработанные методы, модели, алгоритмы, программно-аппаратный комплекс и соответствующее программное обеспечение составили основу построения системы поддержки принятия решений по классификации сердечно-сосудистого риска, опытная эксплуатация элементов которой позволяет рекомендовать её к использованию при планировании профилактических и реабилитационных мероприятий при ведении больных сердечно-сосудистыми заболеваниями.

Работа выполнена в рамках федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014 - 2020 годы» («Проведение прикладных научных исследований в области биоинформационных технологий», уникальный идентификатор прикладных научных исследований (проекта) RFMEFI57614X0071) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии» и прошли испытания в отделении медицинской реабилитации Клинического Научно-Медицинского Центра «Авиценна», г. Курск.

Методология и методы исследования. Для решения поставленных задач использовались методы: системного анализа, теории биотехнических систем медицинского назначения, математической статистики, теории управления, математического моделирования, нейросетевого моделирования, спектрального анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей интеллектуальных агентов в качестве инструментария использовался MATLAB 8. Имитационное моделирование проводилось в пакете Mathcad 15.

Положения, выносимые на защиту. 1. Методы классификации функционального состояния сердечно-сосудистой системы для одноканальных и многоканальных кардиосигналов, основанные на анализе синхронности системных ритмов, позволяют построить мультиагентные прогностические модели сердечно-сосудистых рисков. 2. Модели вычисления показателей синхронности системных ритмов на основе анализа одноканальных и многоканальных кардиосигналов, основанные на корреляционном анализе амплитудных и фазовых характеристик системных ритмов, позволяют формировать нейросетевые классификаторы сердечно-сосудистых рисков на основе многоагентных технологий принятия решений. 3. Метод классификации функционального состояния сердечно-сосудистой системы, основанный на выделении трех потоков эволюции амплитуд гармоник системного ритма 0,1 Гц: первый поток работает с не детектированным электрокардиосигналом, два других потока получаются в результате частотного анализа амплитудно и частотно детектированного электрокардиосигнала. 4. Интеллектуальная система прогнозирования сердечно-сосудистого риска, построенная на мультиагентных решающих модулях с использованием показателей синхронности системных ритмов, позволяет повысить диагностическую эффективность прогноза на 10-11% по сравнению с известными диагностическими моделями.

Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость аналогичным результатам, полученным другими исследователями в области исследования системных ритмов живых систем и интеллектуальных систем медицинского назначения. Результаты экспериментальных исследований решающих правил по прогнозированию ССР согласуются с ранее опубликованными экспериментальными данными по теме диссертации. Результаты исследования показали, что предлагаемые модели и информационные технологии могут быть рекомендованы для прогнозирования сердечнососудистых рисков.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 12 Международных, Всероссийских и региональных конференциях и семинарах: «Перспективы и технологии развития в области технических наук» (Нижний Новгород - 2018); «Нейрокомпьютеры и их применение» (Москва - 2018); «Закономерности развития современного естествознания, техники и технологий» (Белгород - 2018); «Закономерности развития современного естествознания, техники и технологий» (Пенза - 2018); Proceedings of articles the III International scientific conference. Czech Republic, Karlovy Vary - Russia, Moscow, 2018); «Роль науки в развитии социума: теоретические и практические аспекты» (Санкт-Петербург - 2018); «Медико-экологические информационные технологии» (Курск - 2018); «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века» (Пермь - 2018); «Физика и радиоэлектроника в медицине и экологии» (Владимир-Суздаль - 2018); «Лазерно-информационные технологии в медицине, биологии, геоэкологии и транспорте» (Новороссийск - 2018); «Нейроинформатика, ее приложения и анализ данных» (Красноярск - 2018); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2015- 2018).

Публикации. Основные результаты диссертационного исследования отражены в 15 научных работах, из них 3 статьи в ведущих рецензируемых научных журналах.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы, включающего 77 отечественных и 35 зарубежных наименований. Работа изложена на 155 страницах машинописного текста, содержит 70 рисунков и 23 таблицы.

1 Современные методы и средства анализа и классификации кардиологической информации

1.1 Актуальность мониторинга функционального состояния сердечнососудистой системы

Сердечно-сосудистые заболевания (ССЗ) - основная причина смертности людей в развитых странах. Согласно информационному бюллетеню Всемирной организации здравоохранения № 317 от января 2015 г. ежегодно от сердечнососудистых заболеваний умирают около 17,5 млн человек, что составляет примерно 31 % всех глобальных случаев смертей. По данным Всемирной организации здравоохранения, ССЗ занимают первое место в числе причин смертности, при этом лидирующее место в этом списке занимает Россия. Ежегодно в нашей стране умирает от ССЗ более 1 млн человек. Особая опасность ССЗ заключается в остром неожиданном начале и атипичной клинической картине, что не позволяет самим пациентам и участковым врачам поликлиник быстро и правильно оценить ситуацию.

Распространённость болезней сердца и огромные социально-экономические потери общества привлекают внимание многочисленных специалистов во всём мире к решению проблемы их ранней диагностики [8,18, 34].

Среди основных методов диагностики ССЗ следует выделить метод анализа электрокардиосигнала, представляющий собой метод оценки состояния миокарда (сердечной мышцы) и биоэлектрической деятельности сердца путем графической регистрации генерируемых им электрических потенциалов [18, 34]. Электрокардиосигнал содержит информацию как о функциональных возможностях сердца, таких как ритм сердца, частота сердечных сокращений,

состояние проводящей системы сердца, кровоснабжение и особенности обменных процессов сердечной мышцы, так и анатомических отклонениях, связанных с признаками острого или перенесенного инфаркта миокарда, острой или хронической ишемии, гипертрофии предсердий или желудочков, различных видов нарушений ритма сердца и проводимости, нарушениях электролитного баланса и других изменениях. Благодаря современному развитию компьютерных технологий возможен анализ ЭКС на качественно новом уровне при диагностике и прогнозировании кардиологических патологий.

Причиной ССЗ часто становится нарушение генерации в синоартериальном узле и нарушение проводимости возбудимых в атриовентрикулярном (АВ) узле волновых процессов. Непосредственное исследование сердечно-сосудистой системы (ССС) затруднено тем, что вмешательство в её функционирование опасно для жизни человека. Решение таких задач связано с использованием математических моделей.

Компьютерный анализ биологических сигналов - современный инструмент неинвазивной диагностики, позволяющий повысить качество работы всей системы здравоохранения. Наиболее активное внедрение технологии информационной обработки сигналов происходит в области исследований неинвазивной кардиологии для получения физиологических данных сердца.

Благодаря расширению пределов интерпретации и возможности записи электрокардиосигнала (в сравнении с традиционным канальным электрокардиографическим обследованием в состоянии покоя), в клинической практике широкое распространение получила методика Холтеровского мониторинга. Стремительное развитие средств мониторингового контроля физиологических характеристик сделала доступным наблюдение состояния сердца за пределами территории клиники, что определило потребность в совершенствовании методик получения диагностической информации при наличии патологии сердца.

В современной клинической практике мониторинг электрофизических параметров сердца стал эффективным средством неинвазивного доклинического

электрокардиографического обследования состояния ССС. Отличительная особенность современных систем мониторинга состоит в применении «интеллектуальных» технических средств, позволяющих получить результаты оценки физиологических показателей в готовой для восприятия медицинским специалистом форме.

Задача мониторинга ЭКС состоит в выявлении и предупреждении развития заболеваний сердца, осуществляемые посредством неинвазивной регистрации ЭКС, определения состояния по поведению его динамической модели, оценки диагностических показателей и получения предварительного диагноза о наличии или возможном развитии ССЗ при отклонении показателей от их нормальных значений.

Современное развитие аппаратуры мониторного контроля физиологических характеристик создаёт возможности в совершенствовании методик медицинской диагностики и открывает широкие перспективы для развития медицинских технологий по диагностике заболеваний. Особенность систем клинического мониторинга состоит в применении «интеллектуальных» технических средств, позволяющих непрерывно получать результаты оценки функционального состояния ССС пациента на основе сложных алгоритмов. Повышение уровня развития современных диагностических систем за счет совершенствования технических средств аппаратной реализации и технологий производства делает системы клинического мониторинга важнейшей составляющей частью различных методов клинических исследований при прогнозировании и установлении диагноза ССЗ [2, 3, 60].

1.2 Современные системы компьютерной неинвазивной диагностики функционального состояния сердечно-сосудистой системы и риска сердечнососудистых катастроф

Диагностика ССС человека принадлежит к числу важнейших задач кардиологии. На данный момент электрокардиограмма (ЭКГ) является самым распространенным методом диагностики работы ССС человека. Автоматический анализ электрокардиосигнала представляет собой сложную проблему. Существующие компьютерные системы диагностики не обеспечивают требуемую достоверность результатов. Это связано с тем, что сигнал является реализацией коррелированного случайного процесса, являющегося нестационарным, и смесью детерминированной компоненты и многочисленных видов помех [8, 14, 19]. Таким образом, задача достоверного определения информативных признаков ЭКГ, отражающих отдельные стадии работы сердца, и построения автоматических классификаторов ЭКГ, позволяющих осуществлять диагностику и прогнозирование ССЗ, является наиболее актуальной в наше время. Решение данной проблемы позволит перейти на новый качественный уровень оказания медицинской помощи и позволит говорить о кардиографии третьего и четвертого поколения (автоматическая диагностика и автоматическое прогнозирование ССЗ).

Анализ доступных публикаций показал, что алгоритм обработки электрокардиосигнала (ЭКС) представляет собой последовательность следующих шагов:

1. Модуль предобработки, главной задачей которого является удаление помех разного вида, таких как дрейф изолинии, артефакты движения, шумы, создаваемые оборудованием и т.д.

2. Модуль выделения информативных признаков, который может работать на основе различных принципов обработки сигналов: структурный анализ, спектральный анализ [20, 65], частотно-временной анализ [27], энтропийно-

параметрический анализ, фазовые портреты [59, 69, 71], вариационной пульсометрии [32], дисперсионное картирование [18, 54] и т.д.

3. Модуль редукции информативных признаков является необязательным и используется для сокращения количества выделенных информативных признаков, с целью повышения качества работы классифицирующего алгоритма.

4. Модуль классификации электрокардиосигналов, точнее сформированного в пространстве информативных признаков вектора информативных признаков, при формировании которого могут быть кроме ЭКГ использованы другие «сырые» данные, работает на основе различных методах классификации: опорных векторов, нейронные сети, деревья решений, нечеткая логика принятия решений и т.д. [26, 27, 35, 70, 73].

Таким образом, в научной литературе описаны множество методов диагностики ССЗ, основанных на анализе электрической активности сердца. Однако, по мнению специалистов, проблема создания электрокардиографов четвертого и третьего поколения далека от разрешения. Это обусловлено тем, что развитие персонифицированной медицины ставит актуальной проблему самоконтроля функционального состояния ССС. В настоящее время техническая задача создания портативных электрокардиографов с автоматическим контролем качества крепления электродов решена. Имеются развитые средства телекоммуникации, позволяющие передавать информацию от индивидуальных носителей в удаленные медицинские центры. Но с увеличением объема этой информации возникает проблема в ее селекции, так как на верхнем иерархическом уровне анализа данных информация поступает к лицу, принимающему решение (ЛИР), которое является специалистом медико-биологического профиля. Но без соответствующих средств автоматической диагностики и прогнозирования ССЗ селекция медико-биологических данных, поступающих от пациента, не представляется возможной.

Исследование литературных источников показало, что для прогноза ССР используется концепция факторов риска (ФР). В ряде проспективных исследований показано, что прогноз развития и течения ССЗ значительно хуже

при сочетании нескольких, даже умеренно выраженных ФР по сравнению с одним высоким ФР. В частности, исследование РROCAM показало, что сочетание двух и более ФР ССЗ приводит к значительному увеличению количества инцидентов внезапной смерти и ИМ (200 случаев среди 1000 больных в течение 8 лет) [80]. Таким образом, появление понятия «суммарный сердечно-сосудистый риск» имеет реальное клиническое обоснование и служит эффективным инструментом для прогнозирования и первичной профилактики ССЗ.

Концепция суммарного сердечно-сосудистого риска была разработана и внедрена в широкую клиническую практику в 90-х годах прошлого века. Основанием этому послужили результаты крупных проспективных исследований продолжительностью не менее 10 лет [89]. Целью этих исследований являлось определение причинно-следственной связи между ФР и развитием сердечнососудистых осложнений (ИМ, мозгового инсульта и смертности от сердечнососудистых осложнений). На основании результатов исследований созданы модели, позволяющие у пациентов с наличием тех или иных ФР прогнозировать риск развития сердечно-сосудистых событий. Таким образом, суммарный сердечно-сосудистый риск - это обобщенное значение сочетания тех или иных ФР, показывающее уровень прогнозируемого риска развития смертельных и не смертельных сердечно-сосудистых осложнений, выраженный в процентах.

Существует несколько моделей для расчета популяционного риска. Все они базируются на многофакторном анализе риска заболевания в больших популяциях, за которыми проводится длительное наблюдение. Эти системы, безусловно, нельзя считать совершенными. Прежде всего, в них учитываются далеко не все известные в настоящее время факторы риска. Акцент делается на таких факторах, как уровень АД, ОХС в сыворотке, курение, возраст и пол, а не менее важные факторы риска, такие как семейный анамнез, ожирение, избыточная масса тела и другие, не учитываются. То же можно сказать и о появляющихся факторах риска, их использование при оценке риска с помощью известных систем не предусматривается. Еще одной проблемой является то, что в большинстве этих систем не учитываются региональные особенности, характер

питания и некоторые другие факторы, которые, несомненно, влияют на прогноз. И наконец, существенным недостатком многих систем является то, что они в основном учитывают коронарные события, ИМ, стенокардию и поэтому в основном ориентированы на определение риска не всех ССЗ, а коронарной болезни.

К наиболее известным моделям сердечно-сосудистого риска относятся: Фрамингемская шкала оценки риска [103], Шкала рекомендаций ESH/ESC (2003, 2007) [99], Шкала SCORE (2003) [48, 83], Модель PROCAM [96], Шкала ATPIII [112], Система стратификации риска D'Agustino [86].

Список литературы диссертационного исследования кандидат наук Петрова, Татьяна Владимировна, 2018 год

Список литературы

1. Амосов, Н. А. Исследование сократительной функции миокарда методом фазовых координат / Н. А. Амосов, Б. Т. Агапов, Ю. В. Паничкин // Доклад АН СССР. - 1972. - Т. 202, № 1. - С. 245-247.

2. Аронов, Д.М. Функциональные пробы в кардиологии / Д.М.Аронов,

B.П.Лупанов. - М. :МЕДпресс-информ, 2007. — 3-е изд., перераб. и доп. - 328 с.

3. Артеменко, М.В. Формирование множества информативных показателей на основании аппроксимирующего полинома Колмогорова-Габора и максимального градиента функциональных различий /М.В. Артеменко, Н.М. Калугин, А.Н. Шуткин //Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2016, - Т.18, №1, С. 116-123.

4. Барбараш, Л. С. Патология кровообращения и кардиохир./ Л. С. Барбараш, К. С. Шафранская, С. В. Иванов - 2010. - № 2. - С. 52-56.

5. Баум, О. В. QT-дисперсия: модели и измерения / О. В. Баум, Л. А. Попов, B. И. Волошин, Г. А. Муромцева // Вестник аритмологии. - 2000. - № 20. -

C. 6-17.

6. Безручко, Б.П. Методика исследования синхронизации колебательных процессов с частотой 0,1 Гц в сердечно-сосудистой системе человека / Б.П. Безручко, В.И. Гриднев, А.С. Караваев и др. // Известия вузов «ПНД». - 2009. - Т. 17, № 6. - С.44-56.

7. Берёзный, Е.А. Практическая кардиоритмография. 3-е издание, переработанное идополненное/ Е.А. Берёзны, А. М. Рубин, Г.А. Утехина. Научно-производственное предприятие «Нео», -2005. -140 с.

8. Бодин, О. Н. Методы и средства обработки кардиографической информации :моногр. / О. Н. Бодин. - Пенза : Изд-во Пенз. гос. ун-та, 2008. - 350 с.

9. Вадзинский, Р.Н. Справочник по вероятностным распределениям / Р. Н. Вадзинский. - СПб. : Наука, 2001. - 298 с.

10. Вёггер, В. Информация об измеряемой величине как основа формирования функции плотности вероятности / В. Вёггер // Измерительная техника. - 003 ,- № 9 .- С. 3-9.

11. Вишневский, В.В. Влияние солнечной активности на морфологические параметры ЭКГ сердца здорового человека / В. В. Вишневский, М. В. Рагульская, Л. С. Файнзильберг // Биологические технологии и радиотехника. - 2003. - № 3. -С. 3-12.

12. Волков, В.И. Информационно-энтропийная оценка биофизических сигналов / В. И. Волков, С. А. Останин // Биомедицинская радиоэлектроника. -2009. - № 8. - С. 52-55.

13. Волкова, Э.Г. Диагностические возможности первой производной ЭКГ в оценке состояния коронарной артерии у больных ишемической болезнью сердца / Э. Г. Волкова, О. Ф. Калаев, А. Р. Ковынев // Терапевтический архив. -1990. - № 3. - С. 35-38.

14. Волобуев, А. Н. Курс медицинской и биологической физики /А. Н. Волобуев. - Самара : Самарский Дом печати, 2002. - 432 с.

15. Вулих, Э. В. Краткий курс теории функций вещественной переменной / Э. В. Вулих. - М. : Наука, 1973. - 352 с.

16. Гитис, Э. И. Техническая кибернетика / Э. И. Гитис, Г. А. Данилович,В. И. Самойленко. - М. : Советское радио, 1968 .

17. Гласс, Л. От часов к хаосу. Ритмы жизни / Л. Гласс, М. Мэки. - М. : Мир, 1991. -248 с.

18. Голухова, Е.З. Неинвазивная аритмология/ Е.З. Голухова. - М.: Издательство НЦССХ им. А.Н. Буколева РАМН, -2002. -148 с.

19. Гольдбергер, Э. П. Хаос и фракталы в физиологии человека / Э. П. Гольдбергер, Д. Р. Риггни, Б. Д. Уэст // В мире науки. - 1990. - № 4. -С. 25-32.

20. Джевис, Л. Автоматический анализ электрической активности мозга человека. Последние достижения/Л. Джевис, И. Иеджер, С. Дайомонд и др.// ТИЭЭР.1975.Т.63.№10.С.5-27.

21. Дубровин, В.И. Автоматизированная система анализа и интерпретации ЭКГ // Радиоэлектроника, информатика, управление/ В. И. Дубровин, Ю. В. Твердохлкб, В. В. Харченко. - 2014. -№ 1. - С. 150-157. 001: 10.15588/1607-3274-2014-1-22

22. Руденко, С. Д. Исследование и оценка функционального состояния спортсменов: Учебное пособие для студентов лечебных и педиатрических факультетов медицинских вузов/ С.Д. Руденко, Е.А. Таламбум, Е.Е. Ачкасов. - М.: Профиль -2С, 2010. - 72 с.

23. Карлюк, Е. С. Проектирование современных средств регистрации биомедицинских сигналов и мониторинга / Е. С. Карлюк, В. Л. Ткаченко, В. А. Фесечко. - М. : Электроника и связь, 2008. - Ч. 1. - С. 166-171.

24. Киселев, А.Р. Оценка пятилетнего риска летального исхода и развития сердечно-сосудистых событий у пациентов с острым инфарктом миокарда на основе синхронизации 0,1 Гц-ритмов в сердечно-сосудистой системе/ А.Р. Киселев, В.И. Гриднев, А.С. Караваев и др. // Саратовский научно-медицинский журнал. - 2010. - № 6. - С.328-338

25. Колмогоров, А. Н. Теория информации и теория алгоритмов /А. Н. Колмогоров. - М. : Наука, -1987. - 304 с.

26. Кореневский Н.А. Теория проектирования нечетких сетевых экспертных систем для управления медико-экологической безопасностью / Н.А. Кореневский, С.А. Филист, А.Б.Красковский и др. // Научные ведомости Белгородского государственного университета. Серия: История. Политология. Экономика. Информатика. -2009. -Т.64, № 9. - С.146-151.

27. Кудинов, А. Н. Математическая модель мультифрактальной динамики и анализ сердечных ритмов / А. Н. Кудинов, Д. Ю. Лебедев, В. П. Цветков, И. В. Цветков // Математическое моделирование. - 2014. - Т. 26, № 10. -С. 127-136.

28. Кулаичев, А.П. Об информативности когерентного анализа в исследованиях ЭЭГ / А.П. Кулаичев // Журнал высшей нервной деятельности. -

2009. - Т.6, № 59. - С. 766-775

29. Лазарев, В. Л. Исследование систем на основе энтропийных и информационных характеристик / В. Л. Лазарев // Журнал технической физики. -

2010. - Т. 80, № 2. - С. 1-7.

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

31. Логов, А. Б. Кардиодиагностика в информационно-фазовом пространстве /A. Б. Логов, Р. Ю. Замараев // Системный анализ управление в биомедицинских системах. - 2015. - Т. 14, № 1. - С. 117-121.

32. Майоров, О. Ю. Повышение надёжности исследования детерминированного хаоса в биоэлектрической активности (ЭЭГ, ЭКГ и вариабельности сердечного ритма) методами нелинейного анализа / О. Ю. Майоров, В. Н. Фенченко // Клиническая информатка и телемедицина. - 2009. - Т. 5, Вып. 6. - С. 10-17.

33. Макаров, Е. Инженерные расчеты в Mathcad 15/ Е. Макаров // Учебный курс; Питер - Москва, 2011. - 400 c.

34. Манак, Н. А. Руководство по кардиографии / Н. А. Манак, В. М. Альхимович, В.Н. Гайдук. - Минск : Беларусь, 2003. - 624 с.

35. Маслак, А.А. Метод и алгоритм классификации сложных объектов на основе частотного и частотно-временного анализа медленных волн системных ритмов / А.А. Маслак, И.И. Волков и [др.]// Известия Юго-Западного государственного университета. -2012. -Т.40, №1 (Часть 1). С.47-52.

36. Лешко, В. Н. Методы контроля за функциональным состоянием организма студента : методические рекомендации / сост. В.Н. Лешко, Н.В. Карпеева ; Ряз. гос. ун-т им. С.А. Есенина. - Рязань, 2006. - 20 с.

37. Макаров, Л. М. Национальные российские рекомендации по применению методики холтеровского мониторирования в клинической практике / Л. М. Макаров, В. Н. Комолятова, Туров А. Н // Российский кардиологический журнал. - 2014. - Т. 106, № 2. - С. 6-71.

38. Анищенко, В. С. Нелинейные эффекты в хаотических системах / В. С Анищенко., В. В. Астахов, Т. Е. Вадивасова, А. Б. Нейман, Г. М. Стрелкова, Л. Шиманский-Гайер. - М. ; Ижевск : Институт компьютерных исследований, 2003. -544 с.

39. Новосельцев, В.И. Теоретические основы системного организма / В.И. Новосельцев, Б.В. Тарасов, В.К. Голиков, Б.Е. Демина. // -М.: Майор, 2006. -с. 592

40. Ноздрачев, К.Г. Значимость факторов риска при нейросетевой диагностике ишемической болезни сердца / К.Г. Ноздрачев, Д.А. Россиев // Нейроинформатика и ее приложения: материалы 5-го Всероссийского семинара. -Красноярск, 1997. - С. 131-132.

41. Омельченко, В.П. Практикум по медицинской информатике / В.П. Омельченко, А.А. Демидова // Серия учебники, учебные пособия. - Ростов на Дону: Феникс, 2001. - с. 304.

42. Петрова, Т.В. Исследование показателей синхронности системных ритмов как предикторов риска социально-значимых заболеваний / Т.В. Петрова, В.С. Комков, А.Е. Ханыков //Роль науки в развитии социума: теоретические и практические аспекты: сборник научных статей по итогам международной научно-практической конференции.г. Санкт-Петербург. - СПб.: Изд-во «КультИнформПресс», 2018. - С. 43-46.

43. Петрова, Т.В. Исследование предикторов сердечно-сосудистых заболеваний, получаемых на основе корреляционных связей системных ритмов электрокардиосигнала / Т.В. Петрова // Медико-экологические информационные технологии: сборник материалов XXI Международной научно-технической конференции. - Курск: ЮЗГУ, 2018. - С. 36 - 43.

44. Петрова, Т.В. Распределенные автономные интеллектуальные агенты для мониторинга и мета-анализа эффективности управления живыми системами / Т.В. Петрова, Кузьмин А.А., Савинов Д.Ю. и др. // Прикаспийский журнал: управление и высокие технологии. - 2017. -Т.40, № 4. -С. 61-73.

45. Петрова, Т.В. Система поддержки принятия решений для профессионального отбора работников экстремальных профессий с использованием интернет-технологий / Т.В. Петрова, А.А. Кузьмин, А.Н. Шуткин и др. //Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2017. - Т.7, №14. - С. 79-94.с

46. Позин, А.О. МГУА-нейронные сети для прогнозирования состояния сложных систем с временными лагами /А.О. Позин, Е.А. Старцев, В.В. Уварова// Нейроинформатика, ее приложения и анализ данных: Материалы XXIV Всероссийского семинара. - Красноярск: Институт вычислительного моделирования СО РАН, 2016. - С. 50-55.

47. Позин, А.О. Синтез дополнительного информативного признака для нейронной сети прямого распространения / А.О. Позин, С.А. Филист, А.Н. Шуткин и др. // Новые решения в области упрочняющих технологий: взгляд молодых специалистов: сборник научных статей по материалам Международной научно-практической конференции. - Курск: ЗАО «Университетская книга», 2016. - С. 212 - 217.

48. Позин, А.О. Тестирующие гибридные системы с дополнительным пространством информативных признаков / А.О. Позин, С.А. Филист, А.Н. Шуткин // Современные информационные технологии в управлении качеством: сборник статей V Международной научно-прикладной конференции. - Пенза: Приволжский Дом знаний, 2016. - С.46-50.

49. Прангишвили, И. В. Энтропийные и другие системные закономерности: Вопросы управления сложными системами / И. В. Прангишвили ; Ин-т проблем управления им. В. А. Трапезникова. - М. : Наука, 2003. - 302 с.

50. Бокерия, Л. А. Программно-аппаратный комплекс для неинвазивного электрофизиологического исследования сердца на основе решения обратной задачи электрокардиографии / Л. А. Бокерия, Ф. Ш. Ревишвили, Ф. В. Калинин, В. В. Калинин, О. С. Лядхина, Е. А. Фетисова // Мед.техн. - 2009.- № 6. - С. 1-7.

51. Рассел, С. Искусственный интеллект: современный подход. / С. Рассел, П. Норвиг // Пер. с англ. - М.: Издательский дом «Вильямс», 2006. - 1408 с.

52. Рябыкина, Г. В. Холтеровское и бифункциональное мониторирование ЭКГ и артериального давления / Г. В. Рябыкина, А. В. Соболев. - М. :Медпрактика, 2016. - 352 с

53. Старцев, Е.А. Двумерные нейросетевые структуры мета-анализа медико-экологических данных /Е.А. Старцев, О.В. Шаталова, В.В. Уварова//Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сб. ст. по материалам Всерос. науч.-практ. конф. - Пермь: Перм. гос. нац. исслед. ун-т., 2016. - С.161-164.

54. Сула, А.С. Метод дисперсионного картирования ЭКГ. Биофизические основы метода дисперсионного картирования. // Новые методы электрокардиографии/ А. С. Сула, Г. В. Рябыкин, В. Г. Гришин.- М.: Техносфера, 2007.- С. 369-425.

55. Титомир, Л.И. Биофизические основы электрокардиографических методов / Л. И. Титомир, П. Кнеппо, В. Г. Трунов, Э. А. И. Айду. - М. : ФИЗМАТЛИТ, 2009. - 224 с.

56. Титомир, Л.И. Математическое моделирование биоэлектрического генератора сердца / Л. И. Титомир, П. Кнеппо. - М. : Наука, 1999. - 448 с.

57. Титомир, Л. И. Электрический генератор сердца / Л. И. Титомир. - М. : Наука, 1980. - 371 с.

58. Томакова, Р.А. Теоретико-множественный подход и теория графов в обработке сложноструктурируемых изображений: монография / Р. А. Томакова, О. В. Шаталова, М. В. Томаков. - Курск: Юго-Западный гос. ун-т, 2012. - 119 с.

59. Файнзильберг, Л. С. Компьютерный анализ и интерпретация электрокардиограмм в фазовом пространстве / Л. С. Файнзильберг // System Research&Informnion Technologies. - 2004. -№ 1. - С. 32-46.

60. Филист, С.А. Алгоритм выделения медленных волн и дыхательных ритмов из электрокардиосигнала / С.А. Филист, В.В. Жилин, В.Н. Мишустин и др. // Медицинская техника. - 2013. - №4. - С. 21-23.

61. Филист, С.А. Гибридная модель классификации живых объектов на основе анализа медленных волн системных ритмов / С.А. Филист, И.И. Волков, М.В. Томаков // Международный журнал прикладных и фундаментальных исследований. -2012. -№4. -С. 47-48.

62. Филист, С.А. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / С.А. Филист, А.Г. Курочкин, В.В. Жилин, и др.// Прикаспийский журнал: управление и высокие технологии. Научно-технический журнал. - 2015. -Т. 31, № 3. -С.85-95.

63. Филист, С.А. Классификация состояния сердечно-сосудистой системы по анализу фазового портрета двух кардиосигналов / С.А. Филист, С.В. Дегтярев, В.С. Титов и др. // Научные ведомости Белгородского государственного университета. Серия Медицина Фармация. - 2013. - Т.154, №11, Вып. 22/1. - С. 65-72.

64. Филист, С.А. Компьютерные технологии обработки и анализа биомедицнских сигналов и данных: учебное пособие / С. А. Филист, А.Ф. Рыбочкин, Кабус Дерхим Али Кассим. - Курск: ЮЗГУ,2016. - 290 с.

65. Филист, С.А. Метод классификации сложных объектов на основе анализа структурных функций медленных волн / С.А. Филист. И.И. Волков, С.Г. Емельянов //Биомедицинская радиоэлектроника. - 2012. - №4. - С. 6-11.

66. Филист, С.А. Многомерная частотная селекция в задачах анализа медленных волн / С.А. Филист, А.П. Белобров, А.А. Кузьмин // Биомедицинская радиоэлектроника. - 2010. - №2. - С.4-10.

67. Филист, С.А. Структурно-функциональная модель для мониторинга влияния управляющих воздействий на функциональное состояние самоорганизующихся систем / С.А. Филист, А.Н. Шуткин, П.С. Кудрявцев, В.В. Протасова [и др.] // Прикаспийский журнал: управление и высокие технологии. Научно-технический журнал. - 2015. - Т.30, № 2. -С.105-119.

68. Филист, С.А. Универсальные сетевые модели для задач классификации биомедицинских данных/ С.А. Филист, Р.А. Томакова, ЯаЗар До // Известия ЮЗГУ. - Курск: Изд-во ЮЗГУ, 2012. - Т.43, № 4 (Часть 2). - С. 44-50.

69. Фрумин, П. П. О фазовом портрете электрокардиограммы / П. П. Фрумин, М. Б. Штарк // Автометрия. - 1993. - № 2. - С. 51-54.

70. Хайкин, С. Нейронные сети: полный курс. 2-е изд., испр.: Пер. с англ./ С. Хайкин. - М.: ООО «И.Д. Вильямс», 2006.- 1104 с.

71. Халфен, Э. Ш. Клиническое значение исследования скоростных показателей зубца ЭКГ / Э. Ш. Халфен, Л. С. Сулковская // Кардиология. - 1986. -№ 6. - С. 60-62.

72. Халфен, Э. Ш. Клиническое значение исследования энтропии сердечного ритма у больных инфарктом миокарда/ Э. Ш. Халфен, Б. М. Темкин // Кардиология. - 1983. - № 9. - С. 3-40.

73. Шакин, В. В. Вычислительная электрокардиография / В. В. Шакин. -М.: Наука, 1981. - 168 с.

74. Шальнова, С. А. Оценка и управление риском сердечно-сосудистых заболеваний для населения России. / С. А. Шальнова, Р. Г. Оганов, А. Д. Деев // Кардиоваск тер и проф. - 2004, - С. 4-11.

75. Шальнова, С. А. Российская экспертная система Оценки РИСКа Основных Неинфекционных заболеваний (ОРИСКОН) / С. А. Шальнова, А. М. Калинина, А. Д.Деев, А. В. Пустеленин. - М.: Кардиоваскулярная терапия и профилактика,2013, -Т. 4, №12. - с. 55.

76. Шустер, Г. Детерминированный хаос / Г. Шустер. - М. : Мир, 1988. -

253 с.

77. Щербаков, М. А. Синтез Парето-оптимальных нелинейных фильтров для обработки изображений / М. А. Щербаков // Автоматика и телемеханикаю -2010. -№2. —С. 179-191.

78. Winkler, S. A new telemonitoring system intended for chronic heart failure patients using mobile telephone technology - feasibility study / S. Winkler, M. Schieber, S. Lucke et al. // Int J Cardiol. - 2011. - Vol. 153, No 1. - Pp. 55-58.

79. Aliev, R. R. A simple model of cardiac excitation / R. R. Aliev, A. V. Panfilov // Chaos, Solitons& Fractals. - 1996. - Vol. 7, No 3. - Pp. 293-301.

80. Assmann, G. The Munster Heart Study (PROCAM) / G.Assmann, P. Cullen, H. Schulte / EuropeanHeartJournal, -1998 Vol. 19 (Suppl. A): A2-A11.

81. Bracic-Lotric, M. Synchronization and modulation in the human cardiorespiratory system / M. Bracic-Lotric, A. Stefanovska // Physica A: Statistical Mechanics and its Applications. - 2000. - Vol. 283(3-4). - Pр. 451-461.

82. Bueno-Orovio, A. Minimal model for human ventricular action potentials in tissue / A. Bueno-Orovio, E. M. Cherry, F. H. Fenton // Journal of Theoretical Biology. - 2008. - No 253. - Pp. 544-560.

83. Chambless, L. E. // J. Clin. Epidemio / L.E. Chambless, A. R. Folsom, A. R. Sharrett. - 2003. - Vol. 56, No 9. -Pp. 880—890.

84. Chavez, M. On the intrinsic time scales involved in synchronization: a data-driven approach / M. Chavez, C. Adam, V. Navarro, S. Boccaletti, J. Martinerie // Chaos: An Interdisciplinary Journal of Nonlinear Science. - 2005. - Vol. 15, No 2. - Pp. 023904.

85. Copie, X. Pacing Clin Electrophysiol / X. Copie, O. Paziaud, E. Abergel. -2003, -Pp 390-393.

86. D'Agostino , R. // Circulation/ R. B. D'Agostin,Sr. Ramachandran, S. Vasan . -2008. -Vol. 117. -P p. 743—753.

87. FitzHugh, R.A. Impuises and physiological states in theoretical model of nerve membrane / R. A. FitzHugh // Biophys. J. -1961. -Vol. 1, No 1. -Pp. 445-466.

88. Jackson, C.A. Differing risk factor profiles of ischemic stroke subtypes: evidence for a distinct lacunar arteriopathy? / C.A. Jackson, A. Hutchison, M.S. Dennis et al. // Stroke. - 2010. - Vol. 41, No 4. - Pp. 624-629.

89. Intern, J. Heart Protection Study Collaborative Group // J. Intern. Med. -2011. - Vol. 268, № 4. -Pp. 348—358

90. Hramov, A.E. An approach to chaotic synchronization / A.E. Hramov, A.A. Koronovskii // Chaos: An Interdisciplinary Journal of Nonlinear Science. - 2004. -Vol. 14, No 3. - Pp. 603-610.

91. Hramov, A.E. Time scale synchronization of chaotic oscillators / A.E. Hramov, A.A. Koronovskii // Physica D: Nonlinear Phenomena. - 2005. - Vol. 206(3-4). - Pp. 252-264.

92. Hwang, T. Y. On new moment estimation of parameters of the gamma distribution using it's characterization / T. Y. Hwang, P. H. Huang // Annals of the Institute of STATISTICS Mathematics, Japan. - 2002. - № 54. - Pp. 840-847.

93. Winslow, R. L. Integrative modeling of the cardiac ventricular myocyte / R. L. Winslow, S. Cortassa, B. O'Rourke, Y. L. Hashambhoy, J. J. Rise, J. L. Greenstein // WIREs Systems Biology and Medicine. - Copyright 2000-2018. - URL: www.wiley.com/wires/sysbio (дата обращения 25.05.2017).

94. Iyer, V. A computational model of the human leftventricularepicardialmyocytes / V. Iyer, R. Mazhari, R. L. Winslow // Biophysical Jouma. - 2004. - Vol. 87, No 3. - 3p. 1507-1525.

95. Lakoski, S. G. Am. Heart /S. G. Lakoski, M. Cushman, M. Criqui et al. J. -2006. -Vol. 152, № 3. - p. 593-598.

96. Lloyd-Jones, D. M. Circulation // D. M. Lloyd-Jones. - 2010. - Vol. 121. -Pp. 1768-1777

97. Luo, С. H. A model of the ventricular cardiac action potential. Depolarization, repolarization, and their interaction / С. H. Luo, Y. Rudy // Circ. Res. -1991. - No 68. - Pp. 1501-1526.

98. Malpas, S. Neural influences on cardiovascular variability: possibilities and pitfalls / S. Malpas // American Journal of Physiology-Heart and Circulatory Physiology. - 2002. - Vol. 282, No11. - Pp. H6-H20.

99. Mancia, G. Eur. Heart // G. Mancia, G. Backer, A. Dominiczak et al. J. -2007. - Vol. 28. -Pp. 1462-1536.

100. McSharry, P. E. A dynamical model for generating synthetic electrocardiogram signals / P. E. McSharry, G. Clifford, L. Tarassenko, L. Smith // IEEE Trans, Biomed. Eng. - 2003. - Vol. 50, No 3. - Pp. 289-294.

101. Palazzolo, J. A. Entropy measures of heart rate variation in conscious dogs /J. A. Palazzolo, F. G. Estafanous, P. A. Murray // Am. J. Physiol. - 1998. -Vol. 274 (4 Pt. 2). - Pp. 1099-1105.

102. Penaranda, A. Cardiac dynamics: a simplified model for action potentialpropagation / A. Penaranda, I. R. Cantalapiedra, J. Bragard, B. Echebarria // Theoretical Biology and Medical Modelling. - BioMed Central Ltd 2017. - URL:http: //www. tbiomed. com/content/9/1/50

103. Prieto-Merino, D., Dobson, J., Gupta, A.K. et al. ASCORE: an up-todate cardiovascular risk score for hypertensive patients reflecting contemporary clinical practice developed using the (ASCOT-BPLA) trial data // J. Hum. Hypertens. 2013. V. 27. № 8. P. 492-496.

104. Prokhorov, M.D. Synchronization between main rhythmic processes in the human cardiovascular system / M.D. Prokhorov, V.I. Ponomarenko, V.I. Gridnev, M.B. Bodrov, A.B. Bespyatov // Physical Review E. - 2003. - Vol. 68. - Pp. 041913.

105. Richier, M. Phase Spaseembeddin of electrocardiardiograms / M.Richier, T. Schreiber // Phys. Rev. - 1998. - E 58 (6392). - Pp. 1-7.

106. Schmidt, G. Heart rate turbulence after ventricular premature beats as predictor of mortality after acute myocardial infarction / G. Schmidt, M. Malik, P. Barthel et al. // Lancet. - 1999. - Vol. 353. - Pp. 1390-1396.

107. Spooner, J.T. Stable adaptive control and estimation for nonlinear systems: neural and fuzzy approximation techniques / J. T. Spooner, M. Maggiore, R. Ordonez, K. M. Passino. - Wiley-Interscience, -New York, 2002.

108. Stefanovska, A. Spatial synchronization in the human cardiovascular system / A. Stefanovska, M. Hozic // Progress of Theoretical Physics Supplement. -2000. - Vol. 139. - Pp. 270-282.

109. Sun Jian-Qiao. Stochastic Dynamics and Control / Sun Jian-Qiao. -Newark, USA : Elsevier, 2006. - 417 p.

110. Ten Tusscher, K. H. W. J. A model for human ventricular tissue / K. H. W. J. Ten Tusscher, D. Noble, P. J. Noble, A. V. Panfilov // Am J Physiol Head Circ Physiol. - 2004. - p. 286:

111. Croci, F. The application of a standardized strategy of evaluation in patients with syncope referred to three Syncope Units / F. Croci, M. Brignole, P. Alboni et al. // Europace. - 2002. - No 4. - Pp. 351-356.

112. Third report of the National Cholesterol Education Program (NCEP) Expert panel on detection, evaluation and treatment of high blood cholesterol in adults (Adult Treatment Panel III) final report // Circulation. — 2002. — Vol. 106, No 25. — Pp. 3143—3421.