Методы нелинейного анализа биомедицинских сигналов для систем контроля и диагностики состояния организма тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Старченкова Карина Смбатовна

• Старченкова Карина Смбатовна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Старченкова Карина Смбатовна

Введение

Глава 1. Диагностика физиологического состояния организма человека: физиология, методы регистрации и обработки

1.1 Электрокардиография. Общие сведения

1.1.1 Особенности сигнала ЭКГ при аритмиях

1.2 Электроэнцефалография. Общие сведения

1.3 Методы компьютерного анализа исследования биосигналов

Вывод по главе

Глава 2. Нелинейные методы анализа динамической системы

2.1 Определение временной задержки сигналов

2.2 Определение размерности пространства вложения, m

2.2.1 Алгоритм Грассбергера-Прокаччиа

2.2.2 Метод ложных ближайших соседей

2.3 Расчет старшего показателя Ляпунова

2.4 Расчет энтропии динамической системы

2.5 Анализ морфологических признаков псевдофазового портрета

2.6 Показатель Херста (R/S метод)

2.7 Мультифрактальный флуктуационный анализ

Вывод по главе

Глава 3. Нелинейный анализ сердечного ритма

3.1 Нелинейный анализ в задаче распознавания мерцательной аритмии на фоне частой экстрасистолии и синусового ритма

3.1.1 Определение временной задержки

3.1.2 Определение корреляционной размерности и размерности пространства вложения

3.1.3 Расчет старшего показателя Ляпунова

3.1.4 Анализ морфологических признаков псевдофазового портрета

3.1.6 Анализ информативности морфологических признаков

3.1.7 Оценка разделения классов сердечного ритма с помощью дискриминантного анализа многоклассовой задачи с использованием критерия Фишера

3.1.8 Расчет энтропии сердечного ритма

3.1.9 Расчет показателя Херста

Выводы по разделу

3.2 Оценка влияния длины выборки на распознавание мерцательной аритмии

3.3 Выявление фетальных нарушений ритма сердца с помощью методов нелинейной динамики

3.3.1 Определение параметров вложения аттрактора ЭКГ сигналов

3.3.2 Расчет старшего показателя Ляпунова

3.3.3 Анализ морфологических признаков псевдофазового портрета

3.3.4 Анализ информативности морфологических признаков

3.3.5 Расчет энтропии ритма плода

3.3.6 Расчет показателя Херста

Выводы по разделу

Выводы по главе

Глава 4. Нелинейный анализ электроэнцефалограммы

4.1 Определение стадий наркоза по ЭЭГ сигналу с помощью методов нелинейной динамики

4.1.1 Определение временной задержки

4.1.2 Определение размерности пространства вложения

4.1.3 Расчет старшего показателя Ляпунова

4.1.4 Анализ морфологических признаков псевдофазового портрета

4.1.5 Анализ информативности морфологических признаков

4.1.6 Расчет энтропии стадий наркоза

4.1.7 Расчет показателя Херста

Выводы по разделу

4.2 Применение нелинейных методов для распознавания стадий сна по ЭЭГ сигналу

4.2.1 Определение параметров вложения аттрактора сигналов ЭЭГ в пяти стадиях сна

4.2.2 Расчет старшего показателя Ляпунова

4.2.3 Анализ морфологических признаков псевдофазового портрета

4.2.4 Анализ информативности морфологических признаков

4.2.5 Расчет энтропии стадий сна

4.2.6 Расчет показателя Херста

Выводы по разделу

4.3 Распознавание апноэ сна по электроэнцефалограмме

4.3.1 Определение параметров вложения аттрактора сигналов ЭЭГ в пяти стадиях сна

4.3.2 Расчет старшего показателя Ляпунова

4.3.3 Анализ морфологических признаков псевдофазового портрета

4.3.4 Расчет энтропии сигналов расстройств сна

4.3.5 Расчет показателя Херста

Выводы по разделу

Выводы по главе

Глава 5. Описание системы диагностики физиологических состояний организма

5.1 Информационное обеспечение БТС

5.2 Инструментальное обеспечение БТС

5.3 Программно-алгоритмическое обеспечение БТС

Заключение

Список сокращений

Список литературы

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Введение диссертации (часть автореферата) на тему «Методы нелинейного анализа биомедицинских сигналов для систем контроля и диагностики состояния организма»

Введение

Физиологическая система организма человека способна адаптироваться к изменениям внешней среды, поэтому его физиологическим показателям свойственна вариабельность. К таким показателям относятся функциональные ритмы человека, такие как сердечный ритм, мозговая активность и т.д. Малые нерегулярные флуктуации, зависящие от различных заболеваний или возраста человека, приводят к изменениям показателей вариабельности ритмов. Известно, что вариабельность физиологических ритмов обладает свойством нелинейности [1 -9], поэтому методы нелинейной динамики нашли широкое применение в области медицины. В настоящей работе будет рассмотрено две области приложений нелинейно-динамического анализа биосигналов: применительно к сигналам сердечного ритма и электроэнцефалографическим данным. Изучение методов, применяемых в области нелинейной динамики, помогает выявлять характерные закономерности в значениях физиологических ритмов здорового человека.

Актуальность темы. Организм человека представляет собой динамическую систему, параметры которой меняются в зависимости от целого ряда внутренних и внешних факторов. С одной стороны, ввиду взаимного влияния множества независимых факторов поведение системы достаточно хаотично, а с другой стороны наблюдаются определенные закономерности, повторяющиеся с определенной цикличностью.

Со второй половины двадцатого века наблюдается активное проникновение математических методов анализа в медицинскую практику. Многими учеными был изучен сложный характер изменений параметров биосигналов с использованием методов нелинейной динамики. В последнее время методы нелинейной динамики применяются не только на сигналах

сердечного ритма (обнаружение аритмий), но и для оценки функционального состояния ЭЭГ (распознавание стадий сна, наркоза, эпилепсии и тд.). Выявление механизма перестройки физиологического ритма при патологическом изменении его состояния во многом определяет возможность лечения. Организм человека довольно сложноорганизованная система, поэтому правильное определение наиболее информативных и качественных показателей биологических ритмов необходимо для задач создания системы диагностики организма. Возможность качественного распознавания сердечных аритмий намного упростило бы работу кардиологов, которые вручную анализируют длительные записи электрокардиограммы (ЭКГ) с целью выявления эпизодов этого нарушения ритма. Еще одной важной задачей на сегодняшний день является возможность автоматического определения фетальной аритмии плода (ФА). ФА аритмии определяются приблизительно в 5% случаев всех беременностей и сопровождаются возникновением водянки и внутриутробной смертностью [92]. Своевременная диагностика фетальных нарушений ритма представляет собой актуальную задачу, которая в настоящее время до конца не решена.

Благодаря наркозу стала возможна победа над болью в ходе хирургического вмешательства. Без анестезии развитие хирургии до современного уровня было бы просто невозможным. Контроль глубины анестезии необходим при проведении хирургических вмешательств, т. к. требуется поддержание у оперируемого состояния глубокого наркоза на протяжении всей операции, а также не допускать раннего выхода из наркоза и введения лишней дозы анестетика. Несвоевременное нарушение состояния наркоза может привести к необратимым процессам в организме человека, поэтому разработка алгоритмов мониторинга состояния наркоза при оперативном вмешательстве необходима для безопасного проведения операций.

Во время сна проявляют себя заболевания, которые можно определить, только находясь в этом состоянии. Одним из самых распространенных видов

расстройств является апноэ сна. Это нарушение выражается в частых остановках дыхания во время сна. Апноэ , как патология сна сама по себе не угрожает жизни, но может вызвать такие серьезные проблемы, как сердечнососудистые и цереброваскулярные заболевания. Золотым стандартом в исследовании нарушений сна во всем мире считается полисомнография. Ручная оценка полисомнографических записей является очень трудной и нелегкой задачей для врача. Ранее задача распознавания апноэ сна не была решена с помощью методов нелинейной динамики. Мы дополнительно усложнили задачу тем, что осуществляли определение апноэ не на фоне нормального ритма, а на фоне других нарушений сна, а также провели распознавание только по сигналу электроэнцефалограммы (ЭЭГ). Еще одной важной задачей является возможность автоматического распознавания стадий сна. На сегодняшний день точность предложенных систем не превышает 76%. Поэтому возникает потребность в разработке программно-алгоритмического комплекса, который обладает более высокой точностью распознавания и при этом будет менее трудоемким для использования.

Рассмотренные задачи ранее решались автокорреляционным анализом, статистическими, геометрическими и спектральными методами, которые не в полной мере описывали динамические свойства сигналов и поэтому точность классификации оставалась недостаточно высокой. Анализ научных работ показал, что биомедицинские сигналы характеризуются наличием хаотической составляющей, причем степень хаотичности сигнала меняется в зависимости от физиологического состояния человека и наличия патологии. В связи с этим предполагается, что использование нелинейных методов для решения представленных задач откроет новые возможности для оценки текущего состояния пациента и повысит качество распознавания патологий.

Объектом исследования является автоматизированная система диагностики физиологического состояния человека.

Предметом исследования являются методы и алгоритмы автоматизированного физиологического состояния человека.

Степень разработанности: Получить ряд показателей оценивающих хаотические свойства биосигнала позволяют методы нелинейной динамики. К таким показателям относятся: корреляционная и фрактальная размерности сигнала, старший показатель Ляпунова, энтропия динамической системы, аттрактор и др. Увеличение хаотических составляющих в сигнале приводит к увеличению количества уравнений необходимых для ее описания. Биомедицинские сигналы включают в себя хаотическую составляющую, которая может быть распознана с помощью применения методов нелинейной динамики [1-18].

Цель работы: Разработка и исследование методов нелинейной динамики для медицинских компьютерных систем, выявляющих различные функциональные состояния организма и патологии по ЭКГ и ЭЭГ.

Для достижения поставленной цели были решены следующие задачи:

1. Изучение теоретических основ нелинейной динамики. Выбор методов для решения задач анализа биосигналов в системах контроля и медицинской диагностики.

2. Разработка программно-алгоритмического комплекса для оценки хаотических компонент биосигналов в среде MATLAB.

3. Исследование возможности применения методов нелинейной динамики для задач:

I. Распознавание мерцательной аритмии (МА) на фоне частой экстрасистолии (ЧЭ) и нормального ритма по ритмограмме с помощью методов нелинейной динамики. Оценка влияния длины выборки на распознавание мерцательной аритмии. II. Выявление фетальных нарушений ритма сердца.

III. Определение стадий наркоза по ЭЭГ сигналу.

IV. Распознавание стадий сна по ЭЭГ сигналу. V. Распознавание апноэ сна по ЭЭГ сигналу.

В исследование входило сравнение эффективности применения геометрических и численных (нелинейных) методов.

4. Разработка системы диагностики состояния организма, основанной на

применении аппарата нелинейной динамики.

Методология и методы исследования: Для решения поставленных задач в диссертационной работе были использованы методы статистической теории принятия решений, аппарат нелинейной динамики, теория случайных процессов и линейный дискриминантный анализ. Программные комплексы разработаны в среде MATLAB.

Научная новизна исследований состоит в теоретическом и экспериментальном определении наиболее эффективных методов анализа биомедицинских сигналов для решения задач определения патологий и физиологического состояния организма. В ходе выполнения диссертационной работы получены следующие научные результаты:

1. Получены новые сведения о проявлении различных нелинейных показателей сердечного ритма, ЭКГ и ЭЭГ сигналов, которые могут быть использованы врачами для выработки рекомендаций по оценке функционального состояния пациента.

2. Выявлены новые диагностически значимые морфологические признаки псевдоаттрактора биосигналов, используемые для классификации ряда функциональных состояний и патологий по ЭКГ и ЭЭГ.

3. Предложен новый подход к оценке информативности морфологических признаков аттрактора, отличающийся от известного обобщением результатов анализа методами Фишера, Шеннона и накопленных частот. Информативность оценивается с помощью трех предложенных методов, затем исходя из полученных данных, производится ранжирование признаков.

4. Проведена сравнительная оценка эффективности предложенных методов анализа ритмограмм на короткой и длинной выборках данных.

5. Предложены и экспериментально исследованы методы распознавания ряда патологий и функциональных состояний с применением математического аппарата нелинейной динамики. Установлено, что в

задаче распознавания мерцательной аритмии и апноэ сна наибольшей точностью обладают фрактальные показатели, а в задачах распознавания фетальной аритмии и стадий наркоза наибольшую прогностическую значимость имеют показатель Херста и энтропия Шеннона. Энтропийные параметры обладают высокой точностью при определении стадий сна.

6. Разработан программно-алгоритмический комплекс, предназначенный для классификации ряда функциональных состояний и патологий по ЭКГ и ЭЭГ. Комплекс основан на использовании методов нелинейной динамики и реализован в среде MATLAB.

Теоретическая и практическая значимость работы заключается в изучении возможности использования методов нелинейной динамики для функциональной диагностики состояния организма. Изменения организма, связанные с заболеваниями организма или с функциональными состояниями, ведут к изменениям показателей вариабельности физиологических ритмов, которые, как правило, имеют хаотическую составляющую. В связи с этим знания о хаотических особенностях сигналов могут помочь врачам в постановке правильного диагноза и выработке эффективной тактики лечения пациента. Также использование показателей нелинейности в мониторных системах позволят автоматически определять функциональное состояние человека. В работе установлено, что нелинейные показатели сигналов различны:

1. для групп пациентов с разными кардиозаболеваниями. С помощью совокупности предложенных методов нелинейной динамики улучшено распознавание МА на фоне ЧЭ, как на короткой, так и на длинной выборке сигналов. Показана возможность определения фетальной аритмии плода.

2. в решении задачи определения стадий наркоза объединение графического и нелинейных методов привело к улучшению

распознавания глубокой (БВ-20) и неглубокой (БВ-60) стадии наркоза.

3. при различных нарушениях сна. Нелинейные методы позволили распознать апноэ сна по ЭЭГ сигналу на фоне таких патологий сна, как бруксизм, нарколепсия, ночная эпилепсия лобной доли и ночное движение ног.

4. для определения стадий сна. Предоставлена возможность распознавания стадий сна только по ЭЭГ сигналу.

Научные положения, выносимые на защиту.

1. Результаты анализа биомедицинских сигналов (ЭКГ, ЭЭГ, кардиоинтервалограмм), полученные как теоретически, так и экспериментально, с применением аппарата нелинейной динамики позволяют осуществить классификацию ряда функциональных состояний и патологий.

2. На основе методов нелинейной динамики (построение аттракторов, расчет морфологических признаков аттракторов, расчеты корреляционной размерности, старшего показателя Ляпунова, энтропий динамической системы и фрактальных характеристик) были получены новые диагностические признаки, основанные на оценке выраженности хаотических компонент в сигнале.

3. Разработаны алгоритмы и программы, которые позволили решить, как ряд новых задач, так и известные задачи, но с лучшим качеством распознавания биосигналов. Задачи распознавания фетальной аритмии плода, стадий сна и наркоза были решены с точностью распознавания 96.0%, 99.0% и 80.9% соответственно. Благодаря методам нелинейной динамики стало возможным распознавание первой стадии сна от второй и третьей стадии от четвертой, что ранее не имело решения. В отличие от известных методов оценки полисомнограммы впервые решена задача распознавания апноэ сна только по ЭЭГ.

4. Получено новое морфологическое описание ПфП, что в отличие от визуальной оценки позволило численно оценить свойства аттрактора и на этой основе построить решающие правила. Для каждой конкретной задачи определён свой набор морфологических признаков.

5. Проведено сравнение графического метода и нелинейных показателей. Графический метод и нелинейные показатели имеют приблизительно одинаковую общую точность, но при этом графический метод отличает более высокая специфичность, а нелинейные показатели более высокая чувствительность. Метод морфологического анализа ПфП прост в вычислении и будет эффективен для скрининга состояния сердечнососудистой системы и выявлении задержек дыхания во время сна. Для мониторинга состояния организма целесообразно использовать нелинейные параметры, т.к. они обладают прогностической значимостью и изменяются, как при ухудшении состояния организма, так и при переходе стадий сна и наркоза.

Степень достоверности и апробация работы.

Результаты диссертационной работы обсуждались на следующих конференциях:

1. Методы компьютерной диагностики в биологии и медицине -2016, сборник трудов конференции. Издательство «Саратовский источник», г. Саратов, 2016;

2. Всероссийская конференция Биотехнические, медицинские и экологические системы и комплексы. БИОМЕДСИСТЕМЫ, г. Рязань (2016г., 2017г., 2019г.);

3. Международная конференция20th Conference of Open Innovations Association (FRUCT), St. Petersburg, Russia, 2017;

4. Всероссийская научно-техническая конференция, посвященная Дню радио, г. Санкт-Петербург (2017г., 2018г.,2019г.);

5. Международная конференция Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT), Yekaterinburg, Russia, 2018;

6. XIII Международный конгресс «КАРДИОСТИМ» - 2018, г. Санкт-Петербург, 2018г;

7. Международная научная конференция «Физика и радиоэлектроника в медицине и экологии» г. Владимир-Суздаль (2018г., 2020г);

8. Международная конференция 2020 IEEE ConferenceofRussianYoungResearchersinElectricalandElectronicEngineering (2020ElConRus), г. Санкт-Петербург, 2020г.

Публикации.

Основные результаты по теме диссертации опубликованы в 17 печатных изданиях, 5 из которых изданы в журналах рекомендованных ВАК, 3 материала докладов опубликованы в зарубежных изданиях, включенных в системы цитирования Scopus и WebOfScience, 9 публикаций в научных сборниках и трудах российских и международных конференций, получено 3 свидетельства о регистрации программы для ЭВМ. Структура и объем диссертации

Научная работа состоит из введения, пяти глав, заключения, списка сокращений, библиографического списка, включающего 112 наименований и двух приложений. Содержание диссертационной работы изложено на 183 страницах.

Глава 1. Диагностика физиологического состояния организма человека: физиология, методы регистрации и обработки

В течение последних десятилетий сердечно-сосудистые заболевания являются основной причиной смерти во всем мире. Самыми распространенными заболеваниями сердца являются: ишемическая болезнь сердца, инфаркт миокарда и аритмии. По подсчетам всемирной организации здравоохранения к 2030 году от сердечно-сосудистых заболеваний ежегодно будут умирать около 24 миллионов человек, то есть самой распространенной причиной смертности, по-прежнему будут болезни сердца.

К основным причинам возникновения нарушений работы сердца относят следующие факторы:

• малоподвижный образ жизни;

• вредные привычки;

• эмоциональные нагрузки;

• нарушения работы эндокринной системы.

Для предупреждения сердечных заболеваний необходима своевременная и качественная диагностика работы сердца. Поэтому создание чувствительных методов распознавания сердечного ритма является актуальной задачей в настоящее время.

1.1 Электрокардиография. Общие сведения

Электрокардиография - метод электрофизиологического исследования сердечной деятельности, основанный на регистрации электрической активности миокарда.

Основоположник электрокардиографии голландский физиолог Вильям Эйнтховен в 1887 году продемонстрировал кривую потенциалов действия сердца, которой дает название электрокардиограмма. В 1901 году ученый сконструировал первый электрокардиограф.

В настоящее время электрокардиография играет большую роль в диагностике острых и хронических заболеваний сердца и выявлении внесердечных заболеваний (например, тромбоэмболия легочной артерии). По данным электрокардиограммы можно определить тяжесть, локализацию и характер сердечного заболевания. Электрокардиограмма отражает такие функции сердца, как автоматизм, проводимость и возбудимость. Данный метод основан на распределении биотоков сердца по поверхности тела и записи характерной прямой - электрокардиограммы (рисунок 1.1).

Рисунок 1.1 - Пример электрокардиограммы

У здорового человека частота сердечного ритма составляет 60-90 ударов в минуту. Главными признаками нормального сердечного ритма является наличие зубца Р перед QRS, а также он должен быть положителен в отведениях I, II и отрицателен в аУЯ,

1.1.1 Особенности сигнала ЭКГ при аритмиях

В работе рассматриваются такие нарушения ритма сердца, как частая экстрасистолия и мерцательная аритмия. Рассмотрим подробнее данные нарушения ритма.

Экстрасистолы это преждевременное сокращение, как всего сердца, так и отдельных его частей. Самая важная характеристика экстрасистолы это интервал сцепления, т.е. временной интервал между возникновением

экстрасистолы и предшествующем экстрасистоле основным комплексом. Постоянство значения интервала сцепления нескольких экстрасистол в сигнале указывает на источник их возникновения. Классификация экстрасистол по источнику происхождения представлена в таблице 1.1.

Таблица 1.1 - Классификация экстрасистолы

Вид экстрасистол Особенности ЭКГ

Синусовые Зубцы Р экстрасистол идентичны синусовым зубцам Р

Предсердные Нижнепредсердные Интервар Р-Я <0.10с

Ранние предсердные Регистрация зубца Р без ОЯБ-комплекса

АВ-экстрасистолы Зубец Р' не виден на ЭКГ, но четко выражен на ЧПЭКГ.

Желудочковые Функциональные 1. амплитуда РЯБ 20 мм 2. ось РЯБ имеет нормальное направление 3. ОЯБ < 0,12с. 4. сегмент БТ и зубец Т направлены в противоположную сторону от ОЯБ 5. зубец Т асимметричен 6. БТ не имеет начальной горизонтальной фазы

Органические 1. амплитуда РЯБ 10 мм 2. ось РЯБ отклоняется вверх/вниз 3. ОЯБ > 0,12с. 4. комплексы РЯБ имеют зазубренности 5. зубец Т симметричен 6. зубцы Т направлены в туже сторону, что и РЯБ 7. БТ с горизонтальной начальной фазой

Мерцательная аритмия (МА) — форма нарушения ритма сердца, при которой возникает учащенное и хаотическое сокращение миокарда предсердий (рисунок 1.2).

норма мерцательная аритмия

Рисунок 1.2 - Мерцательная аритмия

Критериями фибрилляции предсердий являются:

• наличие несинусового ритма, что проявляется отсутствием зубцов Р перед каждым желудочковым комплексом;

• наличие неправильного ритма, что проявляется разными RR интервалами, т.е. разным интервалом между комплексами, отражающими желудочковые сокращения;

• частота сердечных сокращений может составлять различную величину - от 40-50 до 120-150 ударов в минуту и более;

• комплексы QRS (желудочковые комплексы) не изменены, на изолинии видны волны мерцания f или волны трепетания F.

В общем понятии мерцательной аритмии выделяют фибрилляцию (около 500 уд/мин) и трепетание (около 300-400 уд/мин) предсердий (рисунок 1.3). При первом и втором типе сокращения желудочков могут достигать более 200 в минуту, но при трепетании предсердий ритм может быть регулярным - это так называемая ритмированная, или правильная форма трепетания предсердий.

Рисунок 1.3 - Трепетание и фибрилляция предсердий

Выделяют несколько форм мерцательной аритмии, представлены в таблице 1.2.

Таблица 1.2 - Формы МА

Вид Длительность нарушения Возможность восстановления

В зависимости от принципа течения

пароксизмальная До 7 дней Самостоятельное восстановление Медикаментозное восстановление

персистирующая Более 7 дней Самостоятельное восстановление Медикаментозное восстановление

длительно Более одного Медикаментозное восстановление

персистирующая года Электрокардиоверсия

постоянная Существует годами Не восстанавливается

В зависимости от частоты сердечных сокращений

Брадиситолическая 55-60

Нормоситолическая 60-90

Тахиситолическая От 90

Согласно исследованиям, проведенным в России и за рубежом, мерцательная аритмия встречается у 5% населения в возрасте более 60 лет и у 10% населения старше 80 лет. При этом женщины страдают мерцательной аритмией в 1,5 раза чаще, чем мужчины. Опасность аритмии в том, что у пациентов с пароксизмальной или постоянной формами в 5 раз чаще возникают инсульты и другие осложнения.

1.2 Общие сведения электроэнцефалографического исследования

С помощью ЭЭГ неинвазивно проводятся исследования функционального состояния мозга. Метод основан на регистрации биоэлектрической активности головного мозга [21-23,31]. ЭЭГ является довольно сложным колебательным процессом и является результатом суммации процессов протекающих в мозге [24-25,31]. В литературных источниках указано, что частотный диапазон сигнала ЭЭГ находится от 0.1 до 170 Гц, но при этом в ряде современных источников описано, что частотный диапазон ЭЭГ доходит до 500Гц. Существует несколько частотных диапазонов согласно классификации колебаний, они представленны в таблице 1.3 [26-31].

Таблица 1.3 - Частотные диапазоны ЭЭГ

Ритм Частота, Гц Амплитуда, мкВ Характеристика

Альфа-ритм 8.0-13.5 30-70 Основной ритм. Ритмичен и четко периодичен. Оценка ритма используется для функциональной диагностики центральной нервной системы.

Бета-ритм 14.0-40.0 <20 Является показателем высокой активности коры больших полушарий головного мозга. На ЭЭГ является индикатором высокого уровня бодрствования. Имеет два диапазона: 14-20 Гц и 20-35 Гц.

Гамма-ритм >35.0 <15 Наблюдается при умственной активности

Дельта- <3.5 20-200 Наблюдается на ЭЭГ сна, а также

ритм при повреждении коры полушарий мозга при этом максимальная амплитуда ритма наблюдается на границе опухоли [29-31].

Тета-ритм 4.0-7.5 10-200 ЭЭГ покоя

1.3 Методы компьютерного анализа исследования биосигналов

Со второй половины прошлого века наблюдается проникновение математических методов в теорию и практику медицины. В настоящее время эта тенденция укрепляется все больше и больше. Активное проникновение сложных математических методов в задачи медицинской диагностики дают перспективы для получения более качественных новых результатов, которые не были достигнуты ранее [32].

Методики алгоритмов диагностики врачей относят к эвристическим процедурам. Многие методики обучения диагностики заболеваний носят эмпирический характер. При этом большое значение имеет «опыт» и «интуитивный» подход к диагностике, что может привести к ошибке и, как следствие, к выбору некорректных методов лечения. В настоящее время технические и программные средства дают качественно новые возможности обработки медицинских данных. Именно поэтому создание и применение программно-алгоритмических комплексов для анализа биосигналов, позволяющих медицинскому персоналу получить дополнительную помощь в постановке диагноза являются перспективной задачей в настоящее время [4,13].

Обзор литературы показывает, что основными методами анализа биосигналов являются: статистические, геометрические и нелинейные методы, автокорреляционный, спектральный и фрактальныйанализы (рисунок 1.5) [34].

Рисунок 1. 5 - Структура основных методов анализа биосигналов.

Статистические методы применяются для количественной оценки сигнала. При использовании данного метода сигнал рассматривается как совокупность последовательных временных промежутков. Недостатком метода является невозможность определения внутренней структуры ряда, а также по показателям статистических методов нельзя определить механизмы порождения патологического состояния. Несмотря на это статистические показатели достаточно полно характеризуют формирование сигнала под влиянием случайных факторов [2].

Временной анализ относится к группе методов, основанных на использовании статистических вычислений. Его отличием от статистического анализа является наличие специфических показателей, применяемых только для анализа биомедицинских сигналов. Временной анализ обладает высокой прогностической значимостью, высокой воспроизводимостью и возможностью повышения надежности результатов при увеличении длины выборки сигнала.

Спектральный анализ позволяет разложить ряд на составляющие компоненты и оценить количественно вклад каждой из них. Математически этот метод осуществляется с помощью дискретного преобразования Фурье. В настоящее время некоторые системы анализа суточной вариабельности сердечного ритма приводят изображения спектрограмм через некоторые

Список литературы диссертационного исследования кандидат наук Старченкова Карина Смбатовна, 2020 год

Список литературы

1.Проект компании медицинские компьютерные системы. Вариабельность сердечного ритма. http: //www. kardi. ru/ru/index/Article?&ViewType=view&Id=3 7.

2. Физиологические основы вариабельности сердечного ритма (ВСР).

http: //www. qhrv. ru/dt_hrv 1 _ru.htm.

3.Бабунц И.В., Мираджанян Э.М., Машаех Ю.А. Азбука анализа вариабельности сердечного ритма. - Ставрополь, 2002. - 112 с.

4.Аль-Хулейди Н.А. Система обработки и нейросетевого анализа биоэлектрических сигналов для решения задач медицинской диагностики: дис. ... канд. техн. наук. - Владимир, 2014. - 150 с.

5.Антипов, О.И., Нагорная М.Ю. Фрактальный анализ электрогастро-энтерографического сигнала // Биомедицинская радиоэлектроника. - 2010. - №10. - С. 40-44.

6.Антипов О.И., Неганов В.А. Анализ и предсказание поведения временных рядов самоорганизованных экономических и биологических систем с помощью фрактальных мер// Физика волновых процессов и радиотехнические системы, - 2011. - Т. 14 - № 3 - С. 78-89.

7.Антипов О.И., Захаров В.А., Неганов В.А. Особенности применения фрактальных мер детерминированного хаоса к автоматизированному распознанию стадий сна при полисомнографии // Физика волновых процессов и радиотехнические системы, - 2012. - Т. 15 - № 3 - С. 101-109.

8.Антипов О.И., Захаров В.А., Повереннова И.Е., Неганов В.А., Ерофеев А.Е. Возможности различных методов автоматического распознавания стадий сна // Саратовский научно-медицинский журнал. 2012. Т.8, №2. приложение (нервные болезни) С.374-379.

9.Антипов О.И., Повереннова И.Е., Неганов В.А., Захаров А.В. Программа автоматического распознавания стадий сна. Свидетельство о государственной регистрации программы для ЭВМ № 2012614865, 31 мая 2012г.

10.DealB. J., WolfG. S., GelbandH. Сште^ concepts in diagnosis and management of arrhythmias in infantsand children.- 1998.

11Jaeggi E., Fouron J. C., Drblik S. P. Fetal atrial flutter: diagnosis, clinical features, treatment, and outcome // J. Pediatr. -1998. - Vol. 132, № 2. - P. 335339.

12Jouannic J. M., Delahaye S., Le Bidois J. Results of prenatal management of fetuses with supraventricular tachycardia. A series of 66 cases // J. Gynecol. Obstet. Biol. Reprod. (Paris). - 2003. - Vol. 32, № 4. - P. 338-344.

13.Уваров В.М. Методы и алгоритмы системного анализа диагностических моделей вариабельности сердечного ритма для управления процессом обучения кардиологов решений: дис. ... канд. техн. наук. - Белгород, 2005. - 154 с.

14Ахромеева Т.С., Малинецкий Г.Г. О странном аттракторе в одной задаче синергетики. // Вычислительная математика и математическая физика. -1987. - Т.27, № 2. - С. 202-217.

15.Брагинский М.Я., Добрынина И.Ю., Добрынин Ю.В., Еськов В.М., Пикулина С.Ю. Новый метод идентификации параметров аттракторов патологических состояний организма человека на Севере РФ. // Сибирский медицинский журнал - 2006. - № 6.- С. 26-29.

16.Еськов В.М., Зилов В.Г., Хадарцев A.A. Новые направления в клинической кибернетике с позиций теории хаоса и синергетики. // Системный анализ и управление в биомедицинских системах. - 2006 -Т.5, №3 - С. 613 - 616.

17.M Costa, AL Goldberger, C-K Peng. Multiscale Entropy to Distinguish Physiologic and Synthetic RR Time Series - Computers in Cardiology 2002;29:137-140.

18.Левин Я.И. Сомнология: сон, его структура и функции; инсомния. Российский медицинский журнал. 2007, 15(15): 11 -30.

19.Томов, Л. Нарушения ритма сердца / Л. Томов, И. Томов. - София : Медицина и физкультура, 1979. - С. 421.

20. The disorders of cardiac rhythm, Volume 2. Front Cover. Leo Schamroth. Blackwell Scientific, 1980 - Medical - 736 pages.

21.Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). - Таганрог: Издательство ТРТУ. - 1996. - 358 с.

22. Мозг. Подред. П.В.Симонова. М.: Мир. 1984. - 278с.

23. The handbook of brain theory and neural networks / Michael A. Arbib, editor—2nd ed. Massachusetts Institute of Technology, 2003.

24. Псеунок A.A. Aнатомия мозга. Спецкурс. - Майкоп: изд-во ООО «Aa^», 2003. - 110 с.

25. Морфология нервной системы. Отв.ред. Б.П.Бабминдра. Ленинград. 1986.

- 160с.

26. Рыбина И.Я. Табулина Л.Д. Межполушарная асимметрия биоэлектрической активности головного мозга при фокальной эпилепсии. -Л.: НИПИ им. Бехтерева, 1987.

27.Болдырева Г.Н. Межцентральные отношения в коре головного мозга человека в норме и при очаговом поражении диэнцефальных структур (по данным математического анализа ЭЭГ): Aвтореф. дис. докт. биол. наук. -М.: Институт ВНД и НФ AH СССР, 1978. - 34 с.

28.Русинов В.С. и др. // Ж. высшей нервной деятельности. - 1984.- Т.34, N 1.-С. 14-23.

29.Поворинский AT., Заболотных ВА. Пособие по клинической электроэнцефалографии.- Л.: Наука, 1987.- 62 с

30.Бобкова Н.В, Жадин М.Н. К вопросу о генезисе электроэнцефалограммы.

- Биофизика, 1978, т.23, №1, с. 133.

31.Борисова О.С. ЭЭГ-анализ хаотической динамики мозговой активности: Тез. 11-го Международного молодежного форума «Радиоэлектроника и молодежь в XXI веке». Харьков, 2007.

32.Вариабельность сердечного ритма: Теоретические аспекты и практическое применение // Тезисы докладов IV всероссийского симпозиума с международным участием. - Ижевск, 2008. - URL: http://www.ramena.ru/page.php? 13 (дата обращения 20.10.2018).

33. Туровский Я.А. Исследование волновых процессов вариабельности середчного ритма человека в различных функциональных состояниях. ВГУ

34. Исаков Р.В, Юрлова Е.В. Методы автоматизации образного анализа гистограмм ритма сердца// «Физика и радиоэлектроника в медицине и экологии» Доклады 9 -й межд. науч.-техн. конф., Владимир, 2010, c.165-167.

35. Пятакович Ф.А., Макконен К.Ф., Дударева С.Л., Л.В. Хливненко. Роль авторегрессионных, нечетких, нелинейных моделей и алгоритмов «нейрокомпьютинга» в разработке телемедицинской системы прогнозирования исходов мерцательной аритмии. БГУ и ВГУ УДК 616. 137. 81-003.96-07.

36. Баевский Р.М., Иванов Г.Г., Чирейкин Л.В. Исследование вариабельности сердечного ритма с использованием пакета программ «КардиоКит». -СПб., 2003. - 45 с.

37. Баевский P.M., Иванов Г.Г., Чирейкин Л.В. Анализ вариабельности сердечного ритма при использовании различных электрокардиографических систем // Вестник аритмологии. - 2001. - № 24. - С. 65-86.

38. Конюхов В.Н. Построение нейронных классификаторов для диагностики сердечно-сосудистых заболеваний по параметрам кардиореспираторного взаимодействия // Биотехносфера. - 2010. - № 3 (9). - С. 16-19.

39. Берёзный Ефим Абрамович, Рубин Александр Михайлович, Утехина Галина Анатольевна. Практическая кардиоритмография. 3-е издание, переработанное и дополненное. Научно-производственное предприятие «Нео», 2005. -140 с.; ил

40. Ахромеева Т.С., Малинецкий Г.Г. Периодические режимы в нелинейных диссипативных системах вблизи точки бифуркации. // Вычислительная математика и математическая физика. - 1985. - Т.25, № 9. - С. 1314-1326.

41. Анищенко В.С. Сложные колебания в простых системах. - М. Саратов, ООО «Офорт», 1996 - 286с.

42. Малинецкий Г.Г. Хаос. Структуры. Вычислительный эксперимент: Введение в нелинейную динамику. - М.: Эдиториал УРСС, 2000. - 256 с.

43. Малинецкий Г.Г., Потапов А.Б. Нелинейная динамика и хаос. Основные понятия. - М.: Эдиториал УРСС, 2006.-237 с.

44. Мун Ф. Хаотические колебания - М.: Мир, 1990. Л.В.

45. Braun C. et.al. Demonstration of nonlinear components in heart rate variability of healthy persons //AmJ.PhysioL-1998.- 275. - P.H1577-H1584.

46. Dori G., Fishman S.H., Ben-Haim S.A. The correlation dimension of rat hearts in an experimentally controlled environment //Chaos - 2000. - 10(1) - P.257-267.

47. Esler M., Schwarz R., Alvarenga M. Mental stress is a cause of cardiovascular deseases: from skepticism to certainty // Stress and Healt.- 2008. - 24 - P. 175180.

48. Garfinkel A., Spano M.L., Ditto W.L., Weiss J.N. Controlling Cardiac Chaos// Science - 1992. - 257(28) - P.1230-1234.

49. Gray R.A., Jalife J., Panfilov A.V. et al. Mechanisms of Cardiac Fibrillation// Science - 1995. - 270(17) - P. 1222-1223.

50. Gusetty S, Signorini M.G., Coglianati C., Mezetti S., Porta A., Cerutti S., Malliani A. Non linear dynamics and chaotic indices in heart rate variability of normal subjects and heart-transplated patients// Cardiovasc. Res. -1996. - 31 (3)

- p. 441-449.

51. Kaplan D.T. and Cohen R.J. Searching for Chaos in Fibrillation. Mathematical approaches to cardiac arrhythmias - New York: Academic Press, 1990 - P.367-374.

52. Mironyuk O. Yu. Loskutov A. Yu. Detection of Cardiac Pathologies Using Dimensional Characteristics of RR Intervals in Electrocardiograms// Biophysics

- 2006. - 51(1) - P.115

53. Skinner J.E., Pratt C.M., Vybiral T.A. A reduction in the correlation dimension of heart beat intervals proceeds imminent ventricular fibrillation in human subjects// Amer.Heart J.- 1993. - 125 - P.731-743.

54. Майоров О.Ю., Фенченко В.Н. О вычислении параметров детерминированного хаоса при исследовании биоэлектрической активности мозга (ЭЭГ) // Научно-методический журнал Клиническая информатика и телемедицина, 2006, т.3, вып.4, с. 1 -160.

55. Каплан А.Я., нестационарность ЭЭГ: методологический и экспериментальный анализ. - Успехи физиологических наук, т.29, №3, с. 35-55 (1998).

56. Mayorov O.Yu. Multidimensional approach for evolution of system activity of the brain by EEG. - XVII European Congress on Medical Informatics. IOS Press. V. 90 (2002).

57. Mayorov O.Yu. Multidimensional approach for evolution of system activity of the brain by EEG. - XVII European Congress on Medical Informatics. IOSPress. V. 90 (2002).

58. Майоров О.Ю., Фенченко В.Н. Исследование биоэлектрической активности мозга с позиций многоразмерного линейного и нелинейного анализа ЭЭГ // Научно-методический журнал Клиническая информатика и телемедицина, 2008, т.4, вып.5, с. 1 -160.,

59. Lutzenberger W., Elbert T., Birbaumer N., Ray W. J., Schupp H. The scalp distribution of the fractal dimension of the EEG and its variation with mental tasks. - Brain topogr. 5, p. 27-34 (1992).

60.Fell J., Roschke J., Mann J. K. and C. Schaffher. Discrimination of sleep stages: a comparison betweenrspectral and nonlinear EEG measures. - Electroenceph. Clin. Neurophysiol., 98, p.401-410 (1996).

61.Roschke J., Fell J. and Beckmann P. The calculations of the first Lyapunov exponent in sleep EEG data. - Clin. Neurophysiol., 86, p. 348-352 (1993).

62.Roschke J., Basar E. Correlation dimentions in various parts of the cat and human brain in different states. - Brain Dynamics Springer-Verlag, p. 131-148 (1989).

63.Roschke J., Fell J. and Beckmann P. Non-linear analysis of sleep EEG data in schizophrenia. - Psychiatr. res., 56, p. 257-269 (1995).

64.Frank G.W., Lookman T., Nerenberg M.A.H., Essex C., Lemiaux J., and Blume W. Chaotic Time Series Analyses of Epileptic Seizures. - Physica D, 1990, no. 3, pp. 427-438.

65.Arellano JI,Munoz A, Ballesteros-Yanez I, Sola RG, De Felipe J (2004) Histopathology and reorganization of chandelier cells in the human epileptic sclerotic hippocampus. Brain. 127: 45-64.

66.Bekenstein JW, Lothman EW(1993) Dormancy of inhibitory interneurons in a model of temporal lobe epilepsy. Science. 259: 97-100.

67.Bernard C, Esclapez M, Hirsch J, Ben-Ari Y (1998) Interneurones are not so dormant in temporal lobe epilepsy: A critical reappraisal of the dormant basket cell hypothesis. Epilepsy Res. 32: 93-103.

68.D.S. Broomhead, G.P.King. Physica D. 1986. 20. p.217.

69.В.А. Головко. Нейросетевые методы обработки хаотических процессов, 2005.

70. Учебник/Под ред. И.И. Елисеевой. - М: Финансы и статистика, 2002. -344 с.

71.Goldberger A.L., Peng C.K., Lipsitz L.A. What is physiologic complexity and how does it change with aging and disease. Neurobiol Aging 2002;23:23.26.

72.Goldberger A.L., Amaral L.A.N., Hausdorff J.M., Ivanov P.Ch., Peng C.-K. and Stanley H.E. Fractal dynamics in physiology: Alterations with disease and aging. PNAS. 2002, V.99, Suppl. 1, 2466-2472.

73.Lake D.E., Richman J.S., Griffin M.P. et al. Sample entropy analysis of neonatal heart rate variability // Am. J. Physiol. Regul. Integr. Соф. Physiol. 2002. V. 283. № 3. P. 789-797.

74.Pincus S.M. Assessing serial irregularity and its implications for health. Ann N Y AcadSci 2001; 954:245.267, and references therein.

75.Richman J.S., Moorman J.R. Physiological time-series analysis using approximate entropy and sample entropy. Am. J. Physiol. HeartCirc. Physiol. 278(6):H2039-H2049,2000.

76.Гончар И.А., Нечипуренко Н.И., Фролов А.В. Энтропия сердечного ритма - предиктор функционального исхода парциального инфаркта мозга в

бассейне сонных артерий у пациентов с фибрилляцией предсердий. Медицинские новости. №1, 2015.

77.Сараев И.А. Оценка функциональной устойчивости больных ИБС при нагрузочных пробах по данным нелинейного анализа кардиоритма. Курский научно-практический вестник "Человек и его здоровье". - 2016. -№ 4.

78.Чумак О. В.Энтропии и фракталы в анализе данных. — М.-Ижевск: НИЦ «Регулярная и хаотическая динамика», Институт компьютерных исследований,2011. — 164 с.

79.Хачатрян К.С., Манило Л.А., «Метод анализа псевдофазового портрета в задаче распознавания биомедицинских сигналов». Биотехносфера вып.№5/47/2016, Санкт-Петербург, АО «Издательство «Политехника», 2016.

80.K. Khachatryan, L. Manilo and A. Anisimov, "The method of analysis pseudophase portrait in the problem of recognition of biomedical signals",2017 20th Conference of Open Innovations Association (FRUCT), St. Petersburg, 2017, pp. 146-153.

81.Мачихин В.А. Корреляционный метод анализа электроэнцефалограммы [Текст]/ Антипов О.И., Мачихин В.А., Никушин Р.В. - В материалах XVII Международной научно-технической конференции «Проблемы техники и технологий коммуникации» ПТиТТ-2016. - 22-24 ноября. - Самара. -ПГУТИ

82.Кириченко Л.О. Сравнительный мультифрактальный анализ временных рядов методами детрендированного флуктуационного анализа и максимумов модулей вейвлет-преобразования. / Л.О. Кириченко. — Всеукр. межвед. науч.-техн. сб. АСУ и приборы автоматики. — Х.: Изд-во ХНУРЭ, 2011, — Вып. 157. — C. 66-77.

83.Антипов О.И., Неганов В.А. Применение метода нормированного размаха Херста к анализу стохастических временных рядов в импульсных стабилизаторах напряжения // Физика волновых процессов и радиотехнические системы. - 2009. - Т. 12. - № 3 - С. 78-85.

84.Антипов О.И. Показатель Херста биоэлектрических сигналов / О.И. Антипов, М.Ю. Нагорная // Инфокоммуникационные технологии. - 2011. - №1 (9). - С. 75-77.

85.Антипов О.И., Нагорная М.Ю., Осипов О.В.Программный комплекс для фрактального анализа биофизических параметров организма // Физика и технические приложения волновых процессов: тез. докладов IX Международная научно-техническая конференция,11 -17 сент., 2010., г. Челябинск, 2010. - С. 216-217.

86.Антипов О.И. Нагорная М.Ю. Актуальность применения фрактальный мер к биоэлектрическим сигналам // Физика и технические приложения волновых процессов: тез. докладов IX Международная научно-техническая конференция,11-17 сент., 2010., г. Челябинск, 2010. - С. 243.

87.Kantelhardt J.W. Fractal and Multifractal Time Series. - 2008. http://arxiv. org/abs/0804.0747

88.Кириченко Л. О. Исследование выборочных характеристик, полученных методом мультифрактального флуктуационного анализа // Вюник НТУУ «КП1».1нформатика, управлiння та обчислювальнатехшка: зб. наук. пр. -2011. - № 54. - С.101-111

89.Кубланов, В.С. К88 Анализ биомедицинских сигналов в среде MATLAB : учебное пособие / В.С. Кубланов, В.И. Борисов, А.Ю. Долганов.— Екатеринбург: Изд-во Урал. ун-та, 2016. - 120 с.

90.К.С. Старченкова, Л.А. Манило «Оценка размерности вложения аттракторов ритмограмм для разных видов сердечных аритмий» 74 -я Всероссийская научно-техническая конференция, посвященная Дню радио, сборник трудов конференции. Издательство СПбГЭТУ «ЛЭТИ», 2019, стр. 349-352.

91.Старченкова К.С., Манило Л.А. Использование старшего показателя Ляпунова для распознавания биомедицинских сигналов //Вопросы радиоэлектроники. 2020. №3. стр. 16-22.

92. Бокерия Е.Л. Текст диссертации «Фетальные и неонатальные аритмии (клиника, диагностика и лечение)

93.Хачатрян К.С., Манило Л.А., «Метод анализа псевдофазового портрета в задаче распознавания биомедицинских сигналов». Биотехносфера вып.№5/47/2016, Санкт-Петербург, АО «Издательство «Политехника», 2016.

94.К.С. Хачатрян, Л.А. Манило, «Анализ псевдофазового портрета в задаче распознавания сердечного ритма» Методы компьютерной диагностики в биологии и медицине - 2016, сборник трудов конференции. Издательство «Саратовский источник», г. Саратов, 2016, стр. 113 -115.

95.Хачатрян К.С., «Распознавание сердечного ритма на основе анализа псевдофазового портрета» Биотехнические, медицинские и экологические системы и комплексы. БИОМЕДСИСТЕМЫ - 2016, сборник трудов конференции. Издательство «Рязанский государственный радиотехнический университет», г. Рязань, 2016, стр. 306 -308.

96.K. Khachatryan, L. Manilo and A. Anisimov, "The method of analysis pseudophase portrait in the problem of recognition of biomedical signals 2017 20th Conference of Open Innovations Association (FRUCT), St. Petersburg, 2017, pp. 146-153.

97.Л.А. Манило, К.С. Хачатрян «Анализ морфологических признаков псевдофазового портрета для разных видов сердечного ритма» 72 -я Всероссийская научно-техническая конференция, посвященная Дню радио, сборник трудов конференции. Издательство СПбГЭТУ «ЛЭТИ», 2017, стр. 481-482.

98.Хачатрян К.С., «Оценка информативности морфологических признаков псевдофазового портрета» Биотехнические, медицинские и экологические системы и комплексы. БИОМЕДСИСТЕМЫ - 2017, сборник трудов

конференции. Издательство «Рязанский государственный

радиотехнический университет», г. Рязань, 2017, стр. 590-593.

99.K. Khachatryan and L. Manilo, "Estimation of informational contents of morphological features of pseudo-phase portrait of rhythmograms on the basis of Cluster analysis", 2018 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT), Yekaterinburg, Russia, 2018, pp. 120-123.

100. К.С Хачатрян «Оценка информативности морфологических признаков псевдофазового портрета» материалы XIII Международного конгресса «КАРДИОСТИМ» - 2018, 15-17 февраля 2018 г., ParkInnbyRadisson «Прибалтийская», г. Санкт-Петербург.

101. Хачатрян К.С., Манило Л.А., «Способы оценки информативности признаков при формировании морфологического описания псевдофазового портрета ритмограмм». Биотехносфера вып.№2(56)/2018, Санкт-Петербург, АО «Издательство «Политехника», 2018.

102. Себестиан Г. С. Процессы принятия решений при распознавании образов., 65.

103. Тарловский, Фомин. Статистическая теория распознавания образов.

104. Тарасенко Ф.П. Введение в курс теории информации. - Томск: ТГУ, 1963.

105. Кочкуров С. А. Разработка и исследование аппаратно - программных средств оценки информативности параметров сигналов. М.,1997

106. Старченкова К.С., Манило Л.А., «Оценка энтропии ритмограмм для разных видов сердечных аритмий» Биотехнические, медицинские и экологические системы и комплексы. БИОМЕДСИСТЕМЫ - 2019, сборник трудов конференции. Издательство «Рязанский государственный радиотехнический университет», г. Рязань, 2019, стр. 206-209.

107. К.С. Старченкова Показатель Хёрста в анализе ритмограмм сердечного ритма [Текст]/ К.С. Старченкова// АО «Издательство «Политехника». Биотехносфера. - 2019. - №6. - С.37-40.

108. http://www.integro.ru/system/dict/metodology.htm

109. Садыкова Е.В., Юлдашев З.М. Система удаленного мониторинга состояния здоровья и оказания экстренной медицинской помощи пациентам с хроническими заболеваниями. Биотехносфера /№ 1, 2017. С.2-7

110. Программный комплекс для построения и расчета морфологических признаков псевдофазового портрета, свидетельство №2018616485, 01 июня 2018г.

111. Программный комплекс для расчета корреляционной размерности биомедицинских сигналов, свидетельство №2019617559, 17 июня 2019г.

112. Программный комплекс для расчета энтропии биомедицинских сигналов, свидетельство №2020614254, 27марта 2020г.

ПРИЛОЖЕНИЕ А

% Расчет корреляционной размерности

FName=uigetfile('*.txt'); RR=load(FName); figure(1)% Исходный график subplot(3,1,1); stem(RR, Color'k'j

grid on;

D_eumb = 2 ; vektor = RR; e_s tt = 05; numSts = 2 0; e_end =500 0; lag = 1;

[C,e] = korIntegral(D_eumb,vektor,e_stt,numSts, e_end,lag);

subplot(3,1,2);

logelog(e,C,'ko-','Marker','h'); hold on;

title('Корреляционный интеграл') ; subplot(3,1,3);

dlogC=loge(C(2:end))-loge(C(1:end-1)); dloge=loge(e(2:end))-loge(e(1:end-1)); D = dlogC ./ dloge; semilogx(e(1:end-1), D, 'o-'); ylim([0 5])

title('Тангенс угла наклона');

%hold on;

rect = getrect;

x_rect = [rect(1) rect(1)+rect(3) rect(1)+rect(3) rect(1)]

y_rect = [rect(2) rect(2) rect(2)+rect(4) rect(2)+rect(4)]

in_points = inpolygon(e(1:end-1), D, x_rect, y_rect);

% линейная аппроксимация subplot (3,1,2)

loglog(e(in_points), C(in_points), '.r', 'MarkerSize',30) ; subplot(3,1,3)

semilogx(e(in_points), D(in_points), '.r', 'MarkerSize',30) ;

k = polyfit(log(e(in_points)),log(C(in_points)),1); % получение результата

displ(['npM D_eumb = num2str(D_emb), ' , D = num2 str(k(1))]);

ПРИЛОЖЕНИЕ Б

% Нарезка сигналов необходимой длины

function varargout = signal cut(varargin) axes(handles.axes1); tmp=getCursorInfo(data_curs_obj);

axesObjs = get(handles.axes1, 'Children'); %axes handles

ydata = get(axesObjs, 'YData');

filename = get(handles.FileName, 'String');

save_data = ydata(1:tmp.Position(1));

fileID = fopen(strcat(filename,'.txt'),'w');

fprintf( fileID ,'%d\r\n', save_data);

fclose(fileID);

cla;

stem(ydata(tmp.Position(1):length(ydata)),'.','Color',' k');

%ylim ([0 2]);

disp(tmp.Position(1));

fig = figure(handles.figure1);

cla;

FName=uigetfile('*.rr'); RR=load(FName); m=length(RR(:,1));

stem(diff(RR(:,1)),'.', 'Color', 'k') set(fig,'toolbar','figure'); set(fig,'menubar','figure'); grid on;

global data_curs_obj; data_curs_obj = datacursormode(fig); set(data_curs_obj,'DisplayStyle','datatip',... 'SnapToDataVertex', 'on', 'Enable', 'on')

% Расчет морфологических признаков

clear; N=1024;

pml = menu('ВЫБЕРИТЕ ','Нормальный

ритм','Экстрасистолия','Мерцательная аритмия');

switch pml

%нормальный ритм case 1 y=load('RR10.txt');

rr=y( :,1); axes(haxes2); cla

hold on for i=1:250 x(1)=i; x(2)=i; r(1)=0; r(2)=rr(i); plot(x,r,'k');

end

maxrr=max(rr)*1.2; set(haxes2,'YLim',[0 maxrr])

axes(haxes4) nrr=length (rr); plot(rr(1:nrr-1),rr(2:nrr)); hold on

set(haxes4,'Xlim',[0 2],'Ylim',[0 2]);

for i=1:250

nrr=length(rr);

x=rr(1:nrr-1);

y=rr(2:nrr);

end

kvert=convhull(x,y); pause (0.1)

plot(x(kvert(1)),y(kvert2(1)),'bo') hold on

for k=2:length(kvert)

plot([x(kvert(k-1)) x(kvert(k))], [y(kvert(k-1) ) y(kvert(k))],'b')

plot(x(kvert(k)),y(kvert(k)),'bo') end

% Вычисление длины контура F=0;

for k=1:length(kvert)-1

F=F+sqrt((x(kvert(k+1))-x(kvert(k)))A2+(y(kvert(k+1))-

y(kvert(k) ) )Л2) ;

set(hEda, 'string',num2str(F) ) ;

end

for i=1:250 nrr=length (rr); x=rr(1:nrr-1); y=rr(2:nrr); end

[kvert1,s]=convhull(x,y) ; pause (0.1)

plot(x(kvert(1)),y(kvert(1)),'bo') hold on

for k=2:length(kvert) nrr=length(rr); x=rr(1:nrr-1); s um x = s um x + x(i); end

0.0.0.0.0.0.0. %%%%%%%

F=0;

for k=1:length(kvert)-1

F1=F+sqrt((x(kvert(k+1))-x(kvert(k)))A2+(y(kvert(k+1)) -y(kvert(k) ) ) л2) ;

set(hEda2,'string',num2str(F1)); end

S-S-S-S-S-S-S-S-S-S-S-S-%%%%%%%%%%%%

F=0;

F=F+sum(abs(diff(complex(x,y)))); set(hEda3,'string',num2str(F)); L_average=F/2 4 9;

set(hEda7,'string',num2str(L_average));

Lmass = zeros(249,1); for i=2:250

Lmass(i) = ((x(i) - x(i-1))A2 + (y(i) - y(i-1))л2)л(1/2) ; end

%Центр масс x

s um x = 0;

for"i=1:250

nrr=length(rr);

x=rr(1:nrr-1);

s um x = s um x + x(i);

end

center_mass_x = sum_x/2 50;

set(hEda4,'string',num2str(center_mass_x));

%Количество точек, у которых перепад значений от

текущей точки к следующей превышает треть собственного

значения

U = 0;

for i=1:24 9

if rr(i) - rr(i+1)>rr(i)/3 U = U+1;

end end

set(hEda10,'string',num2str(U));

x_mass = center_mass_x; W~= 0;

for i = 1 : length(x)

if (tan(1*pi/180)*(x(i) - x_mass) +min(rr) < y(i)) && (tan(45*pi/180)*(x(i) - x_mass) + min(rr) > y(i)) W = W+1;

end;

set(hEda6,'string',num2str(W)); end