Нейросетевая система экспресс - оценки наличия ишемической болезни сердца по одноканальной ЭКГ тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Талеб Емад Махмуд Ахмед

• Талеб Емад Махмуд Ахмед
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Талеб Емад Махмуд Ахмед

ВВЕДЕНИЕ

ГЛАВА I. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ РАННЕЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА

1.1 Физиологические особенности и классификация ишемической болезни сердца

1.2 Методы диагностики ишемической болезни сердца

1.3 Сравнительный анализ инструментальных методов диагностики ИБС

1.4 Электрокардиография как метод диагностики ИБС

1.4.1 Электрокардиографические отведения

1.4.2 Особенности электрокардиографического сигнала при ИБС

1.5 Анализ существующих методов и алгоритмов обработки и анализа ЭКГ-сигнала в задачах выявления и классификации ИБС

1.6 Выводы по главе

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ПРЕДПОСЫЛКИ СОЗДАНИЯ СИСТЕМЫ ЭКСПРЕС-ОЦЕНКИ НАЛИЧИЯ ИБС ПО ОДНОКАНАЛЬНОЙ ЭКГ

2.1 Методы предварительной обработки ЭКС и извлечения информативных

признаков

2.1.1 Частотные методы

2.1.2 Частотно-временной анализ

2.1.3 Сингулярный анализ

2.2 Методы классификации ЭКГ сигнала

2.2.1 Математическая постановка задачи классификации

2.2.2 Дискриминантный анализ

2.2.3 Метод опорных векторов

2.2.4 Искусственные нейронные сети

2.3 Обоснование выбора архитектуры ИНС и параметров ее обучения

2.4 Выводы по главе

ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ ОБРАБОТКИ ЭКГ - СИГНАЛА ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАННЕЙ ДИАГНОСТИКИ ИБС

3.1 Описание экспериментального архива данных

3.2 Исследование информативности данных ЭКГ-сигнала и производных от него сигналов

3.2.1 Алгоритм создания базы данных пространственных признаков и исследования их информативности

3.2.2 Исследование информативности ЭКГ во временной и частотной областях

3.2.3 Исследование информативности ритмограммы (РГ) во временной и частотной областях

3.2.4 Исследование информативности УКЦ во временной и частотной областях

3.3 Алгоритм сегментации ЭКГ-сигнала и формирования усредненных кардиоциклов

3.4 Исследование методов обработки и анализа УКЦ-сигнала для извлечения диагностических признаков ИБС

3.5 Нейросетевой алгоритм оценки эффективности методов классификации ИБС на основе одноканальной - ЭКГ

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ СИСТЕМЫ ЭКСПРЕСС - ОЦЕНКИ НАЛИЧИЯ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА ПО

ОДНОКАНАЛЬНОЙ ЭКГ

4.1 Результаты исследования методов предварительной обработки для извлечения диагностических признаков ИБС

4.1.1 Результаты исследования ИНС с использованием базы данных усреднённых кардиоциклов

4.1.2 Резултаты исследования ИНС с использованием базы данных спектральных оценок УКЦ

4.1.3 Результаты исследования ИНС с использованием базы данных вейвлет преобразования УКЦ

4.1.4 Результаты исследования ИНС с использованием базы данных, полученной в результате сингулярного разложения УКЦ

4.1.5 Сравнительный анализ результатов

4.2 Разработка структуры системы экспресс - оценки наличия ишемической болезни сердца по одноканальной ЭКГ

4.3 Разработка программного обеспечения оценки наличия ИБС

4.4 Перспективы разработанной системы и возможные области применения

4.5 Выводы

ЗАКЛЮЧЕНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Приложение А

Приложение Б

Введение диссертации (часть автореферата) на тему «Нейросетевая система экспресс - оценки наличия ишемической болезни сердца по одноканальной ЭКГ»

ВВЕДЕНИЕ

Актуальность работы. Ишемическая болезнь сердца (ИБС) является одной из важнейших медицинских проблем века. Данное сердечное заболевание, обусловлено недостатком снабжения сердца кислородом из-за нарушения кровоснабжения, вследствие поражения коронарных артерий [1]. В России ИБС сохраняет лидирующие позиции, как в группе болезней системы кровообращения, так и в общей статистике заболеваний [2]. По данным Американской ассоциации по проблемам сердца (АНА) прогнозируется, что к 2020 г. ИБС будет ведущей причиной смертности во всех странах мира [3].

Широкая распространенность и большая социальная значимость ишемической болезни сердца обуславливает необходимость своевременной и максимально достоверной диагностики данного заболевания [4]. Несмотря на значительные успехи при решении вопросов прогноза, терапии и профилактики сердечно - сосудистых заболеваний смертность и инвалидизация лиц трудоспособного возраста от данной патологии растет.

Решение этой проблемы во многом зависит от эффективной и своевременной диагностики патологических изменений в миокарде. Раннее выявление ИБС, а также обнаружение её у больных с бессимптомным течением имеет огромное клиническое значение, а разработка простых и доступных методов ранней диагностики ишемической болезни сердца на ранних этапах является актуальной задачей.

В связи с этим необходим поиск и разработка новых и доступных методов ранней доклинической диагностики ишемических изменений миокарда. Эти методики должны удовлетворять ряду требований, в том числе, высокая чувствительность и специфичность, возможность использования в амбулаторных условиях и приемлемые временные и финансовые затраты при скрининговых исследованиях.

Большой вклад в развитие методов автоматизированной диагностики состояния сердечно - сосудистой системы (ССС) внесли многие ученые и

специалисты, как в России, так и за рубежом, в том числе: Титомир Л.И., Струтынский А.В., Иванов Г.Г., Немирко А.П., Калиниченко А.Н., Зайченко К.В., Мельник О.В., Филист С.А., Бодин О.Н., Macfarlane P.W., Tompkins W.J., Laguna P., Doessel O., Sornmo L., Sanders W.J. и др. Однако многие проблемы доклинической диагностики ИБС остаются не решенными.

Целью данной работы является разработка и исследование системы экспресс - оценки наличия ИБС на основе анализа одноканальной ЭКГ человека (доклиническая диагностика ИБС).

Объектом исследования являются средства оценки наличия ишемической болезни сердца по одноканальной ЭКГ.

Предметом исследования являются методы и алгоритмы системы экспресс -оценки наличия ишемической болезни сердца по одноканальной ЭКГ.

Для достижения поставленной цели были сформулированы следующие задачи:

1. Проведение анализа литературы, посвященной методам и алгоритмам раннего выявления ИБС для обоснованного выбора наиболее эффективных методов обработки, анализа и классификации ЭКГ-сигнала.

2. Обоснование и формирование необходимого объема обучающих и тестовых ЭКГ - данных в норме и при наличии ИБС для исследования качества разрабатываемых алгоритмов и оценки информативных параметров ЭКГ-сигнала используемых для раннего выявления ИБС.

3. Исследование методов предварительной обработки ЭКГ.

4. Исследование возможности применения ИНС для выявления ИБС по одноканальной ЭКГ и разработка структуры системы экспресс-оценки ее наличия, а также проведение экспериментальных исследований для оценки эффективности функционирования разработанной системы на основе общепризнанных критериев.

Методы исследования.

В работе использованы методы цифровой обработки сигналов, методы классификации данных, распознавания образов и машинного обучения, в том числе искусственные нейронные сети.

Для разработки нейросетевых модулей принятия решений в качестве инструментария использовался программный пакет Neural Network Toolbox системы Matlab.

Научная новизна полученных результатов заключается в разработке:

1. Алгоритма обоснования и формирования обучающей и тестовой баз данных одноканальных ЭКГ-записей в «норме» и записей, соответствующих ИБС.

2. Алгоритма сегментации ЭКГ-сигнала и оценки качества кардиоциклов для формирования усредненных кардиоциклов, применяемых в качестве образа ЭКГ-сигнала.

3. Алгоритма обработки усредненных кардиоциклов и извлечения информативных признаков ИБС, позволяющий обосновать выбор методов предварительной обработки ЭКС и исследовать информативные признаки ИБС при обучении ИНС.

4. Нейросетевого алгоритма оценки эффективности методов анализа и классификации одноканального ЭКГ-сигнала при решении задачи раннего выявления ИБС, суть которого заключается в применении ИНС для исследования и оценки значимости информативных признаков, получаемых в результате обработки одноканального ЭКГ-сигнала различными методами.

5. Нейросетевой системы экспресс - оценки наличия ИБС, отличием которой является использование одноканальной ЭКГ и способность выявлять ИБС с точностью порядка 78 %.

Теоретическая и практическая значимость.

Теоретическая значимость результатов работы заключается в развитии методов оценки наличия ишемической болезни сердца по одноканальной ЭКГ и

подходов к оценке информативности сигналов, являющихся производными от электрокардиографического сигнала (ритмограмма, усредненный кардиоцикл).

Практическая значимость работы заключается в разработке алгоритмов и программ, являющихся основой нейросетевой системы экспресс - оценки наличия ИБС по одноканальной ЭКГ. Применение данной системы позволяет решать следующие задачи практической медицины:

- раннее выявление изменений в миокарде, что может существенно сократить смертность и инвалидность лиц трудоспособного возраста и обеспечить эффективное лечение;

- возможность использования в амбулаторных условиях, что позволит обеспечить массовое обследование населения;

- снижение временных и финансовых затрат при скрининговых исследованиях.

Достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается:

- результатами тестирования на основе баз данных записей ЭКГ из научной базы данных CardюQVARK, экспериментальных исследований и апробации разработанных специализированных нейросетевых блоков анализа ЭКГ на предмет наличия ИБС;

- оценкой эффективности функционирования разработанной нейросетевой системы выявления ИБС в электрокардиосигнале на основе использования общепризнанного инструмента ROC-анализа и критериев чувствительности, специфичности и точности.

Основные научные положения, выносимые на защиту.

1. Алгоритм формирования обучающей и тестовой баз данных одноканальных ЭКГ-записей в «норме» и записей, соответствующих ИБС, обеспечивает обоснование выбора пространственных признаков и исследования их информативности.

2. Алгоритм сегментации ЭКГ-сигнала и формирования усредненных кардиоциклов, применяемых в качестве образа ЭКГ-сигнала,

отличающийся использованием одноканальной ЭКГ, позволяет оценить качество полученных кардиоциклов.

3. Алгоритм обработки усредненных кардиоциклов и извлечения информативных признаков ИБС позволяет обосновать выбор метода предварительной обработки УКЦ и исследовать информативные признаки ИБС при обучении ИНС и последующей оценке ее эффективности.

4. Нейросетевая система экспресс - оценки наличия ИБС, отличающаяся использованием одноканальной ЭКГ, позволяет выявлять ИБС с точностью порядка 78 %.

Результаты внедрения работы.

Результаты научной работы внедрены в учебный процесс кафедры биомедицинских и электронных средств и технологий ВлГУ по направлению «Биотехнические системы и технологии» (бакалавриат и магистратура), а также в научно-исследовательскую деятельность ООО «КардиоКВАРК». Акты внедрения прилагаются.

Личный вклад автора во всех работах, выполненных в соавторстве, включает постановку задачи, разработку основных методов и средств для проведения исследований, обработку и анализ результатов. Автор является непосредственным исполнителем обработки и анализа результатов теоретических и экспериментальных исследований.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались на:

- XII, XIII Международных научных конференциях «Физика и Радиоэлектроника в Медицине и Экологии» (ФРЭМЭ'2016, 2016 г. Суздаль, 2016,2018 гг.);

- XII Международной научно-технической конференции «Перспективные технологии в средствах передачи информации» ПТСПИ (г. Суздаль, 2017

г);

- VII, VIII Всероссийских научных конференциях для молодых ученых «Актуальные вопросы биомедицинской инженерии» (г. Саратов, 2017,2018гг.);

- Межвузовский сборник научных трудов «Методы и средства обработки и хранения информации» (г. Рязань, 2018г);

- VI Всероссийской конференции «Информационные технологии интеллектуальной поддержки принятия решений» ITIDS'2018 (г. Уфа 2018г);

- XXXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские, экологические системы и робототехнические комплексы» (БИОМЕДСИСТЕМЫ - 2018), г. Рязань.

Публикации. По материалам диссертации опубликованы 17 работ, в том числе, 3 статьи в профильных журналах, рекомендованных ВАК РФ ,11 на международных и всероссийских конференциях, 1 в сборнике трудов, 2 свидетельства о государственной регистрации программ для ЭВМ.

Структура и объём диссертации.

Содержание диссертации соответствует паспорту специальности 05.11.17 -Приборы, системы и изделия медицинского назначения. Диссертация состоит из введения, 4 глав, заключения, списка литературы, включающего 138 наименований. Основное содержание диссертации изложено на 140 листах, содержит 61 рисунков и 13 таблиц.

Во введении обоснована актуальность темы диссертации, сформулированы цель и основные задачи работы, перечислены предмет, объект и методы исследования, показана научная новизна и достоверность основных научных результатов работы, сформулированы основные положения, выносимые на защиту, показана теоретическая и практическая значимость.

В первой главе изложены физиологические особенности и классификация ишемической болезни сердца (ИБС), рассмотрены методы диагностики ИБС и проведен их сравнительный анализ. Рассмотрены особенности съема, обработки

и анализа электрокардиографического сигнала (ЭКС). Проведен анализ существующих методов и алгоритмов обработки и анализа ЭКГ-сигнала в задачах выявления и классификации ИБС.

Во второй главе рассматриваются теоретические предпосылки создания системы экспресс-оценки наличия ИБС по одноканальной ЭКГ. Проведен теоретический анализ современных методов предварительной обработки ЭКС и извлечения информативных признаков, таких, как частотные методы , частотно-временной анализ и сингулярный анализ. Рассмотрены методы классификации ЭКГ сигнала на предмет наличия или отсутствия того или иного отклонения от нормы в работе ССС, а именно, дискриминантный анализ, метод опорных векторов и искусственные нейронные сети (ИНС). Обоснован выбор архитектуры ИНС, метода и алгоритма обучения, типа нормализации и критерий оценки эффективности нейросетевой системы.

Третья глава посвящена разработке и исследованию алгоритмов обработки ЭКГ - сигнала для решения задачи ранней диагностики ИБС. Приведено описание экспериментального архива данных, на основе которого сформированы обучающая и тестовая базы данных одноканальных ЭКС, необходимых для разработки системы экспресс - оценки наличия ИБС по одноканальной ЭКГ. Проведено исследование информативности одноканальных записей ЭКГ, а также производных от них ритмограмм и усредненных кардиоциклов для обоснования выбора входных данных при обучении и тестировании системы. Разработан алгоритм сегментации ЭКГ-сигнала и формирования УКЦ, которые используется в качестве исходных данных для решения задачи раннего выявления ИБС по одноканальной ЭКГ. Разработан алгоритм обработки УКЦ и извлечения информативных признаков ИБС на основе известных методов (БПФ, НВП, SVD). Разработан нейросетевой алгоритм для оценки информативности пространственных признаков, формируемых в результате обработки ЭКГ-сигнала.

Четвертая глава посвящена результатам экспериментальных исследований ИНС для ранней диагностики ИБС по одноканальной ЭКГ. Представлены

результаты трех вариантов исследования ИНС, отличающихся тем, что в качестве входной информации ИНС использовались: спектральные оценки преобразования Фурье УКЦ; медианные значения вейвлет-коэффициентов непрерывного вейвлет-преобразования УКЦ; главные компоненты сингулярного разложения УКЦ. Проведен сравнительный анализ результатов рассмотренных методов обработки одноканальной ЭКГ в задачах ранней диагностики ИБС на основе анализа значений чувствительности, специфичности и точности. Разработана структура нейросетовой системы экспресс - оценки наличия ишемической болезни сердца по одноканальной ЭКГ и программное обеспечение для реализации ее работы. Определены возможные области применения разработанной системы, ее возможности и пути совершенствования.

В заключении обобщаются основные результаты проведённого исследования.

ГЛАВА I. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ РАННЕЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА

1.1 Физиологические особенности и классификация ишемической болезни сердца

Согласно определению ВОЗ, сформулированному в 1965 году, ишемическая болезнь сердца (ИБС) - патологическое состояние, характеризующееся абсолютным или относительным нарушением кровоснабжения миокарда вследствие поражения коронарных артерий сердца [1].

Нарушение баланса между кровоснабжением миокарда и его потребностями в кровоснабжении чаще всего развивается вследствие уменьшения диаметра просвета коронарных артерий, причиной чему могут служить: закупорка сосуда атеросклеротической бляшкой, образование тромба или спазм сосудов [5, 6]. Рисунок 1.1 иллюстрирует основные причины развития ИБС.

Спазм

Рисунок 1.1 - Основные причины развития ИБС

Иногда ИБС наблюдается при аномальном развитии коронарных артерий, при воспалительных болезнях сосудов, при инфекционных процессах и т.д. [6].

Анализ литературы, посвященной проблеме ИБС, показал, что в подавляющем большинстве случаев (более чем 90 %) развитие данного заболевания связано именно с образованием и нарастанием в коронарных

сосудах атеросклеротических бляшек, препятствующих кровотоку [5]. При атеросклерозе нарушается нормальный обмен жиров (липидов), которые накапливаются в стенках артерий, образуя бляшки. По мере роста бляшки, просвет артерии уменьшается и, снижается количество крови, протекающей через пораженный сосуд, что приводит к развитию кислородного голодания миокарда. Если бляшка полностью перекрывает просвет сосуда, то кровь перестает поступать к участку сердца и наступает его омертвление - некроз или инфаркт [6].

Большое значение в развитии ИБС имеют так называемые факторы риска ИБС, которые способствуют возникновению ишемии миокарда и создают угрозу ее дальнейшего развития. На рисунке 1.2 представлены основные факторы риска развития ишемических патологий сердечной мышцы [5, 7, 9].

Обычно у больных ИБС имеется сразу несколько данных факторов риска. Вероятность развития коронарной болезни сердца и других сердечно -сосудистых заболеваний увеличивается с ростом числа и интенсивности этих факторов, то есть при сочетании нескольких предрасполагающих факторов, степень риска в развитии ишемической болезни сердца существенно возрастает. Поэтому главной задачей предупреждения развития ИБС является устранение или максимальное снижение количества перечисленных факторов [9].

Рисунок 1.2- Факторы риска ИБС

Ишемическая болезнь сердца может развиваться десятилетиями, при этом могут меняться формы данного заболевания и симптомы. Также данное заболевание может протекать бессимптомно (безболевая ишемия миокарда) [8]. Согласно статистике, около 30% больных не испытывают симптомы ишемии и не знают о своем заболевании [9]. В остальных случаях могут иметь место такие признаки ИБС [5,6] , как:

• загрудинная боль, связанная с физической нагрузкой или стрессовыми ситуациями;

• боль в руке, ноге, под лопаткой, под ребром, в одной стороне шеи или под челюстью;

• затрудненное дыхание, одышка;

• тошнота, сопровождающаяся слабостью;

• перебои в работе сердца, ощущение нарушения ритма сердца, слабость;

• повышенное потоотделение;

• признаки сердечной недостаточности, например, отёки, начинающиеся с нижних конечностей, вынужденное положение сидя.

В большинстве случаев ИБС протекает волнообразно, а именно, периоды спокойствия, не сопровождающиеся выраженными симптомами, сменяются периодами обострения болезни.

Кроме перечисленных признаков данному заболеванию также свойственны психические расстройства [10]:

• панический страх умереть;

• беспокойства без особых на то причин;

• тоска, апатия ко всему происходящему;

• нехватка воздуха.

Все перечисленные симптомы обязательно принимаются во внимании врачом кардиологом.

Таким образом, ишемическая болезнь сердца является серьезнейшей проблемой современной кардиологии и медицины. Данное заболевание не

является самостоятельным и включает в себя сразу несколько форм сердечных недугов, которые имеют определенное значение в процессе течения болезни.

Выделяют следующие клинические формы ИБС [11]: стенокардия; безболевая ишемия миокарда; инфаркт миокарда; сердечная недостаточность.

В связи с множественностью видов ишемической болезни сердца, для систематизации форм и видов данного заболевания существует несколько классификаций. Современная классификация коронарной болезни сердца, представленная на рисунке 1.3, была предложена рабочей группой комитета экспертов ВОЗ в 1979 г. и дополнена в 1995г. [12].

Рисунок 1.3 - Клинические формы ИБС

Она основана на выделении самостоятельных клинических форм заболевания, которые имеют своеобразные характерные проявления, определенный прогноз и требуют особого вида лечения.

1.2 Методы диагностики ишемической болезни сердца

Диагностика ИБС — проблема, весьма подробно освещенная как в российской, так и в зарубежной литературе. Тем не менее, постоянно возвращаются к ней как в связи с совершенствованием диагностической техники, так и изменением концепций проведения лечебно-диагностических мероприятий у данных больных.

Широкая распространенность и большая социальная значимость ИБС обуславливает необходимость своевременной и максимально точной диагностики данного заболевания. Раннее выявление ИБС, а также обнаружение её у больных с бессимптомным течением имеет большое клиническое значение. Обычно диагностика ИБС включает в себя методы обследования, классификация

Рисунок 1.4 - Методы диагностики ишемической болезни сердца

Сбор анамнеза и физикальные исследования относятся к клиническим методам диагностики ишемической болезни сердца.

Сбор анамнеза - это подробный опрос обследуемого, в результате которого врач получает сведения, используемые для установления диагноза. При диагностике ИБС из данных анамнеза большое значение имеют продолжительность и характер болей, одышки или аритмии, связь их с физической нагрузкой, объём физической нагрузки, который пациент может выдержать без возникновения приступа, эффективность различных лекарственных средств при возникновении приступа и т.д. [13].

Физикальное исследование - это контактный осмотр пациента лечащим врачом, включающий прослушивание фонендоскопом, пальпацию и простукивание определенных участков тела. Физикальное исследование

позволяет выявить шумы в сердце, отеки, аритмию и т.д. [12]. Но, несмотря на это объективных симптомов, характерных именно для ИБС нет. Любое подозрение на ишемию сердца требует выполнения инструментальных и лабораторных исследований.

Лабораторная диагностика. ИБС включает широкий спектр исследований, каждое из которых важно для установления точного диагноза, оценки тяжести процесса, а также выявления сопутствующих заболеваний. К лабораторным методам диагностики ишемии миокарда относят: общий анализ крови, анализ крови на сахар, коагулограмму, липидограмму, определение значений креатина и мочевины, а также исследование на присутствие кардиоспецифических ферментов [12]. Большое значение придаётся изучению липидного обмена и свёртывающей системы крови, нарушение которых лежит в основе атеросклеротического процесса, а также выявлению ферментов, которые появляются в крови при инфаркте и нестабильной стенокардии.

Инструментальные исследования. Диагноз ишемической болезни сердца на основе выше перечисленных методов обследования носит лишь предположительный характер. Для точного установления диагноза проводятся инструментальные исследования, то есть диагностические процедуры, для проведения которых требуется использование специального оборудования. При определении ИБС инструментальные методы исследования являются наиболее информативными диагностическими методами, которые помогают выявить ИБС на ранней стадии, более точно определить форму данного заболевания, тяжесть течения и прогноз [13]. К числу наиболее распространенных методов инструментальной диагностики ишемической болезни сердца относятся электрокардиография, эхокардиография (ЭхоКГ), сцинтиграфия миокарда, нагрузочные тесты, коронарография и радионуклидные методы.

Электрокардиографические методы. Одним из главных методов инструментальной диагностики всех ССЗ, в том числе ИБС является электрокардиография. Это инструментальный метод исследования электрофизиологической деятельности сердца, основанный на регистрации и

графическом изображении разности биопотенциалов, возникающих в процессе сокращения миокарда [14]. На рисунке 1.5 представлена электрокардиограмма (ЭКГ) здорового человека.

0.18-0.20 с 0.35 - 0.44 с

Рисунок 1.5 - Электрокардиограмма здорового человека

ЭКГ - считается основным методом диагностики при острой и хронической ишемии миокарда. При острой ишемии ЭКГ дает информацию о распространении, локализации и временном течении ишемии [12].

Локализация, время и степень ишемии будут точно определять, какие изменения в работе сердца происходят. Изменения ЭКГ, наблюдаемые на ранней стадии ишемии, отличаются от изменений, наблюдавшихся на поздних стадиях. С другой стороны, инфаркт влияет на деполяризацию миокарда (известно что, мертвые клетки миокарда не деполяризуются), что влияет на комплекс QRS [9]. Наиболее характерное изменение ненормально большие волны Q (называемые патологическими Q-волнами). Другими распространенными отклонениями от нормы являются уменьшение амплитуды R-волны (из-за потери жизнеспособности миокарда) и наличие фрагментированных или вырезанных рЯБ-комплексов. Изменения ЭКГ при ишемии миокарда подробно обсуждаются в разделе 1.4.2.

Электрокардиограмма с 12 электродами (ЭКГ) по-прежнему является наиболее часто используемым диагностическим методом у пациентов с подозрением на ИБС [24].

Частое использование ЭКГ в качестве диагностического метода при подозрении на ИБС во всем мире объясняется несколькими факторами [36]:

1. ЭКГ обеспечивает уникальную возможность диагностики состояния миокарда путем изучения его электрической активности, которая не отображается другими методами визуализации сердца.

2. Это недорогое исследование, которое не связано с каким-либо риском для пациента и может быть выполнено в течение нескольких минут.

3. Технология широко доступна даже в развивающихся странах мира, медицинское сообщество имеет многолетний опыт работы с этим методом, потому что он существует уже более 100 лет.

Для выявления признаков ИБС при повседневной активности, в т.ч. для диагностики безболевой ишемии миокарда используется Метод холтеровского мониторирования ЭКГ, обладающий высокой диагностической ценностью.

Холтеровское мониторирование позволяет [8,14]:

а) провести анализ различных показателей, в том числе провоцирующих ишемию, число эпизодов ишемии и время их появления в течение суток, амплитуды депрессии БТ-сегмента, средней частоты сердечных сокращений, продолжительности каждого эпизода ишемии, общую длительность ишемии за сутки;

б) сравнивать упомянутые показатели для дневного и ночного периодов

суток.

Критерием ИБС при суточном мониторировании ЭКГ является депрессия сегмента ST >1 мм при ее длительности не менее 1 мин. Имеет значение продолжительность ишемических эпизодов по данным суточного мониторирования ЭКГ. Если общая продолжительность снижения сегмента ST достигает 60 мин, то это можно оценить как проявление тяжелой ИБС и считается одним из основных показаний к реваскуляризации миокарда [19].

Электрокардиографические нагрузочные тесты или Стресс-ЭКГ (велоэргометрии, тредмилтеста) используют для выявления коронарной патологии и прогнозирования риска развития ИБС. Стресс-ЭКГ заключается в регистрации серии нагрузочных ЭКГ до появления электрокардиографических

и/или клинических признаков ИБС. Данная диагностика включает оценку изменений сегмента ST, реакцию АД и самочувствия пациента.

В настоящее время стресс-тесты являются самым ценным неинвазивным методом диагностики ИБС, который позволяет выявить заболевание тогда, когда оно еще не проявляется, и предотвратить его дальнейшее развитие [17]. Главный минус такой диагностической процедуры - наличие рисков, связанных с нагрузкой на сердце, а также большой список противопоказаний.

Список литературы диссертационного исследования кандидат наук Талеб Емад Махмуд Ахмед, 2019 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Всемирная организация здравоохранения (официальный сайт):

[http : //www.who .int/ru/] ;

2. Естественное движение населения в разрезе субъектов российской

федерации за январь-декабрь 2018 года.

http://www.gks.ru/free doc/2018/demo/t3 3.xls.

3. Thom T., Haase N, Rosamond W. American Heart Association Statistics Committee and Stroke Statistics Subcommittee. Heart disease and stroke statistics - 2006.

4. Тихоненко В.М. Диагностика ишемической болезни сердца: что ждут и что получают от функциональной диагностики [Электронный ресурс]: URL:http://www.pdf.knigi-x.ru/21meditsina/141736-1-diagnostika ishemicheskoy-bolezni-serdca-chto-zhdut-chto-poluchayut-funkcionalnoy-diagnostiki-tihonenko-shirokaya-ra.php (дата обращения: 20.04.2017).

5. Латфуллин И.А. Ишемическая болезнь сердца: основные факторы риска, лечение /- Казань: Изд-во Казан.ун-та, 2017. - 426 с.

6. Абросимов В.Н., Жукова Л.А., Глотов С.И., Алексеева Е.А. Ишемическая

болезнь сердца: учебное пособие /В.Н.Абросимов [и др.]; Ряз. гос. мед. унт им. акад. И.П. Павлова. - Рязань, 2015. - 209 с.

7. Крюков Н.Н., Николаевский Е.Н., Поляков В.П. Ишемическая болезнь

сердца (современные аспекты клиники, диагностики, лечения, профилактики, медицинской реабилитации, экспертизы): Монография. -Самара, 2010. - 651 с.;

8. Болтач А.В., Лис М.А. Безболевая ишемия миокарда // Журнал Гродненского государственного медицинского университета. - 2007. - № 4. - C. 110 - 117.

9. Стабильная ишемическая болезнь сердца. Клинические рекомендации Министерства здравоохранения Российской Федерации. 2016

10. Дидигова Р.Т., Инарокова А.М., Имагожева М.Я., Мамедов М.Н. Современные взгляды на этиологию и диагностику ишемической болезни сердца // Лечебное дело. - 2011. - № 4. - C. 11- 17.

11. Карпов Ю.А., Сорокин Е.В. «Стабильная ишемическая болезнь сердца: стратегия и тактика лечения». 2-е изд, перераб. и доп. - Москва, Медицинское информационное агентство, 2012. - 271.с

12. Диагностика и лечение хронической ишемической болезни сердца. Клинические рекомендации. - М., 2013.

13. Диагностика и лечение стабильной стенокардии. Российские рекомендации (второй пере-смотр), ВНОК, 2008. Кардиоваск тер профил 2008; 6 (приложение 4): 40 с.

14. Лупанов В.П. Современные функциональные исследования сердечнососудистой системы в диагностике, оценке тяжести и прогнозе больных ишемической болезнью сердца // Кардиоваск. терапия и профилактика. -2011. - № 5. - С. 106 - 115.

15. Гусева, О.А. Современные возможности диагностики ишемической болезни сердца в клинической медицине / С.Ю. Бартош-Зеленая, О.А. Гусева // Вестник Российской Военно-медицинской академии. - 2014. -Вып. 2(46). - С. 223 - 232.

16. Национальное руководство по радионуклидной диагностике / под ред. Ю.Б. Лишманова, В.И. Чернова. - В 2-х т. - Томск: STT, 2010. - Т. 2. - 418 с.

17. Бедрицкий С.А., Гендлин Г.Е., Никитин И.Г. Современные неинвазивные методы диагностики ишемической болезни сердца и роль стресс-эхокардиографии в оценке патологии сердца // Лечебное дело. 2018. - №. 4. - С. 62 - 69.

18. Бова, А.А. Современные подходы к проведению функциональной диагностики ишемической болезни сердца // Военная медицина. - 2012. -№4. - С. 6 - 11.

19. Лупанов В.П., Нуралиев Э.Ю. Современные методы инструментального исследования больных стабильной ишемической болезнью сердца при длительных наблюдениях (новые американские рекомендации по диагностике и лечению стабильной ишемической болезни сердца 2012г.) // РМЖ. - 2013. - № 12. - С. 601 - 611.

20. Информативность некоторых современных методов диагностики ишемической болезни сердца / Струтынский А.В., Глазунов А.Б., Баранов А.П., Цыганков Е.В.// Лечебное дело. - 2004. - №2. - С. 57 - 64.

21. Литвиненко Р.И., Шуленин С.Н., Куликов А.Н., Свеклина Т.С., Нагорный М.Б., Талантов С.В. Информативность различных методов диагностики преходящей ишемии миокарда у пациентов с подозрением на ишемическую болезнь сердца // Лечащий Врач. - 2014. - №10. - С. 11- 14.

22. Лупанов В.П. Сравнительная оценка функциональных методов исследования в диагностике ишемической болезни сердца / Лупанов В.П. // Атеросклероз и дислипидемия. - 2011. - №2. - С. 18 - 25.

23. Литвинова М.А. Анализ информативности различных методов диагностики ишемической болезни сердца // Здоровье и образование в XXI веке. - 2016. - №. 1. - С. 241 - 245.

24. Ansari, Sardar et al. "A Review of Automated Methods for Detection of Myocardial Ischemia and Infarction Using Electrocardiogram and Electronic Health Records // IEEE Reviews in Biomedical Engineering. -2017. - № 10. -С. 264 - 298.

25. Handschin R., Rickenbacher P. Stabile angina pectoris: nicht-invasive Diagnostik // Schweiz med. Forum. - 2010. - Т. 37. - №. 10. - С. 621- 625.

26. Биофизические основы электрокардиографии и техника ее регистрации: учебно-методическое пособие / сост. А.Г. Кузьмин. - Вологда: ВоГУ, 2014. - 31 с.

27. Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход. / Пер. с англ. под ред. А. П. Немирко.. - М.: ФИЗМАТЛИТ, 2010. - 440 с.

28. Хэмптон Дж. Р. Основы ЭКГ (пер. с англ.). - М,: Мед. лит., 2006. - 224с.

29. Мурашко В. В. Электрокардиография: учебное пособие для студентов / В. В. Мурашко, А. В. Струтынский - 14-е изд., испр. и доп. - Москва: МЕДпресс-информ, 2017. - 360 с.

30. Струтынский А.В. Электрокардиограмма: анализ и интерпретация / Струтынский А.В - 14-е изд.- М. : МЕДпресс- информ, 2012. - 224с.

31. Франклин Циммерман. Клиническая электрокардиография [Текст] / Франклин Циммерман; пер. с англ. и ред. В.Н. Хирманова. - Изд. 2-е. - М.: Бином, 2008. - 423 с.

32. Калиниченко А.Н. Компьютерные методы автоматического анализа ЭКГ в системах кардиологического наблюдения: автореф. дис. докт. техн. наук: 05.11.17. - M, 2010.

33. Салех М. А. М. Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала [Текст]: автореф. дис. ... канд. техн. наук. - Владимир, 2013. - 19 с.

34. Bhoi A.K., Sherpa K.S., Khandelwal B. Ischemia and Arrhythmia Classification Using Time-Frequency Domain Features of QRS Complex // Procedia Computer Science. - 2018. - № 132. - С. 606 - 613.

35. Jabbar МА., Deekshatulu B.L., Chandra P. Classification of Heart Disease using Artificial Neural Network and Feature Subset Selection // Global Journal of Computer Science and Technology. - 2013. - №. 13. - С. 4- 15.

36. Бойцов С. А., Гришаев С. Л., Солнцев В. Н., Кудрявцев Ю. С. Анализ сигнал-усредненной ЭКГ (по данным вейвлет-преобразования) у здоровых и больных ИБС // Вестн. аритмологии. - 2001. - № 23. - С. 32- 36.

37. Полякова И.П., Феофанова Т.Б., Богданов А.Р., Дербенева С.А.. Ранняя неинвазивная диагностика ишемической болезни сердца у пациента с метаболическим синдромом, морбидным ожирением и сопутствующими нарушениями внутрижелудочкового проведения // Креативная кардиология. - 2015. - № 1. - С. 70- 78.

38. Sansone M., Fusco R., Pepino A., Sansone C. Electrocardiogram pattern recognition and analysis based on artificial neural networks and support vector

machines: a review // Journal of Healthcare Engineering. -2013. - №. 4. - С. 465 - 504.

39. Haddadi R., Elhassane A., El Hanine M., Belaguid A. ST Segment Analysis Using Wavelet Transform // IJCSNS International Journal of Computer Science and Network Security. - 2017. -Т. 17. - №. 9. - С. 102 - 107.

40. Sridhar C., Acharya U.R., Fujita H., Bairy G.M. Automated diagnosis of Coronary Artery Disease using nonlinear features extracted from ECG signals. // IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2016

41. Acharya U.R., Fujita H., Oh S.L., Adam M., Tan J., Chua C.K. Automated detection of coronary artery disease using different durations of ECG segments with convolutional neural network // Knowledge-Based Systems. - 2017. -№132. - С. 62- 71.

42. Amal A., Reshmi G. Cardiac Ischemia Diagnosis Using Stress ECG Analysis // Third International Conference on Advances in Computing and Communications. - 2013. - С. 204 - 207.

43. Nowak J., Ylean M., Hagerman I., Nyquist O., Sylven C. Electrocardiogram signal variance analysis in the diagnosis of coronary artery disease —A comparison with exercise stress test in an angiographically documented high prevalence population // Clinical Cardiology. - 1993. - Т. 16, №. 9. - С. 671 -682.

44. Altan G., Allahverdi N., Kutlu Y. Diagnosis of Coronary Artery Disease Using Deep Belief Networks // European Journal of Engineering and Natural Sciences (EJENS). - 2017. - Т. 2, - № 1. - С. 29 - 36.

45. Лукьянова Н. В., Полякова И. П., Феофанова Т. Б. Диагностическая классификация данных поверхностного ЭКГ-картирования при помощи самоорганизующихся нейросетей // Биотехносфера. - 2011. - №. 5-6. - С. 23- 29.

46. AlHosani A., AlShizawi S., AlAli S., Saleh H.H., Assaf T., Stouraitis T. Automatic detection of coronary artery disease (CAD) in an ECG signal. 24th

IEEE International Conference on Electronics, Circuits and Systems (ICECS). 2017. - 414 - 418.

47. Bulusu SC, Faezipour M, Ng V, Banerjee S, Nourani M, Tamil LS. Early Detection of Myocardial Ischemia Using Transient ST-Segment Episode Analysis of ECG // International Journal of Medical Implants and Devices. -2011. - № 5. - T 2. C. 113 - 6.

48. Kumar M., Pachori R.B., Acharya U.R. Automated Diagnosis of Myocardial Infarction ECG Signals Using Sample Entropy in Flexible Analytic Wavelet Transform Framework // Entropy. - 2017. - № 19. - 488.

49. Fancy N., Kamalanathan M. Heart Rate and Ischemia Detection Using Wavelet Transform // International Journal for Research in Applied Science & Engineering Technology (IJRASET). - 2015. - №. 3. - C .432 - 436.

50. Shimon A., Sharon Z. High-frequency QRS electrocardiogram for diagnosing and monitoring ischemic heart disease // Journal of Electrocardiology. - 2006. -T. 39. - № 1. - C. 82 - 86.

51. Rabbani H., Mahjoob M.P., Farahabadi E., Farahabadi A., Dehnavi A.M. Ischemia detection by electrocardiogram in wavelet domain using entropy measure // Journal of research in medical sciences : the official journal of Isfahan University of Medical Sciences. - 2011. - T. 16. - No. 11. - C. 1473 -1482.

52. Park J., Pedrycz W., Jeon M. Ischemia episode detection in ECG using kernel density estimation, support vector machine and feature selection // BioMedical Engineering OnLine. - 2012. - № 15. - C. 11- 30.

53. Papaloukas C., Fotiadis D.I., Likas A., Michalis L.K. An ischemia detection method based on artificial neural networks // Artificial Intelligence in Medicine. - 2002. - №. 24(2). - C.167-178

54. Michaelides A.P., Psomadaki Z.D., Dilaveris P.E., Richter D.J., Andrikopoulos G.K., Aggeli K.D., Stefanadis C.I., Toutouzas P.K. Improved Detection of Coronary Artery Disease by Exercise Electrocardiography with the Use of Right

Precordial Leads // The New England Journal of Medicine. - 1999. - №.340 (5).

- С. 340 - 345.

55. Mohanta S., Dasgupta K. A Framework for Ischemic Beat Detection using Multi-Layer Feedforward Neural Network and Principal Component Analysis (IBD-MLFFNN PCA) // PerMIn. - 2015. - № 15. - С.77 - 84

56. Рыбак О. К., Довгалевский Я. П., Дурнова Н. Ю., Бурлака А. Н. Скрининг больных ишемической болезнью сердца с использованием многофакторного дискриминантного анализа электрокардиограммы // Саратовский научно-медицинский журнал. - 2010. - Т. 6. - № 1. - С. 76 -81.

57. Яа Зар До, Жилин В.В., Руденко В.В. Автоматизированная система сингулярного анализа электрокардиосигналов // Физика и радиоэлектроника в медицине и экологии: доклады XI Междунар. научн. конф. с элементами научн. молодежной школы ФРЭМЭ'2014. - Книга 1. -Владимир - Суздаль, 2014. - С. 295-299.

58. Verma V., Rathore S. S. Feature Extraction of Electrocardiogram and Ischemia Detection // International Journal of Engineering Science and Computing. -2016. - Т. 6. - No. 6. - С. 6611- 6614

59. Vidya M. J., Kavya D. Analysis of ECG signal using matlab for the detection of ischemia // International journal of innovative research & development. - 2013.

- Т. 2. - № 4. - С. 308 - 319

60. Favretto F.O., Farias C.R.G., Murta L.O. Jr. A Decision Support System for Ischemic Event Detection // Computers in Cardiology. - 2007. - № 34. - С. 213- 216.

61. Al-Fahoum A.S., Al-Fraihat A.A., Al-Araida A. Detection of cardiac ischemia using bispectral analysis approach // Journal of medical engineering & technology. - 2014. - Т. 38. - №. 6. - С. 311 - 316.

62. Afsar F.A., Arif M., Yang J. Detection of ST segment deviation episodes in ECG using KLT with an ensemble neural classifier // Physiol Meas. - 2008. - Т. 29. - №. 7. - С. 747 - 60.

63. Файнзильберг Л.С. Компьютерная диагностика по фазовому портрету электрокардиограммы. - Киев: «Освита Украина», 2013. - 191 с.

64. Чесноков Ю.В. Вейвлетное преобразование в обработке электрокардиограмм / Ю.В.Чесноков, В.Н. Чижиков // Вестник новых медицинских технологий. - 2003. - Т. 10. - № 1-2.- С. 5-6.

65. Уваров, А. А., Пеньков, П.Г. Чебуренко, Д. С. Спектральный анализ ЭКГ // XVII Международная научно-практическая конференция «Современные техника и технологии». - 2012. - С. 77 - 7879.

66. Захаров С.М., Знайко Г.Г. Спектральный анализ электрокардиосигналов // Вопросы радиоэлектроники. - 2017. - №3. - С.110 - 115.

67. Иванова, Г. Г., Электрокардиография высокого разрешения (2003) / Под ред. Г. Г. Иванова, С. В. Грачева, А. Л. Сыркина. М.: Триада-X, 2003. 312 с.

68. Cain M.E., Ambos H.D., Witkowski F.X., Sobel B.N. FFTA of signal average electrocardiograms for identification of patients prone to sustained ventricular tachycardia. //'irculation. - 1984. - V.69. - No 4. - C. 711 - 720.

69. Сергиенко А. Б. Цифровая обработка сигналов. СПБ.: Питер, 2002. 608 с.

70. Эмануил Айфичер, Барри Джервис. Цифровая обработка сигналов. Практический подход. М.: Вильямс, 2004. 989 с.

71. Ричард Лайонс Цифровая обработка сигналов: Второе издание. Пер. с англ. — М.: ООО «Бином-Пресс», 2006 г. — 656 с.

72. Математический анализ биомедицинских сигналов и данных [Текст] / А. П. Немирко, Л. А. Манило, А. Н. Калиниченко. - Москва : Физматлит, 2017. - 246 c.

73. Ульянова Ю.Е., Бабенко Р.Г., Чернов А.В. Частотно-временные преобразования, используемые в цифровой обработке сигналов // Глобальная ядерная безопасность. - 2015. - №. 3. - Т.16. - С. 36 - 42.

74. Ламброу Т. Применение вейвлет-преобразования к обработке медицинских сигналов и изображений / Т. Ламброу, А. Линней, Р. Спеллер // Компьютерра. - 1998. - №8. - С. 30-36.

75. Павлов А. Н., Филатова А. Е., Храмов А. Е. Частотно-временной анализ нестационарных процессов: концепции вейвлетов и эмпирических мод // Известия высших учебных заведений. Прикладная нелинейная динамика. -2011. - v. 19. - No. 2. - C. 141 - 157.

76. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения // Успехи физических наук. - 1996. - T. 166. - № 11. - С. 1145 - 1170.

77. Павлов А.Н. Вейвлет-анализ и примеры его применения" Известия высших учебных заведений // Прикладная нелинейная динамика. - 2009. -v. 17. - No. 5. - C. 99 - 111.

78.Юдин М.Н., Введение в вейвлет-анализ: Учеб.-практическое пособие. М.Н.Юдин, Ю.А.Фарков, Д.М.Филатов. Моск. геологоразв. акад. М.,2001.

- 72 с.

79. Тычков А.Ю., Чураков П.П., Кривоногов Л.Ю. Автоматизированная система обработки и анализа электрокардиосигналов в условиях интенсивных помех различного вида // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2011. - №. 1. - С. 117 - 125.

80. Уоткинс Д.С. Основы матричных вычислений/ Пер. со вт. англ. изд. М.: БИНОМ. Лаборатория знаний, 2006. 664 с.

81. Clifford G.D. Singular value decomposition and independent component analysis for blind signal separation // BioSignal Image Process. - 2005. - №. 44.

- С.489 - 499.

82. Sibasankar P., Sharma L.N., Dandapat S. Multilead ECG data Compression using SVD in multiresolution Domain // Biomedical Signal Processing and Control. - 2016. - № 23. - С. 10 - 18.

83. Mojtaba B., Mohammad R. K., Amard A., Jamal G. ECG denoising using singular value decomposition // Aust. J. Basic Appl. Sci. - 2010. - №4. - С. 2109 - 2113.

84. Кашкин В.Б., Рублева Т.В. Применение сингулярного спектрального анализа для выделения слабо выраженных трендов [Текст] / В. Б. Кашкин,

Т. В. Рублева // Известия Томского политехнического университета. -2007. - N 5. - С. 116 - 119.

85. Мартко Е.О., Хомутов О.И., Белицын И.В. Алгоритм сингулярного спектрального анализа и его применения для моделирования электрических нагрузок. Измерение, контроль и информатизация: материалы 10-й международной научно-технической конференции «ИКИ-2009». - Барнаул: Издво АлтГТУ, 2009. - С. 195 - 201.

86. Поршнев С.В., Рабайа Ф. Исследование особенностей применения метода сингулярного спектрального анализа в задаче анализа и прогнозирования временных рядов: монография. - Ульяновск: Зебра, 2016. - 167 с.

87. Матвеев М.Г., Семенов М.Е., Толоконников П.В. и др. Применение метода сингулярно-спектрального анализа для идентификации сигналов электрической активности мозга // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2012. - № 2. - С. 42 - 47.

88. SVD-разложение и его практические приложения [Электронный ресурс].ШЬ: https://docplayer.ru/26987730-Svd-razlozhenie-i-ego-prakticheskie-prilozheniya.html

89. Голяндина Н.Э. Метод «Гусеница» - SSA: анализ временных рядов. СПб: Изд-во СПбГУ, 2004. - 76 с.

90. Фуад Р., Поршнев С. В. Об особенностях собственных чисел и собственных векторов выборочной корелляционной матрицы в методе SSA // Научно-технический вестник Поволжья. - 2012. - Т. 3. - С. 146 -150.

91. Schanze T. Removing noise in biomedical signal recordings by singular value decomposition // Current Directions in Biomedical Engineering. - 2017. - Т. 3.

- №. 2. - С. 253 - 256.

92. Волосатова Т.М., Спасёнов А.Ю., Логунова А.О. Автоматизированная система анализа и интерпретации электрокардиосигнала // Радиостроение.

- 2016. - No. 1. - С. 1 - 18.

93. Распознавание образов [электронный ресурс] URL: http://it-claim.ru/Persons/Zelencov/Lection text.pdf

94. Степанова М. Д. , Самодумкин С. А., Лемешева Т. Л. Математические методы диагностики в медицинских интеллектуальных системах: Учебно-методическое пособие по курсу "Прикладные интеллектуальные системы и системы принятия решений" для студентов специальности Т 10.04.00 "Искусственный интеллект". - Мн.: БГУИР, 2001. - 44 с.

95. Омельченко В.П., Тимошенко Е.А. Применение дискриминантного анализа для классификации ЭЭГ больных диабетической энцефалопатией // Инженерный вестник Дона. 2012. Т. 22. № 4-1 (22). 16 c.

96. Болотов A.A., Тишевская Н.В. Фрактальный анализ в задачах оценки биоэлектрических сигналов с целью дифференциальной диагностики патологических состояний органов и тканей организма // Человек. Спорт. Медицина. - 2011. - №. 20 (237). - С. 120 - 123.

97. Ильясова Н. Ю., Куприянов А. В., Парингер Р. А. Формирование признаков для повышения качества медицинской диагностики на основе методов дискриминантного анализа // КО. - 2014. - Т. 38. - № 4. - С. 851 -855

98. Бых А.И., Высоцкая Е.В., Порван А.П., Рак Л.И., Антоненко В.Г., Болибок Е.Е., Сватенко О.А. Использование дискриминантного анализа для диагностики хронической сердечной недостаточности у подростков // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. -2010. - № 31. - С. 16 - 22.

99. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы. Учебник. М.: Финансы и статистика, 1998. 352 с.

100. Мхитаряна В. С. Анализ данных : учебник для академического бакалавриата / В. С. Мхитарян [и др.] ; под редакцией В. С. Мхитаряна. -Москва: Издательство Юрайт, 2019. - 490 с.

101. Бююль A., Цефель П. SPSS: искусство обработки информации. Aнализ статистических данных и восстановление скрытых закономерностей /A. Бююль, П. Цефель. - Издательство: ДиаСофт, 2005. - 608 с.

102. Eнюкова И. С. Факторный, дискриминантный и кластерный анализ: Пер. с англ./Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка и др.; Под ред. И. С. Eнюкова. - М.: Финансы и статистика, 1989. - 215 с.

103. Верезуб И. В. Системный анализ, структурная и параметрическая оптимизация технологических процессов: учеб. пособие / И. В. Верезуб, E. В. Островерх, A. A. Симонова. - Х.: ИТУ «ХПИ», 2012. - 170 с.

104. Кочетов AX. Методы статистической обработки медицинских данных: Методические рекомендации для ординаторов и аспирантов медицинских учебных заведений, научных работников / сост.: AX. Кочетов, О.В. Лянг., В.П. Масенко, И.В.Жиров, С.И.Иаконечников, С.И.Терещенко - М.: РКИПК, 2012. - 42 с.

105. Вьюгин В.В. «Математические основы теории машинного обучения и прогнозирования» М.: 2013. - 387 с.

106. Воронцов К. В. Лекции по методу опорных векторов [Электронный ресурс]. URL: http://www.ccas.ru/voron/download/SVM.pdf (дата обращения: 11.09.2013).

107. Huang S., Cai N., Pacheco P.P., Narrandes S., Wang Y., et. Applications of Support Vector Machine (SVM) Learning in Cancer Genomics // Cancer Genomics-Proteomics. - 2018. - Т. 15. - №. 1- С. 41-51.

108. Будынков A.H, Масолкин С.И. Проблема выбора ядра в одноклассовом методе опорных векторов // Проблемы управления. - 2015. - No. 6. - C. 70 - 75.

109. Коротаев A3., Литвин A.A., Манак HA., Латышева В.Я. Использование искусственных нейронных сетей в диагностике кардиалгического синдрома // Проблемы здоровья и экологии. - 2008. - No. 4 (18). - C. 23 -28.

110. Математические методы в задачах медицинской диагностики / Е. Г. Семерякова, О. Г. Берестнева, Л. С. Макарова // Соврем. проблемы науки и образования. - 2012. - № 6. - С. 29.

111. Мелихова О. А., Гайдуков А. Б., Джамбинов С. В., Чумичев В. С. Методы поддержки принятия решений на основе нейронных сетей // Актуальные проблемы гуманитарных и естественных наук. - М., 2015. -№ 09 (80). - С. 52-59.

112. Спицын В.Г., Цой Ю.Р. Применение искусственных нейронных сетей для обработки информации: методические указания к лабораторным работам.

- Томск: Изд-во ТПУ, 2007. - 31 с.

113. Ахтеров А.В., Кирильченко А.А. Основы теоретической робототехники. Искусственные нейронные сети. Обзор // Препринты ИПМ им. М.В.Келдыша. 2008. - № 2. - 20 с.

114. Андрейчиков А.В., Интеллектуальные информационные системы / А.В. Андрейчиков., О.Н. Андрейчикова : Учебник. - М.: Финансы и статистика, 2004. - 424 с.

115. Люггер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. - М.: Издательский дом «Вильямс», 2004. -864 с.

116. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / Под общ. ред. В.Б. Новосельцева. - Томск: Изд-во НТЛ, 2006. - 128 с.

117. Шарипбай А. А. нейронный сети : учебное пособие / Шарипбай А. А. -Алматы: Эверо, 2017. - 278С.

118. Воронов И.В., Политов Е.А., Ефременко В.М. Обзор типов искусственных нейронных сетей и методов их обучения // Вестник Кузбасского государственного технического университета. - 2007. - №. 3.

- С. 38 - 42.

119. Аль-Хулейди Нашван Амин. Система обработки и нейросетевого анализа биоэлектрических сигналов для решения задач медицинской

диагностики: дис. ... канд. техн. наук: 05.12.0408.00.05 / Аль-Хулейди Нашван Амин: Влад. гос. ун-т. - Владимир, 2014. - 133 с.

120. Аль-Хулейди Н.А., Исаков Р. В., Сушкова Л.Т. Исследование методов кодирования выходов искусственных нейронных сетей при классификации вариабельности сердечного ритма // Нейрокомпьютеры: разработка, применение. - 2013. - № 6. - С. 48 - 54.

121. Аль-Хайдри В.А., Исаков Р.В., Сушкова Л.Т. Исследование влияния выбора функций активации на эффективность работы многослойного персептрона // Нейрокопмьютеры: разработка и применение. -2015. - № 7. - С. 60 - 66.

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

123. Исаков Р.В., Лукьянова Ю.А., Аль Мабрук М.А. Результаты исследования нейронных сетей в задачах распознавания патологий сердца // «Физика и радиоэлектроника в медицине и экологии» Доклады 9-й межд. науч.-техн. конф., Владимир, 2010. - С.250 - 254.

124. Талеб Е.М., Сушкова, Л.Т. Аль-Хайдри В.А., Исаков Р.В. Применение искусственных нейронных сетей для выявления ишемической болезни сердца по одноканальной ЭКГ // Биомедицинская радиоэлектроника. -2018. - № 9. - С. 3-9.

125. Талеб Е.М. Аль-Хайдри В.А., Исаков Р.В., Сушкова Л.Т. Исследование возможности создания систем диагностики ишемической болезни сердца по одноканальной записи ЭКГ // Журнал «Динамика сложных систем -XXI век». - 2017. - № 4. - С. 107 - 114.

126. Коробейников A.B. Распознавание образов при анализе формы электрокардиограммы. // Математическое моделирование и интеллектуальные системы. Ижевск: ИжГТУ, 2004. - № 1. - С. 45-53.

127. Талеб Е.М., Сушкова, Л.Т., Исаков Р.В., Аль-Хайдри В.А., Абдулракеб А.Р.А. Сопоставительный анализ результатов исследования методов обработки одноканальной ЭКГ в задачах выявления ИБС // Биомедицинская радиоэлектроника. - 2019. - № 3. - С. 1-10.

128. Талеб Е.М., Исаков Р.В. Анализ электрокардиографических признаков функциональных состояний организма человека // Физика и радиоэлектроника в медицине и экологии: Доклады 12-й межд. научн. конф. Владимир, 2016. - С. 303 - 306.

129. Аль-Хайдри В.А., Сушкова Л.Т., Талеб Е.М. Применение эмпирической модовой декомпозиции для устранения дрейфа изолинии в ЭКГ // Физика и радиоэлектроника в медицине и экологии: Доклады 12-й межд. научн. конф. Владимир, 2016. - С.206 - 208.

130. Талеб Е.М., Исаков Р.В., Аль-Барати Б.С. Обработка электрокардиографических сигналов методом кепстрального анализа // XII Международной научно-технической конференции «Перспективные технологии в средствах передачи информации - ПТСПИ-2017». Суздаль, 5 - 7 июля 2017. - С 211 - 212.

131. Кардиомонитор CardюQVARK кардиограмма с помощью телефона. URL:http: //www.cardioqvark.ru/.

132. Талеб Е.М. Распознавание диагностических признаков ишемической болезни сердца по одноканальной записи ЭКГ // Межвузовский сборник научных трудов «методы и средства обработки и хранения информации». Рязань, 2018. - С. 60-64.

133. Талеб Е.М., Аль-Хайдри В.А., Исаков Р.В., Сушкова Л.Т. Применение спектрального анализа для обнаружения ишемической болезни сердца по одноканальной записи ЭКГ // VII всероссийская научная конференция для молодых ученых «актуальные вопросы биомедицинской инженерии». Саратов, 2017. - С. 182 - 185.

134. Талеб Е.М., Аль-Хайдри В.А. Интеллектуальная система ранней диагностики ишемической болезни сердца // VI всероссийская

конференция «информационные технологии интеллектуальной поддержки принятия решений» (Пга'2018). Уфа, 2018. - Т(3). - С.136 - 139.

135. Талеб Е.М. Применение нейронной сети и спектрального анализа для выявления ишемической болезни сердца по одноканальной ЭКГ // 13-й Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии - ФРЭМЭ2018». Владимир, 2018. - С.411 - 413.

136. Талеб Е.М., Аль-Хайдри В.А. Нейросетевой анализ усредненных кардиоциклов в задачах раннего выявления ИБС // XXXI Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские, экологические системы и робототехнические комплексы» (БИОМЕДСИСТЕМЫ - 2018). Рязань, 2018. - С. 231 - 234.

137. Талеб Е.М. Автоматизированная система ранней диагностики ишемической болезни сердца // VIII всероссийская научная конференция для молодых ученых «актуальные вопросы биомедицинской инженерии». Саратов, 2018. - С. 127 - 131.

138. Талеб Е.М., Аль-Хайдри В.А. Применение многослойного персептрона для распознавания диагностических признаков ишемической болезни сердца // VIII всероссийская научная конференция для молодых ученых «актуальные вопросы биомедицинской инженерии». Саратов, 2018. - С. 132 - 138.

Приложение А

Свидетельства о государственной регистрации программ для ЭВМ

Приложение Б

Акты внедрения

УТВЕРЖДАЮ Проректор по научной и инновационной работе, иредеэд^ель ПДТК

Федин *?! ДШ9 года

АКТ

о внедрении результатов диссертационной работы Талеб Емад Махмуд Ахмед «Нейросетеваи система экспресс-оценки наличии ишемнческои болезни сердца по одиокаиалыюй ЭКГ» на соискание ученой степени кандидата технических наук в учебно-исследовательскую работу кафедры биомедицинских и электронных средств и технологий института информационных технологий и радиоэлектроники Владимирского государственного университета по подготовке студентов по направлению «Биотехнические системы и технологии» (бакалавриат и магистратура).

Материалы кандидатской диссертации Талеб Е. М., посвященные разработке и исследованию нейросетевой системы экспресс-оценки наличия ишемической болезни сердца по одноканальной ЭКГ, представляют научно-практический интерес для подготовки специалистов медико-технического профиля. В связи с этим она используются в учебном процессе на кафедре биомедицинских и электронных средств и технологий Института информационных технологий и радиоэлектроники «Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых» при подготовке специалистов по направлению «Биотехнические системы и технологии», в дисциплинах «Компьютерные технологии обработки и анализа медико-биологических данных». «Автоматизация экспериментальных исследований», «Технические методы диагностических исследований и терапевтических воздействий».

Зав. кафедрой БЭСТ д.т.н., доце»

¡СВ. Татмышевский / О! 9г.

Ч*-

Директор ИИТР ВлГУ к.т.н, професс^

А. А. Галкин/ 2019 г.