«Разработка и исследование методов автоматической диагностики фибрилляции предсердий для систем мониторинга сердечного ритма тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Моторина Светлана Валерьевна

• Моторина Светлана Валерьевна
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Моторина Светлана Валерьевна

Введение

ГЛАВА 1 АНАЛИЗ ПРОБЛЕМ В ОБЛАСТИ АВТОМАТИЧЕСКОЙ ДИАГНОСТИКИ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ

1.1 Фибрилляция предсердий, методы диагностики фибрилляции предсердий

1.1.1 Фибрилляция предсердий

1.1.2 Методы диагностики фибрилляции предсердий, основанные на оценке нерегулярности RR-интервалов

1.1.3 Методы диагностики фибрилляции предсердий, основанные на оценке предсердной активности

1.1.4 Комбинированные методы диагностики фибрилляции предсердий

1.2 Современные проблемы в области автоматической диагностики фибрилляции предсердий

1.2.1 Выбор оптимальной длительности фрагмента ЭКГ для анализа

1.2.2 Снижение вычислительной сложности разрабатываемых методов

1.2.3 Повышение специфичности алгоритмов распознавания фибрилляции предсердий

1.3 Выводы

ГЛАВА 2 ВЫБОР И ФОРМИРОВАНИЕ НАБОРОВ ДАННЫХ

2.1 Обучающая выборка

2.2 Контрольные выборки

2.2.1 MIT-BIH Atrial Fibrillation Database

2.2.2 MIT-BIH Arrhythmia Database

2.3 Выводы

ГЛАВА 3 ФОРМАЛИЗАЦИЯ ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ

3.1 Признаки фибрилляции предсердий на ЭКГ

3.2 Оценка регулярности сердечного ритма

3.2.1 Векторное представление последовательности кардиоинтервалов

3.2.2 Устранение дублирования информации при векторном представлении последовательности кардиоинтервалов

3.2.3 Определение пороговых величин для разработки признаков, характеризующих нерегулярность сердечного ритма

3.2.4 Признаки, характеризующие нерегулярность сердечного ритма

3.3 Оценка наличия Р-зубца

3.3.1 Определение границ Р-зубца на усредненном кардиокомплексе

3.3.2 Признаки, характеризующие процесс деполяризации предсердий

3.4 Оценка предсердной активности

3.4.1 Вейвлет-разложение сигнала ЭКГ

3.4.2 Признаки, характеризующие предсердную активность

3.5 Выбор оптимальной длительности анализируемого фрагмента

3.6 Выбор решающего правила для алгоритма распознавания фибрилляции предсердий

3.7 Выводы

ГЛАВА 4 НЕРОСЕТЕВОЙ АЛГОРИТМ РАСПОЗНАВАНИЯ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ

4.1 Предварительная подготовка данных

4.2 Разработка модели нейронной сети

4.2.1 Выбор функции активации

4.2.2 Выбор функции потерь

4.2.3 Выбор алгоритма обучения

4.2.3 Выбор шага обучения

4.3 Настройка модели нейронной сети

4.3.1 Выбор гиперпараметров нейронной сети

4.3.2 Выбор количества эпох обучения

4.4 Оценка информативности признаков

4.5 Структура нейросетевого алгоритма

4.6 Оценка эффективности нейросетевого алгоритма

4.6 Оценка чувствительности нейросетевого алгоритма к помехам

4.7 Оценка производительности нейросетевого алгоритма

4.8 Выводы

Заключение

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Введение

Введение диссертации (часть автореферата) на тему ««Разработка и исследование методов автоматической диагностики фибрилляции предсердий для систем мониторинга сердечного ритма»

Актуальность исследования

В последнее время патологии сердца занимают одну из лидирующих позиций среди всех заболеваний, приводящих не только к инвалидности, но и к летальным исходам, и являются одной из основных причин смертности в развитых странах. Распространенной группой сердечных заболеваний являются нарушения ритма и проводимости. Они возникают не только у людей с патологиями, но и у большинства здоровых людей, и в совокупности с другими заболеваниями могут перейти в патологическую форму. Одним из широко распространенных нарушений сердечного ритма является фибрилляция предсердий. По данным ФГБУ ННПЦССХ им. А.Н. Бакулева» МЗ РФ она возникает у 1-2% населения планеты, преимущественно у людей пожилого возраста, и может привести к инсульту, гипоксии, повреждениям сердечной мышцы, хронической сердечной недостаточности и другим заболеваниям [1].

На сегодняшний день существует множество алгоритмов автоматического распознавания фибрилляции предсердий, но лишь немногие из них способны эффективно функционировать в современной технической и технологической среде в силу вычислительной сложности, низких показателей точности, высоких требований к исходным данным и других причин [2]. В настоящей работе представлен новый подход к решению задачи автоматической диагностики фибрилляции предсердий, направленный на решение указанных проблем.

Степень разработанности проблемы

Существующие на сегодняшний день алгоритмы распознавания мерцательной аритмии можно подразделить на три основные группы. В первую группу входят алгоритмы, основанные на выявлении нерегулярностей в последовательности RR-интервалов. К ним относятся алгоритм Moody и Mark [3], использующий для выявления этой нерегулярности модель в виде марковской цепи; алгоритм Logan и Healey [4], использующий дисперсионный анализ; алгоритм Linker [5], использующий комбинации статистических окон; алгоритм

Tatento и Glass [6], использующий модель Колмогорова-Смирнова; алгоритм Cerutti и др. [7], использующий авторегрессионную модель. Ко второй группе относятся алгоритмы, основанные на установлении факта отсутствия P-волны в кардиограмме, в частности, алгоритм Slocum и др. [8], в котором применяется спектральный анализ ЭКГ. В третью группу входят алгоритмы, сочетающие в себе оба описанных выше подхода. К ним относятся алгоритм Schmidt и др. [9], построенный на сочетании модели марковской цепи и спектрального анализа; алгоритм Babaeizadeh и др. [10], сочетающий выявление нерегулярности RR-интервалов с исследованием положения и морфологии P-волны; алгоритм Couceiro и др. [11], основанный на применении глубоких нейронных сетей.

Самый распространенный подход, основанный на оценке нерегулярности в последовательности RR-интервалов, является наиболее простым и глубоко исследованным, но не позволяет распознавать патологию в тех случаях, когда отсутствует выраженная нерегулярность в последовательности кардиоинтервалов, а фибрилляция предсердий проявляется f-волной на кардиограмме. Подход, основанный на оценке предсердной активности, решает эту проблему, но не учитывает хаотический характер распределения RR-интервалов по длинам, что вносит большую долю ошибки. В связи с этим наиболее продуктивным подходом является комбинирование описанных методов.

Целью исследования является разработка эффективного алгоритма, позволяющего повысить достоверность распознавания фибрилляции предсердий в процессе обработки данных различных систем мониторинга сердечного. Задачи исследования

• Анализ существующих проблем в области автоматического распознавания фибрилляции предсердий.

• Формирование представительной верифицированных базы данных, позволяющей провести исследование диагностических признаков фибрилляции предсердий, разработку и тестирование методов распознавания этого нарушения ритма.

• Выбор информативных признаков, характеризующих диагностически значимые особенности фибрилляции предсердий.

• Разработка эффективного алгоритма распознавания фибрилляции предсердий, предназначенного для анализа данных холтеровского монитора и автономных систем мониторинга сердечного ритма.

• Тестирование разработанного алгоритма на контрольном наборе данных. Объектом исследования является система автоматической диагностики

фибрилляции предсердий.

Предметом исследования являются методы и алгоритмы автоматическо диагностики фибрилляции предсердий. Методологическая база

В настоящем исследовании применялись методы логики, такие как метод выдвижения и проверки гипотез, метод исследования причинно-следственных связей, метод эмпирического обобщения. В ходе диссертационного исследования использован системный подход к изучению медицинских процессов, применены методы математической статистики, корреляционного анализа, обработки цифровых сигналов и обучения нейронных сетей. Теоретическая база

Теоретическую основу настоящего исследования составляют положения и выводы, содержащиеся в монографиях и других трудах российских (Каминский А.А. [12], Айвазян С.А. [13], Шитиков В.К. [14], Перов А.И. [15], Максимов Ю.А. [16] и др.) и зарубежных (Радченко С.Г. [17], Осовский С. [18], Рабинер Л. [19], Шолле Ф. [20], Du K.L. [21], Hastie T. [22] и др.) ученых в области математической статистики, обработки цифровых сигналов и глубокого обучения нейронных сетей.

Эмпирическая база

Для проведения исследования сформирована верифицированная база данных, в которой представлены все виды клинически значимых аритмий и содержащая большое количество фрагментов с фибрилляцией предсердий.

Для апробации разработанного алгоритма использовалась база данных MIT-BIH Atrial Fibrillation Database [23], которая содержит записи с фибрилляцией предсердий и широко применяется для оценки эффективности алгоритмов распознавания этого нарушения.

Для более полной оценки специфичности и других показателей качества разработанного алгоритма использовалась база данных MIT-BIH Arrhythmia Database [24], состоящая из различных типов аритмий.

Для автоматизации математических и статистических расчетов использовалась современная среда программирования

MATLAB 9.5.0 (R2018b) [25].

Научная новизна результатов исследования

В ходе исследования получены следующие новые научные результаты:

• методы преобразования последовательности кардиоинтервалов в форму, позволяющую акцентировать характерные особенности различных типов ритма;

• набор информативных признаков, характеризующих диагностически значимые особенности сердечного ритма при фибрилляции предсердий;

• помехоустойчивый метод детектирования P-зубца, отражающего процесс нормальной деполяризации предсердий

• метод выделения f-волны, отражающей спонтанные электрические процессы в предсердиях при фибрилляции предсердий;

• нейросетевой алгоритм распознавания фибрилляции предсердий по коротким интервалам ЭКГ в одном отведении, использующий комбинации информативных признаков, полученных с помощью альтернативных подходов.

Теоретическую значимость представляют новые методы: метод оценки регулярности сердечного ритма по признаку сходства с синусовым ритмом и признаку регулярности ритма; метод оценки наличия P-зубца на ЭКГ по признаку наличия P-зубца и признаку отсутствия P-зубца; метод оценки предсердной

активности по оценке мощности ^волны и показателю периодичности ^волны; алгоритм автоматической диагностики фибрилляции предсердий на основе предложенных признаков.

Практическую значимость представляет разработанный алгоритм распознавания фибрилляции предсердий, который может быть использован в составе программного обеспечения приборов и систем контроля сердечного ритма, а также сформированная верифицированная база данных, которая может быть использована для продолжения настоящего и проведения других аналогичных исследований.

Научные положения, выносимые на защиту

• Предложенные методы преобразования последовательности кардиоинтервалов обеспечивают возможность получать информативные признаки, повышающие точность распознавания фибрилляции предсердий;

• Предложенный алгоритм детектирования Р-волны кардиоцикла позволяет исключить ошибочное распознавание в случаях, когда нерегулярность в последовательности кардиоинтервалов вызвана синусовой аритмией или комплексом нарушений на фоне синусового ритма;

• Предложенный алгоритм выделения ^волны позволяет осуществлять распознавание фибрилляции предсердий при отсутствии выраженной нерегулярности в кардиоинтервалах;

• Совместное использование предложенных подходов к оценке последовательности кардиоинтервалов, процесса деполяризации предсердий и предсердной активности обеспечивает повышение уровня чувствительности и специфичности алгоритмов распознавания фибрилляции предсердий.

Соответствие НКР Паспорту научной специальности

Диссертационная работа соответствует специальности 05.11.17 - приборы, системы и изделия медицинского назначения [26], поскольку направлена на разработку методологического и программно-алгоритмического обеспечения

системы автоматической диагностики заболеваний человека, а также для оптимизации информационных данных, получаемых в медицинском технологическом процессе. Областью настоящего исследования являются методы и способы диагностики человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы, которую можно представить в виде математической модели, что также соответствует паспорту научной специальности.

Апробация и реализация результатов исследования

Основные положения и результаты исследований докладывались и обсуждались на конференциях: 68-я конференция профессорско-преподавательского состава, 2015; 70-я Всероссийская научно-техническая конференция, посвященная Дню радио, 2015; научная сессия «От трансляционных исследований - к инновациям», посвященная 35-летию ФГБУ «СЗФМИЦ им. В.А. Алмазова» Минздрава России, 2015; 69-я конференция профессорско-преподавательского состава, 2016; 71-я Всероссийская научно-техническая конференция, посвященная Дню радио, 2016; 12-я Российско-Германская Конференция по Биомедицинской Инженерии, 2016; 70-я конференция профессорско-преподавательского состава, 2017; 72-я Всероссийская научно-техническая конференция, посвященная Дню радио, 2017.

Реализация и внедрение результатов работы

Практические и теоретические результаты диссертационного исследования внедрены в зарегистрированной системе кардиомониторирования СагёюРуагк [27], а также в клинической и научно-исследовательской практике Института сердца и сосудов ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России [28].

Степень достоверности результатов работы

Достоверность результатов работы подтверждается соответствием результатов экспертного анализа экспериментальных и верифицированных специалистами данных результатам и выводам, которые были получены с применением разработанного методического и программно-алгоритмического обеспечения.

Публикации по теме диссертационного исследования

По теме диссертационного исследования было опубликовано семь статей в изданиях, включенных в перечень ВАК [29-35], три статьи в изданиях, входящих в перечень базы SCOPUS [36-38], и восемь статей в других изданиях [39-46].

Структура НКР

Диссертация состоит из введения, 4 глав, заключения, списка литературы из 63 наименований и 2 приложений. Основное содержание диссертации изложено на 102 страницах машинописного текста, содержит 32 рисунка и 25 таблиц.

ГЛАВА 1 АНАЛИЗ ПРОБЛЕМ В ОБЛАСТИ АВТОМАТИЧЕСКОЙ ДИАГНОСТИКИ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ 1.1 Фибрилляция предсердий, методы диагностики фибрилляции

предсердий

1.1.1 Фибрилляция предсердий

В последнее время патологии сердца занимают одну из лидирующих позиций среди всех заболеваний, приводящих не только к инвалидности, но и к летальным исходам, и являются одной из основных причин смертности в развитых странах. Распространенной группой сердечных заболеваний являются нарушения ритма и проводимости. Они составляют почти четверть всех госпитализаций на кардиологические отделения (таблицы 1.1-1.3) и возникают не только у людей с патологиями, но и у большинства здоровых людей, и в совокупности с другими заболеваниями могут перейти в патологическую форму. Одним из широко распространенных нарушений сердечного ритма является фибрилляция предсердий (разновидность наджелудочковой тахиаритмии с хаотической электрической активностью предсердий [47]), она составляет половину госпитализаций по поводу нарушений проводимости сердца (таблицы 1.1-1.3).

В таблицах 1.1-1.3 представлена информация о количестве пациентов, госпитализированных по кардиологическому профилю в ФГБУ «НМИЦ им. В. А. Алмазова» Минздрава России [28], и их диагнозах. Данные таблиц получены с помощью медицинской информационной системы qMS [48] через аналитический запрос. В аналитику включены основные диагнозы всех пациентов, выписанных с отделений кардиологии и сердечно-сосудистой хирургии в 2016, 2017 и 2018 году. Полная информация о распределении количества описанных пациентов по группам заболеваний приведена в приложении 1.

Таблица 1.1. Распределение пациентов по группам заболеваний за 2016 год

Группа заболеваний Кол-во пациентов Процент от общего числа

Болезни системы кровообращения за исключением нарушений проводимости сердца 9125 75,03

Нарушения проводимости сердца 2772 22,79

Фибрилляция предсердий 1451 11,93

Всего 12161 100,00

Таблица 1.2. Распределение пациентов по группам заболеваний за 2017 год

Группа заболеваний Кол-во пациентов Процент от общего числа

Болезни системы кровообращения за исключением нарушений проводимости сердца 8177 72,54

Нарушения проводимости сердца 2742 24,33

Фибрилляция предсердий 1462 12,97

Всего 12161 100,00

Таблица 1.3. Распределение пациентов по группам заболеваний за 2018 год

Группа заболеваний Кол-во пациентов Процент от общего числа

Болезни системы кровообращения за исключением нарушений проводимости сердца 8296 72,15

Нарушения проводимости сердца 2757 23,98

Фибрилляция предсердий 1584 13,78

Всего 12161 100,00

Понятие «фибрилляция предсердий» было введено в 30 - 40-е годы ХХ века главным кардиологом СССР Г. Ф. Лангом, под которым он понимал «суправентрикулярную (предсердную) тахикардию (увеличение частоты сердечных сокращений) при отсутствии четко выраженной Р-волны» [49]. В целом фибрилляция предсердий - это такое нарушение ритма сердца, при котором возбуждение и сокращение предсердий как единого целого отсутствует (рисунок 1.1б), а на электрокардиограмме обычно вместо зубцов Р наблюдаются волны предсердной активности (1-волны).

а) б)

Рисунок 1.1. Распространение электрических импульсов в сердце (а - при нормальном синусовом ритме, б - при фибрилляции предсердий)

Фибрилляция предсердий указывает на органическое поражение сердца, причиной которого может является ишемическая болезнь сердца, стенокардия, кардиосклероз, инфаркт миокарда, митральный стеноз, гипертиреоз, миокардиты, кардиомиопатии, алкогольная дистрофия миокарда [47]. При фибрилляции предсердий отсутствует нормальное возбуждение и сокращение предсердий, вместо них возникает возбуждение и сокращение отдельных мышечных волокон. Частота сокращения предсердий при этом составляет от 250 до 700 в минуту (если частота находится в диапазоне 250-350, говорят о трепетании предсердий, если она больше 350 - о фибрилляции предсердий).

Выделяют несколько форм фибрилляции предсердий:

• пароксизмальная форма, когда фибрилляция возникает на фоне нормального синусового ритма в виде приступов разной продолжительности (от нескольких секунд до нескольких дней);

• персистирующая форма, когда фибрилляция длится более семи дней;

• стационарная форма, когда фибрилляция наблюдается более двенадцати месяцев [50].

Фибрилляция предсердий - состояние само по себе, не угрожающее жизни человека. Главная ее опасность состоит в постоянном рассогласовании сокращений желудочков и предсердий, из-за чего возникает застой крови и образуются ее сгустки в полостях сердца. При восстановлении нормального сердечного ритма эти сгустки могут поступить в общий кровоток и закупорить один из магистральных сосудов, что может привести к инсульту. Длительные приступы фибрилляции предсердий могут привести к системной гипоксии, повреждениям сердечной мышцы, хронической сердечной недостаточности. Возможен переход фибрилляции предсердий в желудочковую фибрилляцию, несовместимую с жизнью [51].

Возможность лечения и профилактики фибрилляции предсердий напрямую связана с ее диагностикой. На сегодняшний день существует множество способов диагностики фибрилляции предсердий. В первую очередь к ним относится метод визуальной оценки электрокардиограммы врачом. Основным фактором в этом случае является квалификация врача, а основным источником ошибки -человеческий фактор. В связи с тем, что немногие врачи способны просматривать записи большого объема и безошибочно принимать решения, постоянно учитывая все необходимые факторы, возникает потребность в объективных методах анализа диагностической информации.

На сегодняшний день все методы автоматического распознавания фибрилляции предсердий по основному принципу делятся на три группы:

• основанные на оценке нерегулярности ЯЯ-интервалов (расстояний между соседними Я-зубцами кардиограммы);

• основанные на оценке электрической предсердной активности, характеризующейся отсутствием Р-зубца на электрокардиограмме и появлением 1-волны;

• сочетающие в себе оба подхода.

В следующих разделах рассмотрены ключевые особенности этих подходов, их преимущества и недостатки.

1.1.2 Методы диагностики фибрилляции предсердий, основанные на оценке нерегулярности RR-интервалов

Фибрилляция предсердий - это такое нарушение ритма сердца, при котором на протяжении всего сердечного цикла наблюдается частое (от 350 до 700 в минуту) беспорядочное, хаотичное возбуждение и сокращение отдельных групп мышечных волокон предсердий, каждая из которых фактически является своеобразным эктопическим очагом импульсации. На электрокардиограмме (ЭКГ) это проявляется в нерегулярности в длине ЯЯ-интервалов - расстояний между соседними R-зубцами (рисунок 1.2б).

а)

б)

Рисунок 1.2. Пример ЭКГ (а - при нормальном синусовом ритме, б - при

фибрилляции предсердий)

Методы автоматического распознавания фибрилляции предсердий, основанные на оценке нерегулярности в последовательности ЯЯ-интервалов, впервые стали появляться в 80-х годах XX века. Акцент именно на этом проявлении фибрилляции предсердий связан с ограниченными возможностями

вычислительной техники того времени и легкостью обнаружения Я-зубцов даже на зашумленных сигналах ЭКГ. Несмотря на то что современная техника обладает намного более широкими возможностями, эти методы не теряют своей актуальности.

Для обнаружения Я-зубцов применяются простые пороговые методы, в которых позиция зубца на временной оси определяется при пересечении сигналом ЭКГ некоторого заданного порогового уровня. Из полученной последовательности строится ритмограмма - способ графического отображения данных, представляющий собой последовательность вертикальных отрезков, длины которых соответствуют величинам ЯЯ-интервалов (рисунок 1.3).

Рисунок 1.3.Ритмограмма (а - при нормальном синусовом ритме, б - при

фибрилляции предсердий)

Дальнейший анализ ритмограммы проводится с применением различных статистических методов и методов математического моделирования:

• анализ с применением Марковских моделей [3];

• анализ с применением авторегрессионных моделей [7];

• анализ с применением гистограмм [6];

• дисперсионный анализ [4];

• анализ с применением пороговых методов [5];

• анализ с применением энтропийных методов [52].

Марковским называется такой случайный процесс, эволюция которого после любого заданного значения временного параметра не зависит от предшествовавшей эволюции этого процесса, при условии, что значение процесса в этот момент фиксировано («будущее» процесса не зависит от «прошлого» при известном «настоящем»). Таким образом, предсказание поведения системы осуществляется только по ее текущему состоянию. Метод Марковского моделирования фибрилляции предсердий заключается в вычислении вероятности появления значения ЯЯ-интервала, характерного для этой патологии, за пределами временного окна по каждому отдельному отсчету внутри окна. Аналогичная процедура проводится для модели нормального сердечного ритма. Затем вычисляется арифметическое среднее относительных вероятностей наблюдения пары ЯЯ-интервалов, характерных для фибрилляции предсердий, и арифметическое среднее для нормального ритма. Предпочтение отдается тому типу ритма, среднее значение вероятности которого больше.

Авторегрессионная модель - модель временных рядов, в которой значения временного ряда в данный момент линейно зависят от предыдущих значений этого же ряда. Отличие авторегрессионной модели от Марковской состоит в том, что первая предсказывает будущее значение по предыдущим, а вторая - только по текущему значению. С помощью авторегрессионной модели предсказываются вероятности появления нескольких значений ЯЯ-интервалов по значениям предыдущих. Предсказанные значения сравниваются с белым шумом (в случае белого шума появление всех значений равновероятно). Сравнение проводится путем измерения условной энтропии, предполагающей наличие априорной информации о вероятностных характеристиках исследуемого процесса. Чем ближе предсказанные значения к белому шуму, тем больше вероятность отнесения исследуемого фрагмента к фибрилляции предсердий.

Гистограмма - графическое представление данных, характеризующее соотношение значений исследуемой последовательности. Для обнаружения фибрилляции предсердий используются гистограммы распределения ЯЯ-интервалов и расстояний между соседними ЯЯ-интервалами. Гистограммы

оцениваются с помощью коэффициента вариации, показывающего разброс значений относительно математического ожидания, и критерия Колмогорова-Смирнова, использующегося для проверки гипотезы о совпадении вида распределения исследуемой последовательности с эталонным распределением. Эти показатели сравниваются с аналогичными значениями для величины, имеющей нормальное распределение. В случае фибрилляции предсердий они с допустимым уровнем значимости не совпадают.

Дисперсионный анализ - метод в математической статистике, направленный на поиск зависимостей в данных путём исследования значимости различий в средних значениях. При применении этого метода в каждом временном окне заданной ширины рассчитывается среднее значение ЯЯ-интервала. По этому значению все интервалы, попавшие в окно, центрируются и нормируются, и для них рассчитывается значение дисперсии. Для фрагментов с фибрилляцией предсердий это значение выше заданного порога.

Пороговые методы в силу простоты реализации и быстродействия применяются в алгоритмах для длительного мониторинга сердечного ритма в стационарных условиях. Такие методы заключаются в том, что в каждый момент времени определяется значение ЯЯ-интервала, по которому рассчитывается мгновенное значение частоты сердечных сокращений. Полученные точки аппроксимируются функцией заданного вида. В случае, если функция на несколько отсчетов выходит за границы заранее определенного амплитудного коридора, сердечный ритм относится к фибрилляции предсердий.

Энтропия может интерпретироваться как мера неопределённости (неупорядоченности) некоторой системы, в случае распознавания фибрилляции предсердий - ритмограммы. Аппроксимированная энтропия - это величина количественно определяющая степень сложности сигнала. Впервые она была предложена С. Пинкусом в 1991 году, и сейчас широко используется для анализа различных биологических сигналов. Аппроксимированная энтропия отражает степень сложности сигнала, т.е. чем выше регулярность сигнала, тем меньше ее значение. Таким образом, при решении задачи распознавания вводится пороговое

значение, при превышении которого исследуемый фрагмент относится к фибрилляции предсердий. Главным достоинством этого метода является быстродействие: для расчета энтропии достаточно десяти отсчетов сигнала, при этом расчет производится по стандартной формуле без циклов.

1.1.3 Методы диагностики фибрилляции предсердий, основанные на оценке предсердной активности

С повышением вычислительной мощности компьютерной техники появилась возможность реализации сложных многоитерационных алгоритмов. В связи с этим в 90-х годах XX века стали развиваться методы автоматической диагностики фибрилляции предсердий, основанные на оценке предсердной активности.

На ЭКГ предсердная активность характеризуется Р-зубцом. Зубец Р отражает суммарную деполяризацию правого и левого предсердий. Отсутствие зубцов Р, беспорядочные крупно- или мелковолновые колебания изолинии являются важными признаками фибрилляции предсердий (рисунок 1.4 а).

СС, мВ

О 5 10

б)

Рисунок 1.4. ЭКГ (а) - при фибрилляции предсердий, б) - при нормальном

синусовом ритме)

Самым распространенным подходом к оценке предсердной активности является исследование спектральных характеристик ЭКГ.

Перед проведением спектрального анализа проводится извлечение сигнала предсердной активности, в котором при фибрилляции предсердий Р-волна заменяется 1-волной. При экстракции предсердного сигнала из исходной ЭКГ исключаются волны, характеризующие желудочковую активность. Существует несколько способов получить сигнал предсердной активности. Самым распространенным способом является вычитание из исходной ЭКГ усредненного рЯБТ-комплекса, характеризующего желудочковую активность. Основным недостатком этого способа является необходимость в исходной записи длительностью не менее 10 секунд для получения усредненного комплекса. Для того чтобы этого избежать был предложен аналогичный способ, когда из исходной ЭКГ вычитается не усредненный, а эталонный рЯБТ-комплекс. Чаще всего в качестве эталонного выбирается первый комплекс из записи. [9]

Список литературы диссертационного исследования кандидат наук Моторина Светлана Валерьевна, 2019 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Клинические рекомендации: «Фибрилляция предсердий» / Л.А. Бокерия [и др.]. - Москва: Асколайн, 2017. - 65 с.

2.Larburu, N. Comparatie Study of Algorithms for Atrial Fibrillation Detection / N. Larburu, T. Lopetegi, I. Romero // Computers in Cardiology. - 2011. - 38. - P. 265-268.

3. Moody, G.B. A new method for detecting atrial fibrillation using R-R intervals / G.B. Moody, R.G. Mark // Computers in Cardiology. - 1983. - № 10. - P. 227-230.

4. Logan, B. Robust Detection of Atrial Fibrillation for a Long Term Telemonitoring System / B. Logan, J. Healey // Computers in Cardiology. - 2005. - 32. - P. 619-622.

5. Linker D.T. Selective screening for atrial fibrillation using multivariable risk models / D. T. Linker, T. B. Murphy, A. H. Mokdad // Heart. - 2018. - V. 104, I. 18 - P. 14921499.

6. Tatento, K. Automatic detection of atrial fibrillation using the coefficient of variation and density histograms of RR and ARR intervals / K. Tatento, L. Glass // Medical & Biological Engineering & Computing. - 2001. - 39. - P. 664-671.

7. Analysis of the dynamics of RR interval series for the detection of atrial fibrillation episodes / S. Cerutti [et al.] // Computers in Cardiology. - 1997. - 24. - P. 77-80.

8. Slocum, J. Diagnosis of atrial fibrillation from surface electrocardiograms based on computer-detected atrial activity. / J. Slocum, A. Sahakian, S. Swiryn // Journal of Electrocardiology. - 1992. - 25. - P. 1-8.

9. Automatic Detection of Atrial Fibrillation andOther Arrhythmias in ECG Recordings Acquiredby a Smartphone Device / R. Schmidt [et al.] // Electronics. - 2018. - № 7 - P. 2-14.

10. Babaeizadeh, S. Improvements in atrial fibrillation detection for real-time monitoring / S. Babaeizadeh, R.E. Gregg, E.D. Helfenbein // Journal of Electrocardiology. - 2009. -42. - P. 522-526.

11. Detection of Atrial Fibrillation using model-based ECG analysis / R. Couceiro [et al.]// 19th International Conferenceon Pattern Recognition (Tampa, FL, USA,8-11 Dec. 2008)- Tampa, 2009. - P. 1-5.

12. Каминский, А.А. Оценка особенностей применения параметрических и непараметрических методов спектрального анализа коротких кардиоинтервалов / А.А. Каминский // Радиоэлектроника и информатика. - 2010. - № 3. - С. 71-75.

13. Прикладная статистика: Классификация и снижение размерности / С. А. Айвазян [и др.]. - Москва: Финансы и статистика, 1989. - 607 с.

14. Шитиков, В.К. Классификация, регрессия и другие алгоритмы Data Mining с использованием R / В.К. Шитиков, С.Э. Мастицкий. - Тольятти: Лондон, 2017. -352 с.

15. Перов, А. И. Статистическая теория радиотехнических систем. / А. И. Перов -Москва: Радиотехника, 2003. - 400 с.

16. Максимов, Ю. А. Алгоритмы решения задач нелинейного программирования. / Ю. А. Максимов, Е. А. Филлиповская - Москва: МИФИ, 1982. - 52 с.

17. Радченко, С. Г. Устойчивые методы оценивания статистических моделей. / С. Г. Радченко - Киев: Санспарель, 2005. - 504 с.

18. Осовский, С. Нейронные сети для обработки информации. / С. Осовский -Москва: Финансы и статистика, 2002. - 344 с.

1 9. Рабинер, Л. Теория и применение цифровой обработки сигналов / Л. Рабинер, Б. Гоулд - Москва: Мир, 1978. - 835 с.

20. Шолле, Ф. Глубокое обучение на Phyton. / Ф. Шолле. - Санкт-Петербург: Питер, 2018. - 400 с.

21. Du, K. L. Neural Networks in a Softcomputing Framework. / K.L. Du [et al.] -London: Springer, 2006. - 470 p.

22. Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. / T. Hastie, R. Tibshirani, J. Friedman - Verlag: Springer, 2009. - 746 p.

23. MIT-BIH Atrial Fibrillation Database // PhysioNet [сайт]. -URL:https://physionet.org/physiobank/database/afdb/ (дата обращения: 17.03.2016).

24. MIT-BIH Arrhythmia Database // PhysioNet [сайт]. -URL:https://physionet.org/physiobank/database/mitdb/ (дата обращения: 17.03.2016).

25. MATLAB // MathWorks [сайт]. -URL:https://mathworks.com/products/matlab.html (дата обращения: 17.03.2016)

26. ВАК 05.11.17 Приборы, системы и изделия медицинского назначения // OntoBox.org: [сайт]. - 2010. - URL: https://teacode.com/online/vak/p05-11-17.html (дата обращения: 20.05.2019).

27. Кардиомонитор CardioQVARK // CardioQVARK [сайт]. -URL:http://www.cardioqvark.ru/ (дата обращения: 19.04.2019)

28. ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России // almazovcentre.ru [сайт]. - URL: http://www.almazovcentre.ru/ (дата обращения: 26.09.2015)

29. Моторина, С.В. Алгоритм распознавания мерцательной аритмии на основе графических методов. / С.В. Моторина, А.Н. Калиниченко // Известия СПбГЭТУ «ЛЭТИ». - 2014. - 10. - С. 55-60.

30. Моторина, С.В. Выбор метода кластеризации для алгоритма выявления мерцательной аритмии / С.В. Моторина, А.Н. Калиниченко, А.П. Немирко // Биотехносфера. - 2015. - 4(40). - С. 2 -5.

31. Моторина, С.В. Алгоритм распознавания фибрилляции предсердий на основе анализа закономерностей в последовательности кардиоинтералов ЭКГ. / С.В. Моторина, А.Н. Калиниченко // Трансляционная медицина. - 2015. - 2. - С. 78.

32. Моторина, С.В. Алгоритм выявления мерцательной аритмии в реальном масштабе времени. / С.В. Моторина, А.Н. Калиниченко // Медицинская техника. -2016. - 3. - С. 12-15.

33. Моторина, С.В. Оценка регулярности в порядке следования и длине кардиоинтервалов методами математической статистики. / С.В. Моторина, А.Н. Калиниченко // Биомедицинская радиоэлектроника. - 2016. - 8. - С. 14-18.

34. Моторина, С.В. Пороговый метод обнаружения P-зубца при диагностике мерцательной аритмии. / С.В. Моторина // Известия СПбГЭТУ «ЛЭТИ». -2017. -5. - С. 63-65.

35. Моторина, С.В. Двухэтапный алгоритм обнаружения мерцательной аритмии. / С.В. Моторина, А.Н. Калиниченко // Медицинская техника. - 2018. - 2. - С. 34-37.

36. Motorina, S.V. Real-time Algorithm for Detection of Atrial Fibrillation. / S.V. Motorina, A.N. Kalinichenko // Biomedical Engineering. - 2016. - V. 50, I. 3. - Pp.1-7.

37. Kalinichenko, A.N., Motorina S.V., Uskov A.V. Algorithms for ECG Analysis in Mobile Cardiac Monitoring System. In: Proceedings of The 20th Conference of Open Innovations Association FRUCT, St.Petersburg, 3-7 April 2017, pp. 112 - 117.

38. Motorina, S.V. A Two-Stage Algorithm for Detection of Atrial Fibrillation. / S.V. Motorina, A.N. Kalinichenko // Biomedical Engineering. - 2018. - V. 52, I. 2. - Pp.116119.

39. Моторина С.В., Калиниченко А.Н. Алгоритм распознавания фибрилляции предсердий на основе графических методов. В кн.: 68-я конференция профессорско-преподавательского состава, Санкт-Петербург, 28 января-5 февраля 2015, с.55.

40. Моторина С.В., Калиниченко А.Н. Графический метод выявления фибрилляции предсердий. В кн.: 70-я Всероссийская научно-техническая конференция, посвященная Дню радио, Санкт-Петербург, 21-22 апреля 2015, с. 31.

41. Моторина С.В., Калиниченко А.Н. Оценка нерегулярности сердечного ритма методами математической статистики. В кн.: 69-я конференция профессорско-преподавательского состава, Санкт-Петербург, 26 января-4 февраля 2016, с. 60.

42. Моторина С.В. Метод статистической оценки закономерностей в последовательности линий фазового портрета для обнаружения фибрилляции предсердий. В кн.: 71-я Всероссийская научно-техническая конференция, посвященная Дню радио, Санкт-Петербург, 20-28 апреля 2016, с. 25.

43. Kalinichenko, A.N., Motorina S.V. ECG Analysis Algorithms for Smartphone Based Cardiac Monitor. In: 12th Russian-German Conference on Biomedical Engineering, Suzdal, July 4-7, 2016, p. 11.

44. Моторина С.В., Калиниченко А.Н. Обнаружение отсутствия P-зубца в качестве дополнительного признака при диагностике фибрилляции предсердий. В кн.: 70-я конференция профессорско-преподавательского состава, Санкт-Петербург, 1-11 февраля 2017, с. 56.

45. Моторина С.В. Метод обнаружения P-зубца при диагностике фибрилляции предсердий. В кн.: 72-я Всероссийская научно-техническая конференция, посвященная Дню радио, Санкт-Петербург, 20-28 апреля 2017, с. 26.

46. Моторина С.В. Двухэтапный алгоритм выявления фибрилляции предсердий / С.В. Моторина // Вестник аритмологии. - 2018. - 13. - С. 190.

47. Беленков, Ю.Н. Кардиология. Национальное руководство / Ю.Н. Беленков, Р.Г. Оганов. - Москва: ГЭОТАР-Медиа, 2010. - 1286 с.

48. МИС qMS // sparm.com [сайт]. - URL: https://sparm.com/products/qms/mis/ (дата обращения 26.09.2015).

49. Ланг, Г.Ф. Учебник внутренних болезней / Г. Ф. Ланг. - Ленинград: Медгиз, 1938. - Том 1, Ч.1. - 438 с.

50. Диагностика и лечение фибрилляции предсердий / А. Г. Мрочек [и др.] -Минск: Национальные рекомендации, 2010. - 84 с.

51. Heart disease and stroke statistics / D. Mozaffarian [et al.] // A report from the American Heart Association. Circulation. - 2015. - P. 131.

52. Манило, Л.А. Автоматическое распознавание фибрилляции предсердий с использованием оценок аппроксимированной энтропии / Л.А. Манило, Е.П. Зозуля // Управление в медицине и биологии. - 2006. - № 1. - С. 21-27.

53. Surface atrial frequency analysis in patients with atrial fibrillation: a tool for evaluating the effects of intervention/ D. Raine [et al.] // Journal of Electrocardiology. -2004 - 15. - P. 21-26.

54. Atrial activity extraction for atrial fibrillation analysis using blind source separation / J. Rieta [et al.] // IEEE Trans Biomed. - 2004. - 51. - P. 76-86.

55. Технические характеристики комплекса «Кардиотехника-04» с комбинированным монитором ЭКГ и АД «Кардиотехника-04-АД-3М» // Pandia: [сайт]. - URL: https://pandia.ru/text/79/104/38490.php (дата обращения: 01.02.2017)

56. Зудбинов, Ю.И. Азбука ЭКГ. / Ю.И. Зудбинов // Ростов-на-Дону: Феникс, 2003. - 160 с.

57. Бабунц, И.В. Азбука анализа вариабельности сердечного ритма. / И.В. Бабунц, Э.М. Мириджанян, Ю.А. Мшаех // Ставрополь: СГМА, 2002. - 112с.

58. Поликар, Р. Введение в вейвлет-преобразование / Р. Пликар // Санкт-Петербург: Автекс, 2006. - 59 с.

59. Гмурман, В.Е. Теория вероятностей и математическая статистика: Учебное пособие для вузов / В.Е. Гмурман // Москва: Высшая школа, 2004. — 479 с.

60. Чазов, Е.И. Руководство по кардиологии. Методы диагностики сердечнососудистых заболеваний / Е.И. Чазов // Москва: Практика, 2014. - 776 с.

61. Хоровиц, П. Искусство схемотехники / П. Хоровиц, У. Хилл // Москва: Мир, 1993. - 371 с.

62. Acer Aspire 5755 - домашний ноутбук на базе бюджетной модели / Onliner [сайт]. - URL: https://tech.onliner.by/2012/03/12/acer-aspire-5755-domashnij-noutbuk-na-baze-byudzhetnoj-modeli (дата обращения: 25.08.2019)

63. Настольный компьютер OptiPlex 24 серии 7000 "все в одном" (7440) / Dell [сайт]. - https://www.dell.com/ru/business/p/optiplex-24-7000-aio/pd (дата обращения: 25.08.2019)

Приложение 1. Распределение количества пациентов по группам заболеваний

Таблица 1. 2016 год

Группа заболеваний Количество пациентов Процент от общего числа

I Некоторые инфекционные и паразитарные болезни 1 0,01

II Новообразования 24 0,20

III Болезни крови, кроветворных органов и отдельные нарушения, вовлекающие иммунный механизм 4 0,03

IV Болезни эндокринной системы, расстройства питания и нарушения обмена веществ 5 0,04

V Психические расстройства и расстройства поведения 6 0,05

VI Болезни нервной системы 11 0,09

VII Болезни глаза и его придаточного аппарата 6 0,05

VIII Болезни уха и сосцевидного отростка 1 0,01

IX Болезни системы кровообращения (за исключением нарушений ритма) 9125 75,03

IX Болезни системы кровообращения (нарушения ритма) 2772 22,79

Из них фибрилляция предсердий 1451 11,93

X Болезни органов дыхания 16 0,13

XI Болезни органов пищеварения 2 0,02

XII Болезни кожи и подкожной клетчатки 3 0,02

XIII Болезни костно-мышечной системы и соединительной ткани 8 0,07

XIV Болезни мочеполовой системы 5 0,04

XVII Врожденные аномалии [пороки крови], деформации и хромосомные нарушения 152 1,25

XIX Травмы, отравления и некоторые другие последствия воздействия внешних причин 16 0,13

XXI Факторы, влияющие на состояние здоровья населения и обращения в учреждения здравоохранения 4 0,03

Всего 12161 100,00

Таблица 2. 2017 год

Группа заболеваний Количество пациентов Процент от общего числа

I Некоторые инфекционные и паразитарные болезни 1 0,01

II Новообразования 41 0,36

III Болезни крови, кроветворных органов и отдельные нарушения, вовлекающие иммунный механизм 3 0,03

IV Болезни эндокринной системы, расстройства питания и нарушения обмена веществ 64 0,57

V Психические расстройства и расстройства поведения 3 0,03

VI Болезни нервной системы 21 0,19

VII Болезни глаза и его придаточного аппарата 2 0,02

VIII Болезни уха и сосцевидного отростка 1 0,01

IX Болезни системы кровообращения (за исключением нарушений ритма) 8177 72,54

IX Болезни системы кровообращения (нарушения ритма) 2742 24,33

Из них фибрилляция предсердий 1462 12,97

X Болезни органов дыхания 20 0,18

XI Болезни органов пищеварения 5 0,04

XII Болезни кожи и подкожной клетчатки 1 0,01

XIII Болезни костно-мышечной системы и соединительной ткани 11 0,10

XIV Болезни мочеполовой системы 5 0,04

XVII Врожденные аномалии [пороки крови], деформации и хромосомные нарушения 163 1,45

XVIII Симптомы, признаки и отклонения от нормы, выявленные при клинических и лабораторных исследованиях, не классифицированные в других рубриках 2 0,02

XIX Травмы, отравления и некоторые другие последствия воздействия внешних причин 9 0,08

XXI Факторы, влияющие на состояние здоровья населения и обращения в учреждения здравоохранения 1 0,01

Всего 11272 100,00

Таблица 3. 2018 год

Группа заболеваний Количество пациентов Процент от общего числа

I Некоторые инфекционные и паразитарные болезни 1 0,01

II Новообразования 68 0,59

III Болезни крови, кроветворных органов и отдельные нарушения, вовлекающие иммунный механизм 1 0,01

IV Болезни эндокринной системы, расстройства питания и нарушения обмена веществ 98 0,85

V Психические расстройства и расстройства поведения 1 0,01

VI Болезни нервной системы 14 0,12

IX Болезни системы кровообращения (за исключением нарушений ритма) 8296 72,15

IX Болезни системы кровообращения (нарушения ритма) 2757 23,98

Из них фибрилляция предсердий 1584 13,78

X Болезни органов дыхания 38 0,33

XI Болезни органов пищеварения 8 0,07

XII Болезни кожи и подкожной клетчатки 3 0,03

XIII Болезни костно-мышечной системы и соединительной ткани 10 0,09

XIV Болезни мочеполовой системы 3 0,03

XVII Врожденные аномалии [пороки крови], деформации и хромосомные нарушения 174 1,51

XVIII Симптомы, признаки и отклонения от нормы, выявленные при клинических и лабораторных исследованиях, не классифицированные в других рубриках 4 0,03

XIX Травмы, отравления и некоторые другие последствия воздействия внешних причин 20 0,17

XXI Факторы, влияющие на состояние здоровья населения и обращения в учреждения здравоохранения 2 0,02

Всего 11498 100,00

Приложение 2. Технические характеристики комбинированного монитора ЭКГ и АД «КАРДИ0ТЕХНИКА-04-АД-3(М)»

Наименование параметра Значение

Количество отведений ЭКГ, по выбору врача 12 или 3

Длительность записи не менее 48 ч

Измерение АД по тонам Короткова +

Осциллометрический метод измерения АД +

Возможность измерения АД с синхронизацией по ЭКГ +

Возможность установки индивидуальных режимов измерения АД в заданные интервалы времени («ночной» режим и т.д.) +

Возможность автоматического внеочередного измерения АД по параметрам ЭКГ (при тахикардии и/или брадикардии) +

Плавное бесступенчатое регулирование давления в манжете с целью уменьшения среднего времени измерения и увеличения комфорта пациента +

Возможность одновременного использования двух методов измерения АД с целью верификации измерений +

Возможность внеочередного запуска измерения АД пациентом (по кнопке) +

Время накачки манжеты (для манжеты объемом 300см3) не более 15 с

Канал непрерывной записи ЭКГ с параметрами, соответствующими ЭКГ стационарного кардиографа по ГОСТ 19687-89

Выделение импульсов стимулятора +

Канал непрерывной регистрации реопневмограммы в одном отведении +

Канал непрерывной регистрации двигательной активности и положения тела пациента +

Дисплей +

Количество аккумуляторов: (Электропитание - от аккумуляторов или одноразовых батарей типа АА емкостью не менее 2500 тАк) 4 шт.