Методы обнаружения и обработки малоамплитудных составляющих электрокардиосигнала портативных кардиомониторов тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Хомяков, Антон Вадимович

  • Хомяков, Антон Вадимович
  • кандидат технических науккандидат технических наук
  • 2012, Казань
  • Специальность ВАК РФ05.12.04
  • Количество страниц 144
Хомяков, Антон Вадимович. Методы обнаружения и обработки малоамплитудных составляющих электрокардиосигнала портативных кардиомониторов: дис. кандидат технических наук: 05.12.04 - Радиотехника, в том числе системы и устройства телевидения. Казань. 2012. 144 с.

Оглавление диссертации кандидат технических наук Хомяков, Антон Вадимович

Перечень сокращений и условных обозначений.

Введение.

Глава 1. Обработка электрокардиосигнала в современных кардиомониторах

1.1. Отображение электрических явлений в сердце на электрокардиограмме.

1.2. Диагностика заболеваний сердца с помощью анализа ЭКС.

1.2.1. Информативные признаки наличия аритмий на ЭКС.

1.2.2. Функциональные особенности построения кардиомониторое.

1.3. Анализ малоамлитудных составляющих при автоматической обработке электрокардиосигнала.

1.3.1. Вариабельность формы и параметров Р-зубца электрокардиосигнала при заболеваниях сердца.

1.3.2. Методы автоматической обработки электрокардиосигнала в портативных кардиомониторах.

1.4. Постановка и формализация задачи исследования.

Глава 2. Разработка и реализация метода обнаружения-различения малоамплитудных составляющих ЭКС.

2.1. Построение моделей Р-зубца на основе полиномиальной аппроксимации

2.2. Обнаружение слабых сигналов на фоне помех.

2.2.1. Выбор критерия принятия решения о наличии сигнала.

2.2.2. Предварительная классификация и выбор точек синхронизации на основе корреляционного метода.

2.3. Основные результаты и краткие выводы.

Глава 3. Разработка и реализация метода различения малоамплитудных составляющих ЭКС по параметрам спектра.

3.1. Построение спектра предсердных потенциалов.

3.1.1. Спектральное представление сигналов.

3.1.2. Выбор длительности и типа оконной функции.

3.2. Различение сигналов с применением статистического анализа экспериментальных данных.

3.2.1. Техника проведения ROC-анализа для оценки достоверности различения сигналов.

3.2.2. Анализ экспериментальных данных для расчета порогов принятия решения.

3.3. Основные результаты и краткие выводы.

Глава 4. Применение разработанных методов для прогнозирования эпизодов фибрилляции предсердий.

4.1. Разработка критерия прогнозирования эпизодов ФП.

4.2. Реализация алгоритма прогнозирования эпизодов ФП.

4.3. Основные результаты и краткие выводы.

Рекомендованный список диссертаций по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы обнаружения и обработки малоамплитудных составляющих электрокардиосигнала портативных кардиомониторов»

Актуальность темы. В современном мире бурно развиваются радиотехнические методы и устройства передачи, приёма, обработки, отображения и хранения информации, охватывая все новые предметные области. Уже вполне традиционной стала задача разработки радиотехнических устройств обработки биомедицинских сигналов. Решение этой задачи позволяет увеличивать объем получаемой информации о состоянии человека при одновременном росте ее качества.

Совершенствование методов цифровой обработки биомедицинских сигналов делает возможным создание новых устройств для эффективного использования в области медицины. Применение методов обнаружения и различения слабых сигналов на фоне шумов для автоматического анализа электрокардиосигнала (ЭКС) позволяет более глубоко исследовать область предсердий сердца человека, что в свою очередь способствует обнаружению предсердных аритмий и других нарушений в работе предсердий.

Применяемые методы базируются на теории приёма сигналов в целом, а также на теории случайных процессов и статистического анализа в радиотехнических системах, теории распознавания образов и классификации сигналов. Основы этих теорий были изложены в работах В.А. Котельникова, Б.Р. Левина, И.А. Липкина, И.В. Дунин-Барковского, В.А. Омельченко, Н.В.Смирнова, D.Middleton, S.L. Marple, Ph. Woodward и др.

Автоматический анализ ЭКС, в частности, для обнаружения предсердных аритмий является важным аспектом диагностики состоянии сердца человека. Во-первых, потому что ряд аритмий носит жизнеугрожающий характер: внезапная аритмическая смерть может наступить в течение нескольких минут после возникновения аритмии. Во-вторых, аритмии выступают в роли своеобразных маркеров более серьезных сердечно-сосудистых заболеваний (ССЗ) и позволяют обнаруживать на ранних стадиях морфологические изменения в сердце.

В нашей стране во главе научных работ в области обработки и автоматического анализа ЭКС стояли исследователи А.Л. Барановский, А.П.Немирко, а впоследствии Г.Г. Иванов, А.Н. Калиниченко, Б.Б. Куламбаев, 6

С.Ю. Левашов и др. Разработке методов обработки ЭКС посвящены работы зарубежных ученых J.T. Catalano, G.D. Clifford, R.G. Mark, G.B. Moody, J. Pan, M.B. Simson, W.J.Tompkins и др. Развитие методов автоматического анализа ЭКС было направлено на решение задач компьютерной электрокардиографии, таких как мониторный контроль или экспресс-диагностика состояния сердца. В проводимых на кафедре Радиоэлектронных и телекоммуникационных систем (РТС) Казанского национального исследовательского технического университета имени А.Н.Туполева-КАИ (КНИТУ-КАИ) исследованиях решением этих задач занимались Ш.М.Чабдаров, А.Ф. Надеев, Г.И. Щербаков, Т.Ф. Щербакова, С.В.Козлов, С.С. Седов, С.Н. Горохов и др.

Кардиомониторы, которые находят широкое распространение сегодня, представляют собой радиоэлектронные средства автоматического анализа ЭКС. Среди них выделяют различные классы приборов по глубине анализа и по своему функциональному назначению. В России с высоким уровнем смертности от ССЗ практический интерес представляет распространение портативных кардиомониторов (ГЖМ), которые могут применяться врачами общей практики в клиниках семейной медицины, врачами скорой медицинской помощи и самими пациентами на дому. При проектировании ПКМ интерес представляет расширение их функциональных возможностей для проведения экспресс-диагностики по первому стандартному электрокардиографическому отведению. Увеличения списка обнаруживаемых нарушений в работе сердца можно добиться применением в ПКМ методов обнаружения и обработки малоамплитудных составляющих ЭКС. К таковым относится Р-зубец ЭКС, который представляет собой запись потенциала, возникающего при возбуждении предсердий. При разработке методов автоматической обработки ЭКС в существующих ПКМ не уделяется достаточного внимания этой составляющей ЭКС с малой относительно (Ж^-комплекса амплитудой. Однако использование информации о Р-зубце позволяет обнаружить такие аритмии, как предсердная тахикардия, внутрипредсердная блокада, эктопический предсердный ритм и некоторые другие, которые приводят к деформации Р-зубца.

Целью диссертационного исследования является разработка методов обнаружения и обработки малоамплитудных составляющих электрокардиосигнала для создания алгоритма обнаружения нарушений в работе предсердий по первому стандартному электрокардиографическому отведению.

Для достижения цели ставится задача синтеза алгоритмов выделения и обработки диагностической информации, содержащейся в малоамплитудных сигналах активности предсердий в первом стандартном электрокардиографическом отведении. Для её решения выносится ряд частных задач:

• Исследование и систематизация характеристик малоамплитудных сигналов предсердий для обнаружения аритмий в первом стандартном отведении.

• Разработка метода обнаружения малоамплитудных сигналов предсердий в первом стандартном отведении.

• Разработка метода различения малоамплитудных сигналов предсердий по их спектральным параметрам.

• Применение разработанных методов для обнаружения и прогнозирования нарушений в работе предсердий.

Научная новизна результатов исследования заключается в том, что:

• Разработан метод обнаружения-различения малоамплитудных составляющих электрокардиосигнала на основе метода сравнения с образцами. На этапе предварительной обработки ЭКС он обеспечивает высокую достоверность обнаружения-различения малоамплитудных сигналов активности предсердий в режиме экспресс-анализа ЭКС.

• Разработан способ поиска точек синхронизации для усреднения сигнала на основе корреляционного метода. Он обеспечивает высокую достоверность синхронного накопления малоамплитудных сигналов активности предсердий в ходе обработки ЭКС.

• Разработан метод различения малоамплитудных составляющих электрокардиосигнала по их спектральным параметрам на основе ЯОС-анализа экспериментальных данных. Он позволяет синтезировать алгоритм обнаружения в первом стандартном отведении аритмий сердца, которые портативные кардиомониторы ранее не обнаруживали.

• Предложен критерий прогнозирования эпизодов фибрилляции предсердий на основе спектрального анализа малоамплитудных составляющих ЭКС. Данный критерий позволяет отнести исследуемые ЭКС к группам с различной степенью риска возникновения эпизодов фибрилляции предсердий.

Практическая ценность результатов исследования состоит в том, что синтезированный на основе разработанных методов алгоритм обнаружения предсердных аритмий расширяет функциональные возможности ПКМ по обнаружению нарушений в работе предсердий сердца человека при автоматическом анализе ЭКС по первому стандартному электрокардиографическому отведению.

Достоверность полученных результатов подтверждена использованными в исследовании методами теории вероятности и математической статистики, оптимального обнаружения сигналов, спектрального распознавания сигналов, цифровой обработки сигналов и статистического моделирования, а также результатами тестирования созданных алгоритмов на верифицированных базах записей ЭКС ресурса PhysioNet, которые согласуются со сведениями из теории.

На защиту выносятся:

• Модели малоамплитудных составляющих ЭКС, полученные на основе полиномиальной аппроксимации сигналов.

• Метод обнаружения-различения малоамплитудных составляющих ЭКС, включающий способ поиска точек синхронизации для последующего усреднения сигнала.

• Метод различения малоамплитудных составляющих ЭКС по их спектральным параметрам.

• Критерий прогнозирования эпизодов фибрилляции предсердий для отнесения исследуемых ЭКС к группам с различной степенью риска возникновения фибрилляции предсердий.

• Алгоритмы работы программ для ЭВМ, в которых реализованы разработанные методы обнаружения и обработки малоамплитудных составляющих ЭКС и ^ОС-анализ экспериментальных данных.

Результаты работы внедрены:

• В учебный процесс подготовки студентов кафедры РТС КНИТУ-КАИ по специальности 210304 Радиоэлектронные системы, бакалавров и магистров по направлению 210400 Радиотехника. Подтверждено актом внедрения.

• В практику Многопрофильного медицинского центра «Отель-Клиника». Подтверждено актом внедрения.

• В производство ОАО «Радиоприбор». Подтверждено актом внедрения.

• Результаты работы вошли в заявку на патент РФ на полезную модель №2011128842 «Устройство экспресс-анализа сердечного ритма». Получено решение от 07.12.2011 о выдаче патента.

• Результаты работы вошли в заявку на патент РФ на полезную модель №2011128849 «Устройство экспресс-оценки параметров сердечного ритма». Получено решение от 07.12.2011 о выдаче патента.

Апробация. Материалы диссертации докладывались и обсуждались на следующих конференциях:

• Тринадцатая международная научно-техническая конференция студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва, 2007);

• Шестая международная научно-техническая конференция «Физика и технические приложения волновых процессов» (Казань, 2007);

• Международная молодежная научная конференция «Туполевские чтения» (Казань, 2008, 2009, 2010);

• Международная конференция «Системные проблемы надёжности, качества, информационно-телекоммуникационных и электронных технологий в управлении инновационными проектами (Инноватика-2008)» (Сочи, 2008);

• Девятая международная научно-техническая конференция «Проблемы техники и технологий телекоммуникаций» (Казань, 2008);

• Международная научная студенческая конференция по естественнонаучным и техническим дисциплинам «Научному прогрессу -творчество молодых» (Йошкар-Ола, 2008, 2009);

• Международная научно-практическая конференция «Современные технологии и материалы - ключевое звено в возрождении отечественного авиастроения» (Казань, 2010);

• Международная научно-практическая конференция «Высокие технологии, фундаментальные и прикладные исследования в медицине и физиологии» (Санкт-Петербург, 2010);

• Одиннадцатая международная научно-практическая конференция «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2011).

Материалы диссертации апробированы на семинарах в Университете Штата Мичиган, США, и Миланском политехническом университете, Италия.

Публикации. По теме диссертации опубликовано 18 печатных работ, в том числе 4 статьи в журналах (из них - 3 в журналах из Перечня ведущих рецензируемых научных журналов и изданий), 1 патент РФ на полезную модель, 2 свидетельства о государственной регистрации программы для ЭВМ, 11 тезисов и докладов в материалах и трудах конференций.

Личный вклад автора определяется разработкой методов и реализующих эти методы алгоритмов в ходе исследований, выполненных на кафедре РТС КНИТУ-КАИ; сбором и анализом экспериментальных данных в ходе стажировки в Лаборатории обработки и моделирования физиологических сигналов Университета Штата Мичиган, Ист-Лансинг, США (Грант Правительства Республики Татарстан «Алгарыш», август - декабрь 2009) с целью применения синтезированных алгоритмов для прогнозирования эпизодов фибрилляции предсердий; анализом экспериментальных данных в ходе стажировки в Лаборатории обработки биомедицинских данных, сигналов и изображений Миланского политехнического университета, Милан, Италия (Программа развития КНИТУ-КАИ на 2009-2018 годы, декабрь 2010) для оценки достоверности обнаружения-различения малоамплитудных составляющих ЭКС.

Структура и объем диссертации. Диссертация с приложениями изложена на 144 листах машинописного текста, в том числе основной текст на 122 листах. Она состоит из введения, четырех глав, заключения, списка использованных источников, включающего 136 наименований, и семи приложений. В ней содержится 40 рисунков и 12 таблиц.

Похожие диссертационные работы по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Хомяков, Антон Вадимович

4.3. Основные результаты и краткие выводы

Полученные значения достоверности различения и площади под построенными ЯОС-кривыми говорят о хорошем качестве различения двух групп сигналов. Также полученная кривая позволяет ввести три порога (табл.10), чтобы разделить сигналы на четыре категории: с минимальным риском появления ФП, малым, большим и максимальным (области показаны на рис.4.6 и рис.4.7).

Заключение

К основным результатам работы следует отнести:

• В результате исследования и систематизации характеристик малоамплитудных составляющих ЭКС получены модели для четырех типов форм предсердных потенциалов на основе полиномиальной аппроксимации сигналов.

• Разработан метод обнаружения-различения малоамплитудных составляющих ЭКС на основе метода сравнения с образцами, в качестве которых используются полученные модели. Достоверность обнаружения-различения составляет 75% в режиме экспресс-анализа ЭКС (без синхронного усреднения). В рамках разработанного метода предложен способ поиска точек синхронизации для усреднения сигнала на основе корреляционного метода. При его применении достоверность обнаружения-различения малоамплитудных составляющих электрокардиосигнала составляет 93%.

• Разработан метод различения малоамплитудных составляющих электрокардиосигнала по их спектральным параметрам на основе статистической обработки экспериментальных данных с применением ЯОС-анализа. Для выбранных информативных и рассчитанных пороговых значений параметров спектра был синтезирован алгоритм обнаружения аритмий, который был протестирован на верифицированной базе ЭКС ресурса Ркузю1Яе1 и апробирован в клиниках г. Казань. Он показал достоверность 96% при различении между группами сигналов с нормальной и патологичной формой предсердных потенциалов, а также 95% при различении сигналов с патологичной формой Р-зубца.

• Предложен критерий прогнозирования для отнесения исследуемой ЭКС к одной из групп по степени риска возникновения фибрилляции предсердий. При этом достоверность прогноза составляет 76%.

К другим результатам работы следует отнести разработанные и зарегистрированные в Федеральном институте промышленной собственности программы для ЭВМ. «Программа для анализа Р-зубца электрокардиограммы» может быть использована как на стационарных компьютерах в кардиологических кабинетах, так и интерпретирована для реализации в портативных приборах. «Программа для РОС-анализа данных», вообще говоря, может применяться для нахождения порогов различения любых выборок параметров сигналов. Элементы структурной схемы, представленной в результатах третьей главы, были использованы в заявках на патенты РФ на полезные модели, по одной из которых получен патент, а по двум другим положительные решения о выдаче патента. Копии выше названных документов приведены в приложениях.

Вместе с тем необходимо отметить, что предложенный критерий обнаружения-различения Р-зубца на электрокардиосигнале нельзя считать в полной мере оптимальным, так как делается допущение о невозможности получения априорной информации о сигнале и шуме и оценки рисков при принятии ошибочных решений устройством анализа.

Также для синтеза алгоритмов обработки предсердных потенциалов на электрокардиограмме использовались ограниченные по числу записей базы электрокардиосигналов, считалось, что они содержат все известные разновидности форм Р-зубцов со всеми случаями вариабельности параметров. Программа, использующая синтезированный алгоритм, должна быть снабжена блоком обучения с целью адаптации порогов принятия решения при обследовании пациентов в клиниках, а портативный кардиомонитор, где будут реализованы разработанные методы, должен иметь интерфейс для обновления исходных установок в ходе своей эксплуатации.

В целом же, полученные результаты позволяют сделать заключение о достижении поставленной цели исследования: разработанные методы обнаружения и обработки малоамплитудных составляющих электрокардиосигнала использованы для создания алгоритма обнаружения нарушений в работе предсердий по первому стандартному электрокардиографическому отведению. Синтезированный алгоритм выделения и обработки диагностической информации, содержащейся в малоамплитудных сигналах активности предсердий в первом стандартном электрокардиографическом отведении, имеет большую практическую значимость, так как расширяет функциональные возможности вновь разрабатываемых ПКМ.

Список литературы диссертационного исследования кандидат технических наук Хомяков, Антон Вадимович, 2012 год

1. ГОСТ Р 50779.10-2000. «Статистические методы. Вероятность и основы статистики. Термины и определения»

2. Абрамов М.В. Аппроксимации экспонентами временного кардиологического ряда на основе ЭКГ // Вестник кибернетики. Электр, журн. - Тюмень: Изд-во ИПОС СО РАН - №9 (2010) - с.85-91. Режим доступа: http://www.ipdn.ru/rics/vkyindex.htm, свободный.

3. Бала Ю.М., Никитин A.B., Фуки В.Б. Атлас практической электрокардиографии. Воронеж: Изд-во ВГУ, 1983. 176 с.

4. Барановский A.JL, Калиниченко А.Н., Манило J1.A. и др. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ: Учеб. пособие для вузов // Под ред. А.Л. Барановского и А.П. Немирко. М.: Радио и связь, 1993. - 248 с.

5. Баскаков С.И. Радиотехнические цепи и сигналы. М. Высшая школа, 1988.-448с.

6. Бокерия Л.А., Ревишвили А.Ш., Оганов Р.Г. и др. Клинические рекомендации по диагностике и лечению пациентов с фибрилляцией предсердий // Вестник аритмологии. 2010. - №59. - с. 53-77.

7. Борин В.П., Манило Л.А., Немирко А.П. Автоматический вывод грамматики для распознавания структурных элементов биомедицинских сигналов // Известия ГЭТУ. 1994. - вып.468. - с. 12-17.

8. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. М.:Наука, 1980. - 976 с.

9. Вальденберг A.B., Калиниченко А.Н. Мониторный контроль ЭКГ в интенсивной терапии // Мир медицины, 1999. №1-2. - с. 42-45.

10. Васильев В.Г., Ершов H.A. Программно-аппаратная реализация фонокардиографа // Программные продукты и системы. 1999. - №1

11. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969. - 576 с.

12. Вержбицкий В.М. Численные методы (математический анализ и обыкновенные дифференциальные уравнения). М.: Высшая школа, 2001.- 384 с.

13. Вудворд Ф.М. Теория вероятностей и теория информации с применениями в радиолокации: Пер. с англ. // Под ред. Г.С. Горелика. М.: Советское радио, 1955. - 128 с.

14. Гольденберг Л.М., Матюшкин Б.Д., Поляк М.Н. Цифровая обработка сигналов: Справочник. М.: Радио и связь, 1985. - 312 с.

15. Гоноровский И.С. Радиотехнические цепи и сигналы: Учебник для вузов. 4-е изд., перераб. и доп. - М.: Радио и связь, 1986. - 512 с.

16. Горохов С.Н. Анализ поздних потенциалов предсердий на основе комплексного использования временных и частотных характеристик кардиосигнала. Автореф. дис. . канд. техн. наук. Казань, 1999. 18с.

17. Дедов Д.В., Иванов А.П., Эльгардт И.А. Риск рецидива фибрилляции предсердий у больных ишемической болезнью сердца и артериальной гипертензией по данным холтеровского мониторирования электрокардиограммы // Вестник аритмологии. 2010. - №59. - с. 27-32.

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

19. Зиберт В. Общие закономерности обнаружения целей при помощи радиолокации // Вопросы радиолокационной техники. 1957. №5.

20. Иванов Г.Г. Электрокардиография высокого разрешения / Под редакцией Г.Г. Иванова, С.В.Грачева, А.Л. Сыркина. М.: Издательство «Триада-Х», 2003. - 304с.

21. Иванов М.Т. Теоретические основы радиотехники: Учеб.пособие / М.Т. Иванов, А.Б. Сергиенко, В.Н. Ушаков; Под ред. В.Н.Ушакова. М.: Высш.шк., 2002. - 306 с.

22. Ильин А.Г., Ильин Г.И. К вопросу о потенциальной помехоустойчивости // Проблемы техники и технологий телекоммуникаций. IX Междунар. науч.-техн. конф.: Тез. докладов. Казань: Изд-во Казан, гос. техн. ун-та, 2008.-С. 51-53.

23. Калабеков Б.А. Микропроцессоры и их применение в системах передачи и обработки сигналов: Учеб. пособие для вузов. М.: Радио и связь, 1988.-368 с.

24. Компания «ЛассаМед» Электронный ресурс. / Кардиология. Режим доступа: http://www.lassamed.ru/, свободный.

25. Компания «Медафарм Сити» Электронный ресурс. / Медицинское оборудование. Режим доступа: http://medafarm.ru/, свободный.

26. Компания Б1хюп Электронный ресурс. / Электрокардиографы. -Режим доступа: http://www.dixion.ru/, свободный.

27. Корн Г., Корн Т. Справочник по математике (для научных работников и инженеров) / Пер. с англ. под ред. И.Г. Арамановича. М.: Наука, 1978. - 832с.

28. Котельников В.А. Теория потенциальной помехоустойчивости. М.: Госэнергоиздат, 1956. - 152с.

29. Кубергер М.Б. Руководство по клинической электрокардиографии детского возраста. Л.: «Медицина», 1983.-365 с.

30. Кушаковский М.С. Аритмии сердца. СПб.: «Гиппократ», 1992 - 524 с.

31. Кушаковский М.С. Фибрилляция и трепетание предсердий. Лечение фармакологическими и электрофизиологическими (нехирургическими) методами // Вестник аритмологии. -1998. №7. - с. 56-64.

32. Кушаковский М.С., Журавлева Н.Б. Аритмии и блокады сердца. Л.: «Медицина», 1981. - 340 с.

33. Левин Б.Р. Теоретические основы статистической радиотехники. 3-е изд., перераб. и доп. - М.: Радио и связь, 1989. - 656 с.

34. Левин Б.Р. Теория случайных процессов и ее применение в радиотехнике. -М.: Советское радио, 1957. 496 с.

35. Линник Ю.В. Метод наименьших квадратов и основы теории обработки наблюдений. М: Изд. физ.-мат. литературы, 1962. - 349 с.

36. Липкин И.А. Статистическая радиотехника. Теория информации и кодирования. М.: «Вузовская книга», 2002. - 216 с.

37. Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения. Пер. с англ. -М.: Мир, 1990. 685 с.

38. Миддлтон Д. Статистическая теория обнаружения сигналов // В сб. «Прием сигналов при наличии шума». Под ред. Л.С. Гуткина. М.: Изд-во иностранной литературы, 1960. - 343 с.

39. Микрокомпьютеры в физиологии: Пер. с англ./Под ред. П.Фрейзера. -М.: Мир, 1990.-383 с.

40. Мурашко В.В. Электрокардиография: учебн.пособие / В.В. Мурашко, A.B. Струтынский. 8-е изд. - М.: МЕДпресс-информ, 2007. - 320с.

41. Немирко А.П. Цифровая обработка биологических сигналов. М.: Наука, 1984 - 144 с.

42. Немирко А.П., Гасанов М.М., Егоров Д.Ф. Распознавание волн ЭКГ при кардиостимуляции // Известия ЛЭТИ. 1986. - Вып. 367. - с. 53-58.

43. Омельченко В.А. Основы спектральной теории распознавания сигналов. Харьков: Вигца школа. Изд-во при Харьк.ун-те, 1983. - 156с.

44. ООО «Биосигнал» Электронный ресурс. /Продукция. Режим доступа: http://biosignal.ru/, свободный.

45. ООО «Компания Нео» Электронный ресурс. / Электрокардиографы. -Режим доступа: http://www.valenta.spb.ru/, свободный.

46. Пирумов У.Г. Численные методы: Учеб. пособие для студ. втузов. 2-е изд., перераб. и доп. - М.: Дрофа, 2003. - 224 с.

47. Рабинер JL, Гоулд Б. Теория и применение цифровой обработки сигналов. М.: Мир. - 1978. - 847с.

48. Рангайян P.M. Анализ биомедицинских сигналов. Практический подход / Пер. с англ. под ред. А.П. Немирко. М.: ФИЗМАТЛИТ, 2007. - 440 с.

49. Реброва О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTIC А. М.: МедиаСфера, 2002.-312с.

50. Ройтберг Т.Е., Струтынский А.В. Лабораторная и инструментальная диагностика заболеваний внутренних органов М.: Бином, 1999. - 622 с.

51. Сазанов В.М., Парфенов Н.С. Цифровая обработка сигналов: прошлое и настоящее Электронный ресурс. / Виртуальный компьютерный музей. -Режим доступа: http://www.computer-museum.ru//histussr/dsp.htm, свободный

52. Сахаров В.Л. Методы и средства анализа медико-биологической информации / Учебно-методическое пособие. Таганрог: Изд-во ТРТУ. 2001. -70 с.

53. Седов С.С. Система анализа низкоапмлитудных потенциалов сердца на основе статистического алгоритма поиска характерных точек электрокардиосигнала Автореф. дис. . канд. техн. наук. Казань, 1998. -23с.

54. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики для технических приложений. М.: Наука, 1969 -511с.

55. Струтынский А.В. Электрокардиограмма: анализ и интерпретация М.: Медпресс-информ, 2002 - 224 с.

56. Теория и проектирование диагностической электронно-медицинской аппаратуры / Ахутин В.М., Лурье О.Б., Немирко А.П., Попечителев Е.П. Л.: Изд-во Ленингр. ун-та, 1980. - 148 с.

57. Теория электрической связи: Учебник для вузов / А.Г.Зюко, Д.Д. Кловский, В.И.Коржик, М.В.Назаров; Под ред. Д.Д.Кловского. М.:Радио и связь, 1999.- 432 с.

58. Теория электрической связи: учебное пособие / К.К. Васильев, В.А. Глушков, A.B. Дормидонтов, А.Г. Нестеренко;под общ. ред. К.К. Васильева. -Ульяновск: УлГТУ, 2008. 452 с.

59. Тихонов В.И. Оптимальный прием сигналов. М.: Радио и связь, 1983.- 320с.

60. Файнзильберг JI.C., Жук Т.Н. Гарантированная оценка эффективности диагностических тестов на основе усиленного ROC-анализа // Управляющие системы и машины. 2009. - № 5. - с.3-13.

61. Френке JI. Теория сигналов / Пер. с англ. под ред. Д.Е. Вакмана. М.: Советское радио, 1974. - 344с.

62. Фролов А.И. Диагностика и лечение фибрилляции предсердий // Практическая ангиология. Киев, 2006. - №4 (05).

63. Фукунага К. Введение в статистическую теорию распознавания образов: Пер. с англ. М.: Наука. Главная редакция физико-математической литературы, 1979. - 368 с.

64. Чазов Е.И. Эволюция методов диагностики сердечно-сосудистых заболеваний // Медицинские новости. 1995. - №1. - С. 6-10.

65. Ширман Я. Д., Манжос В.Н., Теория и техника обработки радиолокационной информации на фоне помех. М.: Радио и связь, 1981.-416 с.

66. Юлдашев К.Ю., Хайдаров Т.С., Кушаков В.И. Краткое пособие по электро- и фонокардиографии II Т.: Медицина, 1984 - С. 191.

67. С1 2077863 RU А61В5/0245, 5/0402. Устройство для контроля аритмии / Михайлов A.B., Седов С.С., Щербакова Т.Ф. №93053080/14, Заявл. 23.11.1993 // Опубл. 27.04.1997 Бюл. № 12.

68. С1 2082314 RU А61В5/0245. Устройство для ранней диагностики патологических нарушений частоты сердечного ритма / Балткай А.Ф., Жуков С.А., Захаров А.Н., Иванов В.И. №93046911/14, Заявл. 30.09.1993 // Опубл. 27.06.1997

69. U1 110948 RU А61В5/0245. Устройство для контроля аритмии / Можгинский B.JL, Седов С.С., Хомяков А.В., Щербакова Т.Ф. №2011128844/14, Заявл. 12.07.2011 //Опубл. 10.12.2011 Бюл. №34.

70. U1 50798 RU А61В5/0402. Устройство для экспресс-оценки работы сердца / Коваль Ю.Ф., Макеев Б.Л. №2005113940/22, Заявл. 11.05.2005 // Опубл. 27.01.2006

71. U1 71530 RU А61В5/0402. Устройство для построения ритмограммы сердца / Миронов В.А., Миронова Т.Ф., Кудряшов Б.А. №2007141291/22, Заявл. 09.11.2007 // Опубл. 20.03.2008

72. Св. №2011617162 (14.09.2011). Программа для анализа Р-зубца электрокардиограммы / Хомяков А.В. №2011615307, Заявл. 15.07.2011 // ОБПБТ № 4(77) 20.12.2011. - С.486.

73. Св. №2011619451 (13.12.2011). Программа для ROC-анализа данных. / Хомяков А.В.-№2011617659, Заявл. 17.10.2011 //.-С.

74. Altman D.G., Bland J.M. Statistics Notes: Diagnostic tests 1: sensitivity and specificity // British Medical Journal. 1994. - vol.308. - p.1552.

75. Altman D.G., Bland J.M. Statistics Notes: Diagnostic tests 2: predictive values //BritishMedical Journal. 1994. - vol.309. - p. 102.

76. Aytemir K. et al. Prediction of atrial fibrillation recurrence after cardioversion by P wave signal-averaged electrocardiography. // International Journal of Cardiology, 1999. vol. 70. - p. 15-21.

77. Barbosa et al. The Frequency Analysis of Signal-Averaged ECG of P Wave as Predictor of Efficacy of Class III Antiarrhythmic Drugs to Maintain Sinus Rhythm in Recurrent Idiopathic Atrial Fibrillation // A.N.E. 2001. - vol. 6(1). - p. 43-49.

78. Benjamini B.Y., Yekutieli D. The control of the false discovery rate in multiple testing under dependency // The Annals of Statistics. 2001. - Vol. 29. - No. 4. — p.l 165—1188.

79. Birkbeck J.P. et al. MPHP-wave morphology correlation with left atrial volumes assessed by 2-dimensional echocardiography // Journal of Electrocardiology. 2006. - vol. 39. - p. 225- 229.

80. Bonizzi P. et al. Spectral analysis of atrial signals directly from surface ECG exploiting compressed spectrum // Computers in Cardiology. 2008. - vol. 35. - p. 221-224.

81. Boyarkin M.V., Kalinichenko A.N., Nemirko A.P. Heart Rate Variability as an Index of Autonomic Heart Regulation in Acute Miocardial Infarction Patients // Computers in Cardiology, 1997 Vol.24. - p. 45-48.

82. Bradley A.P. The use of the area under the ROC curve in the evaluation of machine learning algorithms // Pattern Recogn. 1997. - vol. 30 (7). - p. 1145-1159.

83. Budeus et al. Prediction of Atrial Fibrillation with Atrial Late Potentials and Pathological Chemoreflexsensitivity // PACE. 2007. - Vol. 30.

84. Catalano J.T. Guide to ECG Analysis. Lippincott. - 2002. - 479 p.

85. Censi et al. Comparison of Alignment Algorithms for P-Wave Coherent Averaging // Computers in Cardiology. 2006. - vol. 33. - p.921-924.

86. Censi et al. Time-Domain and Morphological Analysis of the P Wave. Part II: Effects of Atrial Pacing on P-Wave Features // PACE. 2008. - Vol. 31. - p.935.

87. Censi et al. Time-Domain and Morphological Analysis of the P-Wave. Part I: Technical Aspects for Automatic Quantification of P-Wave Features // PACE. -2008.-Vol. 31.

88. Challis R.E., Kitney R.I. Biomedical signal processing (in four parts): Part 1. Time-domain methods // Med. Biol. Eng. Comput. 1990. - V.28. - p. 509-524.

89. Couceiro R. et al. Detection of Atrial Fibrillation Using Model-based ECG Analysis // IEEE. 2008. - 978-1-4244-2175.

90. Darbar D. et al. Prolonged Signal-Averaged P-Wave Duration as an Intermediate Phenotype for Familial Atrial Fibrillation // J. Am. Coll. Cardiol. -2008.-vol. 51.-p. 1083-1089.

91. Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters. -2006. vol.27. - p.861-874.

92. Fukuda Denshi Co., Ltd. Электронный ресурс. / Products. Режим доступа: http://www.fukuda.co.jp/english/index.html, свободный.

93. Furihata et al. Age and Sex Differences in the P-Wave Signal-Averaged Electrocardiogram in a Japanese Study Population // Jpn Heart J. 2001. - Vol. 42. -No 3.

94. Goodacre S. et al. ABC of clinical electrocardiography. Atrial arrhythmias // BMJ. 2002. - vol. 324(9).

95. Green D.M., Swets J.M. Signal detection theory and psychophysics. New York: John Wiley and Sons Inc., 1966. ISBN 0-471-32420-5.

96. Guntekin U. et al. Wave Duration And Dispersion In Patients With Hyperthyroidism And The Short-term Effects Of Antithyroid Treatment // Indian

97. Pacing and Electrophysiology Journal (ISSN 0972-6292). 2009. - vol. 9(5). - p. 251-259.

98. Hahn B.D., Valentine D.T. Essential MATLAB for Engineers and Scientist // Elsevier Ltd., 2007. 428 p.

99. Hanley J.A., McNeil B.J. The meaning and use of the area under a receiver operating characteristic (ROC) curve // Radiology. 1982. - vol. 143. - p. 29-36.

100. Hasegawa et al. Real-time P and R wave detection in exercise electrocardiogram // Proc. WSTST. 2005. - p. 591-603.

101. Herreros et al. Analysis of changes in the beat-to-beat P-wave morphology using clustering techniques // Biomed. Signal Process. Control. 2009. - vol. 02 (006).

102. Hnatkova et al. Wavelet Analysis of Signal- Averaged Electrocardiograms:

103. Design, Clinical Assessment, and Reproducibility of the Method // A.N.E. 2000. -Vol. 5.-No. 1.

104. Hnatkova et al. Wavelet Analysis of Signal-Averaged Electrocardiograms:1.. Risk Stratification After Acute Myocardial Infarction // A.N.E. 2000. - Vol. 5. -No. 1.

105. Jankowski et al. Representation of ECG Signal as a Useful Tool for Detection of Premature Ventricular Beats in 3-Channel Holter Recording by Neural Network and Support Vector Machine Classifier // ISBMDA. 2004. - vol. LNCS 3337. - p. 259-268.

106. Jenkins J.M., Wu D., Arzbaecher R.C. Computer diagnosis of abnormal cardiac rhythms employing a new P-wave detector for interval measurement // Comput. Biomed. Res. 1978. - V.II. - p.17-33.

107. Lepage et al. ECG segmentation and P-wave feature extraction: application to patients prone to atrial fibrillation // 23rd Annual Conference IEEE/EMBS. -2001. - Istanbul.

108. Losada R. Digital Filters with MATLAB. Tutorial on digital filter design and implementation with MATLAB Electronic resource. // The MathWorks, Inc., 2008. 238 p. URL:http ://tagteamcontent.mathworks.com/tt/sl.ashx?z=5 01 ba43 7&dataid= 11954&ft= 1

109. Majeed et al. High resolution electrocardiogram // Pak J Physiol. 2005. -vol. 1(1-2).

110. Massart D.L., Smeyers-Verbeke J., Caprona X., Schlesierb K. Visual Presentation of Data by Means of Box Plots // LC'GC Europe. 2005. - Vol. 18(4). -p. 215-218.

111. McGill R., Tukey J.W., Larsen W.A. Variations of Box Plots // The American Statistican. 1978. - Vol. 32. - No. 1. - p. 12-16.

112. Michaelis et al. Detection and classification of P waves using Gabor Wavelets // Int.Conf Cardiology. London. - 1993.

113. Morris et al. Detection of Atrial Arrhythmia for Cardiac Rhythm Management by Implantable Devices // Journal of Electrocardiology. 2000. - vol. 33.

114. Mota S., Ros E., de Toro F., Ortega J. Paroxysmal Atrial Fibrillation Prediction Application Using Genetic Algorithms // P.M.A.: ICCS. 2003. - vol. LNCS 2660. - p. 1011-1019.

115. Opolski et al. Detection of patients at risk for recurrence of atrial fibrillation after successful electrical cardioversion by signal-averaged P-wave ECG // Int Journal of Cardiology. 1997. - vol. 60. - p. 181 -185.

116. Pan J., Tompkins W.J. A real-time QRS detection algorithm // IEEE Trans. Biomed. Eng. 1985. - vol. BME-32. - p.230-236.

117. Pepe M.S. The statistical evaluation of medical tests for classification and prediction. -New York: Oxford. 2003.

118. PhysioNet Electronic resource. / The PAF Prediction Challenge Database. URL: http://physionet.org/physiobank/database/aipdb/

119. PhysioNet Electronic resource. / T-Wave Alternans Challenge Database. -URL : http ://phy sionet. org/pn3/twadb/.

120. Prineas R., Crow R., Blackburn H. The Minnesota Code Manual of Electrocardiographic Findings. John Wright-PSG, Inc. Littleton, MA. - 1982.

121. Ranjith P. et al. ECG analysis using wavelet transform: application to myocardial ischemia detection // Editions scientifiques et médicales. Elsevier SAS. -2003.

122. Simson M. B. Use of signal in the terminal QRS complex to identify patients with ventricular tachycardia after myocardial infarction // Circulation. -1981.-Vol. 64.-p. 235-242.

123. Sovilj et al. Continuous Multiparameter Monitoring of P Wave Parameters after CABG Using Wavelet Detector // Proc. Computers in Cardiology. 2005. -p.489-492.

124. Stafford et al. Reproducibility of the signal averaged P wave: time and frequency domain analysis // Heart. 1997. - vol. 77. - p. 412-416.

125. Szilagyi et al. Quick ECG Analysis for On-Line Holter Monitoring Systems // Proceedings of the 28th IEEE EMBS Annual International Conference. -New York City. 2006.

126. Taylor T.P., Macfarlane P.W. Digital filtering of the ECG. A comparison of low-pass digital filters on a small computer // Med. Biomed. Eng. 1974. - vol. 12(4). - p.493-502.

127. Tompkins W.J. Biomedical Digital Signal Processing. Upper Saddle River, NJ: Prentice Hall, 1995.

128. Villani et al. P-wave Dispersion Index: a marker of patients with paroxysmal atrial fibrillation // Int Journal of Cardiology. 1996. - vol. 55. - p. 169175.

129. Zong W., Mukkamala R., Mark R.G. A Methodology for Predicting Paroxymal Atrial Fibrillation Based on ECG Arrhythmia Feature Analysis // Computers in Cardiology, 2001. vol.28.

130. Zweig M.H., Campbell G. Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine // Clinical chemistry. 1993. -vol.39 (8). - p. 561-577.

131. Листинг подпрограммы обнаружения-различения Р-зубца на1. ЭКС

132. Private Sub ButPDetectClick(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles ButPDetect.Click

133. Переменные пошагового сдвига и индекса модели Dim PStep, PIStep, ModellMax As Integer

134. Переменные отношения правдоподобия и коэффициентов длины Р.зубца

135. Dim LHRMmax, PLenCoef, PILenCoef As Decimal 'Задание исходных значений переменных LHRMmax = -5000 PStep = 01. FlagProtokol = True

136. Вызов подпрограммы для открытия файла с образцами If FlagCompare = True Then GoTo 2 ModelsFileOpen()

137. Вызов подпрограммы для загрузки файла с образцами If FlagCompare = False Then GoTo 1 2: ModelsFileLoad()

138. Создание файла для ведения протокола обнаружения Р-зубцов на ЭКС PathPath = PathModel.Substring(0, PathModel.LastlndexOf() + 3) + "Pdet.txt"

139. Цикл пошагового изменения длины моделей для сравнения For PLenCoef = 1 То 0.5 Step -0.25

140. Цикл пошагового смещения внутри зоны нахождения Р-зубца For PStep = 0 То 2 * PWave PZoneEnd(False) - PLenCoef * PWave 'Вызов подпрограмм по установлению наличия и типа Р-зубца PWaveZone2(PStep, PLenCoef, False, False) PWaveType(PLenCoef)

141. Сравнение с текущим максимальным значением для сохранения If LHRMax > LHRMmax Then LHRMmax = LHRMax PIStep = PStep PILenCoef = PLenCoef

142. ModellMax = ModelMax End If1. Next1. Next

143. Вызов подрограмм сохранения данных и прорисовки обнаруженного Р-зу&иа

144. PWaveZone2(PIStep, PILenCoef, True, False)1. ModelMax = ModellMax1. DrawDetect()1. FlagHandSet = False1:1. End Sub

145. Private Function PWaveZone2(ByVal PStep As Integer, ByVal PLenght As Decimal, ByVal FlagDraw As Boolean, ByVal CycleFlag As Boolean) If FlagHandSet = True Then GoTo p3 ' Определение текущего кардиоцикла If CycleFlag Then GoTo pi For j = 0 To с

146. NS < Ic(j) And Ic(j) < NS + 800 * kdel Then GoTo pi1. Next

147. MsgBox("Функция не может быть использована. Сдвиньте кардиограмму") GoTo р2

148. Установка границ зоны поиска pi: РТп = Хс(j) 2 * PWave + PStep

149. PTk = РТп + PLenght * PWave p3: dx = Me.TxtBScaleX.Text

150. Формирование массива фрагмента ЭКС, содержащего Р-зубец For i = MeanPBeg То MeanPEnd Аш(i MeanPBeg) = An(i)1. Next

151. MeanPEnd = MeanPEnd MeanPBeg MeanPBeg = 0

152. For i = MeanPBeg + 1 To MeanPEnd Am(i) = Am(i) Am(0)1. Next1. Am(0) = 01. P2:1. End Function

153. Private Function PWaveType(ByVal PLenght) LHRMax = -5000 ModelMax = 0

154. Цикл сравнения с различными моделями For ModelN = 1 То ModelNMax

155. Вызов подрограммы выбора отсчетов модели необходимой длины ModelLenghtAdjusment(ModelN, PLenght) If FlagModAvailable = False Then GoTo 1 'Вызов подрограммы вычисления отношения правдоподобия LikeliHoodRatio()

156. Сравнение с текущим максимум отношения правдоподбия If LHR > LHRMax Then LHRMax = LHR

157. LHR > 0 Then ModelMax = ModelN Else ModelMax = 0 End If1. Next1:1. End Function

158. Private Function ModelLenghtAdjusment(ByVal ModelN, ByVal PLenght) If ModelN > ModelNMax Then

159. MsgBox("This Type of Model is not available") FlagModAvailable = False1:1. GoTo 1 End If1. FlagModAvailable = True

160. ОтОор отсчетов из массива загруженных моделей If PLenght = 0.75 Then

161. For i = 0 To (MeanPEnd 1) / 2i) = AModY(ModeIN, 3 * i i + 1) = AModY(ModelN, 31. Amod(2 * Amod(2 *1. i +1. Next1. Else

162. AModY(ModeIN, i + 1) * i + 1)1. For i = 0 To MeanPEnd 1

163. PLenght = 1 Then Amod(i) If PLenght = 0.5 Then

164. Amod(i) = AModY(ModelN, End If1. Next End If

165. Подбор коэф.усиления по амплитуде

166. Dim AmmMax, AmdMax, AmmMin, AmdMin As Decimal1. AmmMax = AmdMax = 01. AmmMin = AmdMin = 100001. For i = 0 To MeanPEnd 1

167. Am(i + MeanPBeg) > AmmMax Then AmmMax = Am(i + MeanPBeg) If Amod(i) > AmdMax Then AmdMax = Amod(i)

168. Private Function LikeliHoodRatio()

169. Задание переменных для вычисления дискретного интеграла и энергии модели Dim Zu, Е2 As Decimal Zu = 0 Е2 = 0 'Цикл вычислений For к = 0 То MeanPEnd MeanPBeg - 1

170. Zu = Zu + Am(к + MeanPBeg) * Amod(к) E2 = E2 + Amod(к) Л 21. Next

171. R = Zu E2 / 2 LHR = LHR / 1000000 End Function

172. Листинг подпрограммы предварительной классификации поформе Р-зубца

173. Private Sub ButClassClick (ByVal sender As System.Object, ByVal e As System.EventArgs) Handles ButClass.Click

174. Задание условий и формата отображения данных

175. Me .TabControll.Selectedlndex = 1

176. Me.GrBoxWindow.Visible = False1. Me.PBoxSignal2.Refresh()1. Me .ClearLabel()1. Me.FlagType = False Then

177. MsgBox("You need to find typical cycle!!!") GoTo PEnd End If

178. Основный цикл классифкации

179. Classification()'Вызов подпрограммы классификации1. End Sub

180. Private Function Classification()

181. Вызов подпрограмм классификации PBeg: If Flag4Class = True Then Me.FourClass() Else Me.TwoClass()

182. Оценка количества Р-зубцов в классе типичных, оценка величины порога If NClsl / с < 0.75 Then CLevel = CLevel 0.01 Me.TxtBCLevel.Text = CLevel If CLevel >0.75 Then GoTo PBeg1. Else

183. MsgBox("CLevel can't be decreased anymore. Lowest permited CLevel = 0.75 is reached" + Chr(10) + "Try to find another typical P-wave.") GoTo PEnd End If End If

184. Вывод справочной информации

185. MsgBox("Class 1 includes " + Math.Round(NClsl * 100 / c).ToString + "% of P-waves. Pre-Classification is completed. CLevel = " + CLevel.ToString + ".")

186. PwaveSaveEnable() PEnd: ZeKOClassO End Function

187. Private Function TwoClass()

188. Задание условий и формата отображения данных

189. Me.ChLBClass3.Enabled = False

190. Me.ChLBClass4 .Enabled = False

191. Me.LabellO.ForeColor = Color.LightGray

192. Me.Labelll.ForeColor = Color.LightGrayзагрузка Iro фрагмента «типичного» цикла (эталона) Af^Load(NTypic) For j = 0 To сзагрузка 2ro фрагмента «текущего», с которым идет сравнение AffLoad(j, 0)

193. Вычисление коэффициента корреляции Rxy = 0 Rxx = 0 Ryy = 01. For i = 0 То AfLenght

194. Rxy = Rxy + Af(i) * Aff(i) Rxx = Rxx + Af(i) * Af(i) Ryy = Ryy + Aff(i) * Aff(i)1. Next

195. AClsK(j) = Rxy / Math.Sqrt(Rxx * Ryy)1. Next

196. Разбивка на группы k = 0 j = оцикл сравнения с порогом принятия решения для отнесения: ' к группе «типичных», если значение коэф.корреляции больше порога, ' - к группе «остальных», если меньше. For i = 0 То с

197. AClsK(i) >= CLevel Then AClsl(k) = i AClslc(k) = AClsK(i) NClsl = k k = k + 11. Else

198. ACls2(j) = i ACls2c(j) = AClsK(i) NCls2 = j j = j + 1 End If1. Next

199. Вывод справочной информации и отображение данных (не приводится 14 строк)

200. End Function Private Function FourClassO

201. Задание; условий и формата отображения данных

202. Me.ChLBClass3.Enabled = True

203. Me.ChLBClass4.Enabled = True

204. Me.LabellO.ForeColor = Color.Black

205. Me.Labelll.ForeColor = Color.Blackзагрузка Iro фрагмента «типичного» цикла (эталона) AfLoad(NTypic) For j = 0 To сзагрузка 2го фрагмента «текущего», с которым идет сравнение AffLoad(j, 0)

206. Вычисление коэффициента корреляции Rxy = 0 Rxx = 0 Ryy = 01. For i = 0 То AfLenght

207. Rxy = Rxy + Af(i) * Aff(i) Rxx = Rxx + Af(i) * Af(i) Ryy = Ryy + Aff(i) * Aff(i)1. Next

208. AClsK(j) = Rxy / Math.Sqrt(Rxx * Ryy)1. Next

209. Разделение на группы k = 0 j = О 1 = 0 m = 01. For i = 0 To с

210. Проверка условия отнесения к первой группе «типичной» If AClsK(i) >= CLevel Then AClsl(k) = i AClslc(k) = AClsK(i) NClsl = k k = k + 11. Else

211. Проверка условия отнесения ко второй группе If AClsK(i) >= CLevel * CLevel Then ACls2(1) = i ACls2c(1) = AClsK(i) NCls2 = 1 1 = 1 + 11. Else

212. Проверка условия отнесения к третьей группе If AClsK(i) >= CLevel * CLevel * CLevel Then ACls3(m) = i ACls3c(m) = AClsK(i) NCls3 = m m = m + 11. Else

213. Отнесение к четвертой группе ACls4(j) = i ACls4c (j) = AClsK(i) NCls4 = j j = j + 1 End If End If End If1. Next

214. Вывод справочной информации и отображение данных (не приводится 4 0 строк) End Function

215. Листинг подпрограммы определения точек синхронизациикорреляционным методом

216. Private Function SynCorrelator{)

217. Установка начальных значений параметров

218. Me.FlagType = False Then ' Проверка, был ли найден «типичный» р-зубец MsgBox("You need to find a typical cycle!!!") GoTo PEnd End If NT = с

219. Dim Akr(NT, 9 * Fd / 128) As Decimal Dim KMax As Integer

220. Af Load(NTypic) ' Загрузка «типичного» P.зубца (эталона)1 = 01. For j = 0 To NT 1

221. Цикл вычислений коэф.корреляции For k = -4 * Fd'/ 128 To 4 * Fd / 128

222. Aff Load(j, k) ' загрузка 2го Фрагмента для сравнения Rxy = 0 Rxx = 0 Ryy = 0

223. For i = 0 То AfLenght 'Цикл вычисления коэффициента корреляции Rxy = Rxy + Af(i) * Aff(i) Rxx = Rxx + Af(i) * Af(i) Ryy = Ryy + Aff(i) * Aff(i)1. Next

224. Akr(j, (k + 4 * Fd / 128)) = Rxy / Math.Sqrt(Rxx * Ryy)1. Next

225. Поиск максимального значения коэф.корреляции из найденных AkkMax = 0

226. For k = -4 * Fd / 128 To 4 * Fd / 128

227. Akr(j, (k + 4 * Fd / 128)) > AkkMax Then AkkMax = Akr(j, (k + 4 * Fd / 128)) KMax = k End If1. Next

228. Внесение изменений в массив индексов точек синхронизации If Ic(j) <> Ic(j) + KMax Then Ic(j) = lc(j) + KMax 1 = 1 + 1 End If1. Next1. PEnd:1. End Function

229. Листинг подпрограммы ROC-анализа массива данных

230. Private Sub Button36Click (ByVal sender As System. Obj ect, ByVal e As System.EventArgs) Handles Button3б.Click

231. Определение диапазона изменения порога принятия решения If L2Mi < L12Mi Then LMil = L2Mi Else LMil = L12Mi If L2Ma > L12Ma Then LMal = L2Ma Else LMal = L12Ma k = 0

232. Создание массива хранения параметров классификации TP,FN,FP,TN1. ReDim MTP(IOO)1. ReDim MFN(IOO)1. ReDim MFP(IOO)1. ReDim MTN(IOO)

233. Основной цикл расчета ROC-кривой For THR1 = LMal To LMil Step (LMil LMal) / 100 TP = 0 TN = 0 FN = 0 FP = 0

234. Цикл сравнения с порогом и вычисления параметров классификации For i = 0 То DN 1

235. L12(i) >= THR1 Then TP = TP + 1 Else FN = FN + 1 If L2(i) < THR1 Then TN = TN + 1 Else FP = FP + 11. Next

236. Сохранение рассчитанных параметров классификации МТР(k) = TP MFN(k) = FN MFP(k) = FP MTN(k) = TN k = k + 11. Next

237. Цикл вычисления характеристик J?OC-кривой для дальнейшего построения For i = 0 То k 1

238. SEN = MTP(i) / (MTP(i) + MFN(i)) SPC = MTN(i) / (MFP(i) + MTN(i))

239. Построение кривой (не показано 5 строк)1. Next

240. Анализ построенной ЯОС-кривой АССМах = О ACCIMax = О

241. Цикл вычисления достоверности различения групп и поиска наилучшего результата1. For i = 1 То к 1

242. АСС = Math.Round((МТР(i) + MTN(i)) / (2 * (DN)), 2) If АСС > АССМах Then АССМах = АСС ACCIMax = i End If1. Nexti = ACCIMax

243. Вычисление площади под кривой (Area under Curve) Dim AUC As Decimal For i = 1 To k 2

244. AUC = AUC + ((1 MTN (i + 1) / (MFP (i + 1) + MTN (i + 1))) - (1 -MTN(i) / (MFP(i) + MTN(i)))) * ((MTP(i + 1) / (MTP(i + 1) + MFN(i +1))) + (MTP(i) / (MTP(i) + MFN(i)) ) ) / 2 Next

245. AUC = Math.Abs(Math.Round(AUC, 3))

246. Вывод полученных данных (не показано 15 строк) End Sub

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.