автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Автоматизированная система прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца на основе нечетких сетевых моделей

На правах рукописи

Грахов Алексей Алексеевич

АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ,

РАННЕЙ И ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА НА ОСНОВЕ НЕЧЕТКИХ СЕТЕВЫХ МОДЕЛЕЙ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

Автореферат диссертации на соискание ученой степени кандидата технических наук

КУРСК 2008

003460283

Работа выполнена в ГОУ ВПО «Курский государственный технический университет».

Научный руководитель: доктор технических наук, доцент

Дегтярев Сергей Викторович

Официальные оппоненты: доктор технических наук, доцент

Воробьев Сергей Александрович,

кандидат технических наук, Ефремов Михаил Александрович

Ведущая организация: Московский государственный институт электронной техники (технический университет), г. Москва

Защита диссертации состоится 30 декабря 2008 года в 14-00 часов в конференц-зале на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.03 при ГОУ ВПО «Курский государственный технический университет» по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО-«Курский государственный технический университет».

Автореферат разослан 26 ноября 2008 г.

Ученый секретарь совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В нашей стране от сердечно-сосудистых заболеваний (ССЗ) ежегодно умирает более 1 млн. человек. Особенно высока заболеваемость ишемической болезнью сердца (ИБС). Успешность лечения ИБС определяется возможностью ее дифференциальной диагностики, то есть отнесения к одному из принятых в клинической практике уровней тяжести. В то же время клиническая медицина недостаточно оснащена методологическим аппаратом и системами для профилактики, ранней диагностики и прогнозирования этой болезни. Поэтому большое значение приобретают функциональные методы исследования сердечно-сосудистой системы (ССС), наиболее распространенными, доступными и информативными из которых являются методы электрокардиографии.

Однако, по мнению многих специалистов, электрокардиосигнал (ЭКС) не обладает высокой специфичностью для широкого круга серьезных сердечных патологий, в частности для ИБС (А. Дабровский, Т.М. Домниц-кая). Для повышения специфичности электрокардиографических исследований используют нагрузочные пробы и холтеровское мониторирование. В то же время, пробы с физической нагрузкой не обладают должной чувствительностью при диагностике ИБС, а холтеровское мониторирование не обладает необходимой специфичностью при диагностике этого сердечнососудистого заболевания (Д.М. Аронов, Г.В. Рябыкина). Проведенные исследования показали, что высокую чувствительность, специфичность и диагностическую эффективность при диагностике ИБС можно получить посредством использования комплексных методов анализа ЭКС (О.Л. Бокерия, Е.З. Голухова), которые обеспечиваются компьютерными системами обработки данных, использующими различные методы обработки электрокардиосигна-ла в частотной области (преобразование Фурье) и структурный анализ во временной области. В настоящее время эти методы исчерпали свои возможности (А.П. Немирко). Поэтому, необходимы новые компьютерные технологии обработки данных, основанные на комплексном использовании этих методов, например, частотно-временной вейвлет-анализ. Однако методы частотно-временного картирования предполагают анализ сигнала на длинных апертурах, что вызывает трудности их интегрирования в системы поддержки принятия решений, так как большая часть баз данных заполнена информацией по анализу электрокардиосигнала на коротких апертурах (в пределах 1... 10 кардиоциклов).

Устранить ряд недостатков известных систем можно используя нечеткую логику принятия решений, в рамках которой агрегируются решающие правила, полученные в частотной и частотно-временной областях, что позволяет повысить качество диагностики выбранного класса заболеваний.

Таким образом, разработка автоматизированных средств прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца, основанных на использовании комплексных методов анализа элек-

трокардиосигнала и обеспечивающих поддержку принятия решений в условиях нечетко выраженных границ классов, является актуальной задачей.

Работа выполнена в рамках Федеральной целевой программы «Предупреждение и борьба с социально значимыми заболеваниями (2007-2011 годы)», подпрограмма «Артериальная гипертония» и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Повышение чувствительности и специфичности прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца посредством автоматизированного частотного и частотно-временного анализа электрокардиосигналов и нечеткой логики принятия решений.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать метод синтеза пространства информативных признаков, предназначенного для прогнозирования, ранней и дифференциальной диагностики ИБС на основе частотного и частотно - временного анализа ЭКС;

- получить структурные решения нечетких нейронных сетей для систем поддержки принятия решений по прогнозированию ранней и дифференциальной диагностики ИБС;

- разработать структуру, алгоритмические и программные средства для автоматизированной системы диагностики ИБС;

- провести апробацию предложенных методов и средств на репрезентативных контрольных выборках.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, спектрального анализа, вейвлет-анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

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

- способ определения компонентов признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардиосиг-нала на длинной апертуре, определении координат линии тренда модулей отсчетов полученного преобразования в полосе 0,8... 1,8 Гц и последующим вычислении дискретного преобразования Фурье линии тренда, позволяющий сформировать признаковое подпространство для автоматизированной системы формирования диагностических решений;

- способ синтеза признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардиосигнала на короткой апертуре, выборе значимых масштабов вейвлет-плоскости посредством метода адаптивного квантования мод и последующим дискриминантном ана-

лизе, на основании которого каждому значимому масштабу вейвлет-плоскости ставятся в соотношение две классифицирующих функции, позволяющий осуществить автоматизированный анализ электрокардиосигнала в системе поддержки диагностических решений;

- структура нечеткой нейронной сети для прогнозирования, ранней и дифференциальной диагностики ИБС, отличающаяся представлением дис-кретизированного электрокардиосигнала в различных признаковых пространствах и многоуровневой схемой агрегаторов и дефуззификаторов, позволяющая агрегировать частные решения по четырем признаковым подпространствам;

- алгоритм работы дефуззификатора для нечеткой нейронной сети, позволяющий интегрировать решения четырех нечетких решающих модулей, отличающийся включением модуля дискриминантного анализа в итерационный процесс получения окончательного решения.

Практическая значимость и результаты внедрения. Разработанные метод, способы и алгоритмы составили основу построения автоматизированной системы по прогнозированию, ранней и дифференциальной диагностики ИБС, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций, формируемых для врачей-специалистов.

Программные средства ориентированы на практическое здравоохранение и реализуют алгоритмы диагностики, способствующие ускорению процессов реабилитации больных ИБС.

Результаты работ внедрены в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300.68 - «Биомедицинская инженерия» и используются в клинической практике Областной клинической больницы г. Курска и в научно-исследовательской работе кафедры сосудистой хирургии Курского государственного медицинского университета.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на IX и XI Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2006, 2008); XV Российской научно-технической конференции с международным участием «Материалы и упрочняющие технологии» (Курск, 2008); II Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине» (Пенза, 2008); 8-й Международной научном- технической конференции «Физика и радиотехника в медицине и экологии» (Владимир, 2008), на XVI Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2008), на Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2008» (Таганрог, 2008), Третьем Международном радиоэлектронном Форуме «Прикладная радиоэлектроника. Состояние и перспективы развития» (Харьков, 2008), на научно-

технических семинарах кафедры биомедицинской инженерии КурскГТУ (Курск, 2005,2006,2007,2008).

Основные положения, выносимые на защиту

1. Разработанная нечеткая нейросетевая структура позволяет интегрировать данные, полученные в результате анализа электрокардиосигнала в различных ортогональных пространствах, на различных апертурах и в различных отведениях.

2. Частотно-частотный и частотно-временной анализ электрокардиосигнала позволяет сформировать пространство информативных признаков, которое может быть использовано для прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца и при использовании нечетких нейросетевых технологий принятия решений обеспечить приемлемое качество диагностики.

3. Разработанные четыре нечетких решающих модуля для нечеткой нейронной сети позволяют осуществить параллельную и независимую диагностику ишемической болезни сердца по параметрам электрокардиосигнала каждый в своем признаковом подпространстве, качество которой может быть повышено посредством объединения этих нечеткий решающих модулей в нечеткую нейронную сеть.

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 13 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1-4], [9] и [10] автором предложены и исследованы нечеткие нейросетевые модели для диагностики сердечнососудистых заболеваний, в [6] автором предложена автоматизированная система синтеза нечетких нейросетевых структур; в [8] и [11] соискатель предложил способ синтеза признакового подпространства по двумерной частотной плоскости электрокардиосигнала, в [12] соискатель провел разведочный анализ изображений вейвлет - преобразований электрокардиосигналов больных ИБС, в [13] соискателем предложена иерархическая нейросетевая структура для прогнозирования ИБС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 85 отечественных и 36 зарубежных наименования. Работа изложена на 137 страницах машинописного текста, содержит 53 рисунка и 24 таблицы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы, определяются цели и задачи исследования, научная новизна и практическая значимость работы. Кратко излагается содержание глав диссертации.

В первой главе исследуются клинические проявления ИБС, анализируются способы ее классификации, раскрываются причины и факторы риска развития ИБС. Приоритетное место уделено системам компьютерной диаг-

ностики сердечно-сосудистых заболеваний на основе анализа электрокар-диосигнала, в том числе и ИБС.

В большинстве интерпретирующих систем используется структурный анализ электрокардиосигнала. В качестве электрофизиологического показателя ИБС используются изменения в сегменте БТ электрокардиограммы. Однако эти изменения являются, с одной стороны, трудноуловимыми, а с другой - не специфичными. Поэтому многие исследователи переходят от структурного анализа ЭКС к частотному.

Анализ существующих методов частотного анализа ЭКС показал, что оконное преобразование Фурье (ОПФ) имеет очевидные недостатки, связанные с анализом сигнала только в частотной области, а для преодоления этих недостатков целесообразен комплексный анализ, который включает статистические, частотные, частотно-временные и структурные методы анализа, с последующей агрегацией решений по каждому из компонентов анализа с использованием нейросетевых компьютерных технологий.

В заключение первой главы формируются цель и задачи исследования.

Вторая глава посвящена вопросам выбора и вычисления показателей, выделяемых из электрокардиосигнала, используемых при прогнозировании и диагностике ИБС. В результате теоретического и экспериментального анализа ЭКС был разработан метод синтеза признакового пространства, включающий четыре способа синтеза признаковых подпространств, предусматривающий последовательное применение к ЭКС частотного, структурного и частотно-временного анализа.

Способ синтеза первого подпространства основан на ОПФ. Кардио-циклы электрокардиосигналов представляются в виде матрицы размерностью МхИ, из которой посредством компьютерных технологий формируется растровое изображение. После этого определяются ОПФ каждой строки растра. В этом случае статистически стабильные частоты, присугствующие в кардиоциклах, образуют сегменты (вертикальные столбцы) на полученной двумерной спектрограмме. На рис.1 приведены варианты растрового изображения спектрограмм электрокардиосигнала здорового человека и человека, страдающих ИБС.

Проведенный разведочный анализ растровых изображений спектрограмм здоровых и больных ИБС людей показывает, что как для здоровых, так и для больных людей основная энергия электрокардиоцикла лежит в диапазоне частот 0...29 Гц, а статистически стабильными для здоровых людей можно считать четыре сегмента: 1- 0..3,175 Гц; 2 - 3,175...6,349 Гц; 3 -8,73.. .9,524 Гц; 4 - 11,9.. .15 Гц, а для больных ИБС: 1 - 1,176.. .2,353 Гц; 2 -3,529...7,059 Гц; 3 - 7,059...10,588 Гц; 4 - 10,588...14,118 Гц. Эти частоты формируют кластеры, которые на рис. 1 имеют вид столбцов.

Определяя ОПФ выделенных столбцов спектральной плоскости рис.1,

получаем двумерные спектральные коэффициенты ¥(со\,со2), которые тоже образуют кластеры, вытянутые в горизонтальном направлении.

Рис. 1. Спектры Фурье ЭКС здорового человека (вверху) и больного ишеми-ческой болезнью сердца (внизу)

Статистические исследования дислокации кластеров двумерных спектральных коэффициентов здоровых и больных ИБС позволили выделить три информативных прямоугольных сегмента и вычислить оценки математических ожиданий их границ, а также их средние квадратические отклонения, на основе чего были определены три первых признака первого подпространства:

44 2,2

I I

»1=19 113

I

<2)1=19 »2=1,38

¥(&1,а>2)

,Х2 =

75 2,2 I I »1=63 »2=1,38 • 7{со\,ю2)

113 2,2 I I »1=19»2=1,38 • ?(со\,со2)

,ХЗ =

113 2,2

I I

»1=94ю2=1,38

¥(со\,й)2)

ИЗ 2,2

I I

»1=19»2=1,38

¥(со\,о)2)

где со1=2тсА, со2=27^ - горизонтальные и вертикальные координаты сегментов двумерной частотной плоскости.

Следующие два информативных признака определяют максимальную энергию в строке двумерной частотной плоскости и минимальную корреляцию строк двумерной частотной плоскости и определяются следующим образом:

ЛГ-1 .¥-1

Х4 = тах

1=1,м

Х5 = тт

;=о

где R¡(j) - ij-й отсчет дискретно-непрерывной корреляционной функции двумерной частотной плоскости.

Следующее признаковое подпространство формируется по авторегрессионной (АР) модели ОПФ ЭКС, по которой, так же, как и в предыдущем случае, формируется двумерная частотная плоскость.

На двумерной частотной плоскости в области дыхательного цикла выделяется информативный прямоугольник шириной 0,1 Гц. Вертикальная координата ш2 информативного прямоугольника определяется из соотношения

¥(24K,uj2)

шах

F(24;r, со2)

(3)

в свою очередь, вычисление первого информативного признака в этом подпространстве осуществляется согласно выражению:

42л- а 2+0,5гг .

VI = £ £ ¥(о\,Ф2). (4)

а1*8>га2-а-2-0,5/г

Для определения следующей группы информативных признаков в этом признаковом подпространстве осуществляется преобразование вида

G,

'I

j-ш О

тл

(5)

В результате такого преобразования получается модель информативной частотной области в виде двух равнобедренных треугольников, основания которых лежат в зоне дыхательного цикла, а вершины - в точках с координатами [I], С(1)тах] и [12, О(0тах]. При этом боковые стороны пересекают точки с координатами [13; О,5С0)тах], [14; 0,5С(0тах] у первого треугольника и [15; 0,5С(0тах], [16; 0,50(1)тах] у второго. В соответствии с этой моделью координаты вершин треугольников будут:

I, =arg

max

ш

и I2 = arg

max

int(^)<¡SA/

Ш

(6)

Второй информативный признак определяет координаты сегмента дыхательного цикла на двумерной частотной плоскости в соответствии с выражением

У2 = (12 -1,)/2. (7)

Для определения третьего информативного признака определим координаты середин боковых сторон треугольников 13, 14, 15 и 16. Для этого из множества О выделим подмножество в такое, что

G = ¡G(i) е G|G(i) > 0,5G(I,)}, i = 0, int(^—).

(8)

Ь = агЕ

тт

м~\

14 = агБ

тт

„„ . . ,м

Йо}

(10)

Третий признак подпространства определяет ширину сегмента на уровне 0,50тах из соотношения

УЗ=14-13. (9)

Следующее признаковое подпространство определяет частотно-временные свойства электрокардиосигнала, которые описываются его вейв-лет-преобразованием. При диагностике сердечно-сосудистых заболеваний используют анализ электрокардиосигнала как на коротких, так и на длинных апертурах, поэтому при вейлет-анализе так же используем две апертуры.

Так как структуры вейвлет-изображений электрокардиосигналов на различных апертурах и при различных частотах дискретизации исследованы недостаточно полно, то для исследования структуры вейвлет-изображения с целью последующего разведочного анализа используем метод адаптивного квантования мод, который основан на предположении, что различные участки изображения могут группироваться по признакам, отражающим определенные свойства изображаемых объектов. Для вейвлет-плоскости электрокардиосигнала к таким свойствам объекта относится структура изображения в области волн первого и второго порядка.

На рис.2 представлена вейвлет-плоскость электрокардиосигнала больного ИБС длительностью 3 минуты. Изображение содержит 300 строк (вейв-летов), масштаб вейвлетов изменялся с шагом Дт=0,25г|, где г| =5 - величина, задаваемая в интерактивном режиме. Нижняя частота 0,5 Гц, верхняя частота 40 Гц. Контрастные горизонтальные полосы соответствуют гармоникам кардиоцикла (волнам первого порядка). Волнам второго порядка (дыхательный цикл) соответствуют вертикальные полосы в нижней части вейвлет-плоскости.

время

Рис.2. Вейвлет - плоскость электрокардиосигнала длительностью 3 минуты

Для построения признакового пространства по этой картине необходимо выявить изменения в выделенных сегментах, происходящие при патологических процессах в миокарде, для чего каждый сегмент вейвлет - плоскости описывается вектором, состоящим из двух-трех компонент.

В примере, приведенном на рис.2, две информативные зоны (волны первого и второго порядка) выделяются при одних и тех же параметрах синтеза вейвлет - изображения.

Частота, соответствующая ¡-й строке вейвлет - плоскости, определяется из соотношения

1 + 0,25-77-г

где /п- частота, определяемая частотой дискретизации электрокардиосигнала, шагом изменения масштаба вейвлетов и числом строк вейвлет - плоскости.

Средние значения вейвлет-коэффициентов в сечении 0,8 Гц... 1,8 Гц определяются исходя из выражения (10)

Л-0.8

1 °Аи

Wj = /о-0>8 /0-1,8 (П)

0,2-7] 0,45-77 0.45.7 В качестве информативного признака используем тренд этого среднего значения, то есть показатель интенсивности изменения волн первого порядка на апертуре наблюдения электрокардиосигнала.

Для определения тренда необходимо вычислить его вертикальные координаты, при этом горизонтальные координаты являются аргументом вейвлет - коэффициента наиболее близкого по величине к среднему в сечении, то есть необходимо определить ряд go,gi, ... gj, ..., элементы которого являются функцией j (времени) и удовлетворяют соотношению

= mm

0.45/; 0.2-1?

Статистические исследования спектров получаемых временных рядов показали, что статистически значимая информация в них не выходит за пределы седьмой гармоники включительно. Поэтому признаковое пространство Ъ\ описывается восьмикомпонентным вектором, элементы которого являются компонентами дискретного преобразования Фурье отсчетов тренда. Постоянная составляющая разложения несет информацию о частоте сердечных сокращений и используется как информативный признак.

При вейвлет-анализе электрокардиосигнала на апертуре, соизмеримой с длительностью кардиоцикла, для построения подпространства информативных признаков использовались два изображения вейвлет - плоскости: первое настроено на анализ окрестности Я-зубца, а второе - на анализ в окрестности Т-зубца.

На рис.3 представлены две такие вейвлет-плоскости.

а) б)

Рис.3. Вейвлет-плоскость кардиоцикла, настроенная на высокое разрешение в области Т-зубца (а) и на высокое разрешение в области Я-зубца (б)

Вейвлет-плоскость содержит 200 строк (вейвлетов), масштаб вейвле-тов изменялся с шагом 4 (шаг изменения масштаба задается в интерактивном режиме). Для построения признакового подпространства по этой картине необходимо выбрать участки вейвлет - плоскости, наиболее чувствительные к патологическим изменениям в миокарде. Выбор таких участков осуществлялся в процессе визуального анализа пар изображений, представленных на рис. 3 с последующим поиском наиболее информативных строк вейвлет-плоскости (три-четыре) посредством стандартной классификационной модели (дискриминантный анализ в пакете БЬйзйса 6), в результате чего определялись функции классификации.

Каждая функция позволяет для каждого пациента, каждой патологии и масштаба т вычислить показатель классификации по формуле:

^2кт = скт + укт1-шт1 + укт2-\¥т2 + ... + уктп-\утп. (13)

В этой формуле индекс к обозначает соответствующую патологию (класс), а индексы 1, 2, .,],.., п соответствуют номерам переменных, используемых в анализе (в данном случае число переменных равно числу коэффициентов в строке вейвлет-плоскости); ск являются константами для к-ой совокупности, Укт] - веса для /-го отсчета вейвлета масштаба т\ м/щ - модули отсчетов вейвлет - коэффициентов масштаба т. Величина 22к является результатом показателя классификации.

Анализ изображений типа рис.3 и статистический анализ строк соответствующих вейвлет - плоскостей позволил выбрать для анализа три информативных масштаба, соответствующих частотам 20 Гц, 11 Гц и 8 Гц. Получив соответствующие обучающие выборки для здоровых людей и больных ИБС на различных стадиях и различных форм, в пакете 81а1а5Йса 6 были определены коэффициенты классифицирующих функций. При трех используемых векторах входных данных получаем шесть классифицирующих

функций для двух классов, значения которых используется как вектор информативных признаков четвертого признакового подпространства.

Глава 3 посвящена вопросам проектирования автоматизированной системы диагностики ИБС.

В результате проведенных исследований разработана автоматизированная система для прогнозирования, ранней и дифференциальной диагностики ИБС, включающая три подсистемы: 1) - управления базой данных; 2) -тестирования; 3) - нечеткий решающий модуль.

Основной функциональной частью решающего модуля является нечеткая нейронная сеть. В результате проведенных исследований нечетких нейросе-тевых структур и способов анализа электрокардиосгнала получена структура иерархической нечеткой сети для прогнозирования, ранней и дифференциальной диагностики ИБС, на входе которой дискретизированные электро-кардиосигналы представлены в различных признаковых подпространствах, анализирующая каждое признаковое подпространство своим нечетким решающим модулем, настроенным по обучающим выборкам данного подпространства. После этого формируется нечеткий решающий модуль следующей иерархии, входные данные которого являются результатом работы решающих модулей предыдущей иерархической структуры. При этом имеется возможность как автономной настройки каждой иерархической структуры, так и настройки всей сети в целом.

Цель такого построения состоит в том, чтобы, используя континуумы признаковых подпространств, соответствующих различным представлениям сигнала, построить множество решающих модулей (решающих правил), обладающих различной чувствительностью и специфичностью к определенной патологии, и таким образом иметь возможность оптимизировать показатели качества классификации дифференцируемых патологий. На рис.4 представлена структура нечеткой нейронной сети, позволяющая реализовать эту возможность.

Согласно представленной на рис.4 структуре, для ЭКС формируется четыре модели, и для каждой из них формируется подпространство информативных признаков. Для каждого из признаков в соответствующем подпространстве информативных признаков определяются функции принадлежности и подбирается соответствующий агрегатор (база правил) верхнего иерархического уровня, агрегирующего функции принадлежности по классам в конкретном признаковом подпространстве в коэффициенты уверенности по классам, соответствующие определенному признаковому подпространству. После этого эти коэффициенты поступают на агрегаторы нижнего иерархического уровня, которые агрегируют коэффициенты уверенности по классам, полученные в различных признаковых подпространствах. Таким образом, на входы агрегаторов нижнего уровня - агрегаторов классов поступают частные коэффициенты уверенности по соответствующему классу, которые были получены в соответствующем признаковом подпространстве.

Для проектирования таких структурных и архитектурных решений на кафедре биомедицинской инженерии КурскГТУ разработана интерактивная среда проектирования нечетких решающих модулей нечеткой классификации, позволяющая моделировать пространства информативных признаков с заданными статистическими характеристиками (с заданной геометрией распределения признаков), проводить разведочный анализ в выбранном признаковом пространстве, автоматически синтезировать функции принадлежности с возможностью их коррекции в интерактивном режиме, синтезировать агре-гатор (агрегаторы) посредством алгоритмических решений, выполненных на базе генетических алгоритмов, моделировать и настраивать нечеткие нейронные сети, на основе которых реализуются функциональные узлы решающих модулей иерархических уровней.

Рис. 4. Структурная схема иерархической нечеткой нейронной сети

Для того, чтобы использовать разработанную интерактивную среду для получения и редактирования функций принадлежности, при синтезе функций принадлежности на выходе каждого нечеткого решающего модуля использовался свой дефуззификатор, что позволяло настраивать каждый модуль автономно. После подбора функций принадлежности в фуззификаторах нечетких решающих модулей, их выходы подключались к дефуззификатору нечеткой нейронной сети.

Работа дефуззификатора нечеткой нейронной сети основана на определении функциональной зависимости между частными коэффициентами уверенности в диагностируемых классах и общими коэффициентами уверенности, и последующей пороговой обработки этой функциональной зависимости. Для осуществления работы дефуззификатора нечеткой нейронной сети предложен алгоритм, работа которого основана на пошаговом дискри-минантном анализе входного вектора частных коэффициентов уверенности. Алгоритм позволяет агрегировать решения четырех нечетких решающих модулей посредством реализацией итерационного процесса включения/исключения этих модулей в процесс принятия окончательного решения.

В четвертой главе приводятся методика и результаты экспериментальных исследований, на основе которых определяется эффективность предложенных способов и алгоритмов прогнозирования, ранней и дифференциальной диагностики ИБС.

Для проверки качества классификации при диагностике ИБС после консультаций с врачами и изучений историй болезни было отобрано две группы людей: первая группа без явных признаков ИБС - 156 человек, вторая - с явными признаками ИБС -144 человека.

Электрокардиосигнал снимался посредством кардиомонитора RZ 153 при частоте дискретизации 250 Гц в трех отведениях MV1, MV5, MaVF.

В табл. 1 приведены результаты исследования с помощью показателей, взятых по MV5 отведению.

Таблица 1

Результаты классификации с использованием четырех нечетких ре-

шающих модулей по MV5 отведению

Обследуемые Результаты исследований Всего

положительные отрицательные число %

число % число %

Больные ИБС 119 82,6 25 17,3 144 100

Здоровые 35 22,4 121 77,6 156 100

Всего 154 51,3 146 48,6 300 100

ДЧ = 0,826. ДС = 0,776. ДЭ = 0,80.

Для объединения результатов отведений использовался дискрими-нантный анализ и пошаговый дискриминантный анализ с 12 виртуальными нечеткими решающими модулями на входе дефуззификатора.

Результаты исследования по трем отведениям MV1, MV5, MaVF приведены в табл. 2.

В результате анализа сигналов трех отведений количество верно попавших в свои группы людей увеличилось в среднем на 15%.

На следующем этапе исследований в группу больных были взяты больные на начальной стадии ишемической болезнью сердца. У этих больных не было явно выраженных признаков ИБС. Эксперименты с разным числом анализируемых отведений ЭКГ и разным числом используемых признаков, показали меньшее качество распознавания больных с ИБС, чем в первом случае. Результаты исследования с обработкой ЭКС 200 пациентов из них 120 здоровых и 80 больных ИБС на ранней стадии показали только 75-процентную диагностическую эффективность.

Таблица 2

Результаты классификации с использованием четырех нечетких ре-

шающих модулей по трем отведениям MV1, MV5, MaVF.

Обследуемые Результаты исследований Всего

положительные отрицательные число %

число % число %

Больные ИБС 137 95,1 7 4,9 144 100

Здоровые 8 5,2 148 94,8 156 100

Всего 154 51,3 153 50,1 300 100

ДЧ = 0,951. ДС = 0,948. ДЭ = 0,95.

Для повышения чувствительности и специфичности использовалась нагрузочную пробу на велоэргометре. В качестве нагрузочной пробы использовалась субмаксимальная ЭКГ-проба (до определенной ЧСС). При этом достигаемая ЧСС задавалась в относительных единицах и составляла 150% по отношению к исходной ЭКГ.

Средняя ошибка классификации для разных экспериментов варьировалась от 25 % (одно отведение МУ5) до 15 % (все 3 отведения МУ1, МУ5, Ма\Ф и четыре модуля нечеткого вывода). В результате - правильно выявлено тестом 66 человек или 82,5 %. При этом специфичность равна ДС=0.80.

Диагностическая чувствительность и диагностическая специфичность могут быть увеличены путем агрегации решающих правил по ЭКС до нагрузочной пробы и после нагрузочной пробы согласно предложенным алгоритмическим решениям. Эксперименты, проведенные на данной выборке, показали, что варьируя различными моделями нечеткой нейронной сети можно достичь значения диагностической эффективности свыше 80%.

В рамках единой нозологической формы ИБС одной из самых ответственных задач является проведение дифференциальной диагностики между стенокардией и инфарктом миокарда.

Результаты исследования качества дифференциальной диагностики приведены в табл. 3.

Таблица 3

Результаты дифференциальной диагностики с использованием четырех нечетких решающих модулей по трем отведениям МУ1, МУ5, МаУТ.

Обследуемые Результаты исследований Всего

положительные | отрицательные

пы= НО 104 36 140

пШ2 = 200 42 158 200

Всего 146 194 340

ДЧ= 104/140 = 0.74; ДС= 158/200= 0.79; ПЗ+ = 104/146 = 0.71;

П3"= 158/194 = 0.81; ДЭ = (104+158)/340 = 0.77.

Обучающие выборки формировались экспертной группой по данным историй болезней. В данном случае было важно дифференцировать инфаркт миокарда (класс ю1) на фоне стенокардии (класс ш2), поэтому диагностическая чувствительность определялась по классу ш1. В этом отношении эксперимент показал, что дифференцирования желательно вести с использованием четырех нечетких решающих модулей.

В связи с большой распространенностью ИБС, первостепенное значение в борьбе с ней имеют профилактические мероприятия, основанные на индивидуальном прогнозировании возможного ее развития. Для формирования обучающей и контрольной выборок людей с благоприятным прогнозом ИБС (класс соЗ) и с отсутствием индивидуального риска ИБС (класс шО) подбор экспертов и их численность устанавливались методом «снежного кома». В результате была сформирована экспертная группа в составе семи человек, в которую вошли ведущие специалисты Областной больницы №1 г. Курска, МУЗ ГБ № 6, МУЗ ГБ СМП, санатория - профилактория Южнороссийского государственного технического университета (НИИ).

Степень индивидуального риска определялась с учетом пола, возраста, статуса курения, вариабельности сердечного ритма, систолического артериального давления, изменения электрокардиограммы, наследственного фактора, факторов питания, которые изучались анкетным и опросным методами, а также, уровня физической активности. Кроме того, определялась избыточная масса тела.

Результаты проверки качества классификации представлены в табл. 4.

Таблица 4

Результаты проверки качества классификации_

\ Уверен-\ ность Класс \ Эксперты На контрольной выборке

По электрокардио-сигналу По комплексным показателям По спектральным характеристикам электрокардио-сигнала По 10 факторам риска

со0 \ 0,75 0,82 0,69 0,79

СОз 0,70 0,79 0,68 0,69

Из табл.4 видно, что результаты экспертного оценивания достаточно близки к результатам проверки на контрольной выборке.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований нечетких нейросетевых структур и способов анализа электрокардиосгнала предложены новые технические решения, предназначенные для автоматизированных систем прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца, и показана возможность их применения в клинической практике.

В результате выполнения работы получены следующие основные результаты.

1. Разработан метод синтеза пространства информативных признаков, выделяемых из частотно-частотного и частотно-временного представления электрокардиосигнала, включающий:

- способ синтеза признакового подпространства, заключающийся в получении матрицы, строки которой являются оконным преобразованием Фурье кортежа смежных кардиоциклов электрокардиосигнала, определении оконного преобразования Фурье тех столбцов этой матрицы, координаты которых соответствуют выделенным посредством разведочного анализа значимым частотам оконным преобразованием Фурье электрокардиосигнала, выделении статистически значимых информационных зон этой матрицы и определении компонентов признакового подпространства на основе анализа двумерной спектральной плотности и коэффициентов корреляции матрицы оконного преобразования Фурье в локализованных информативных зонах;

способ синтеза признакового подпространства, заключающийся в получении авторегрессионной модели оконного преобразования Фурье электрокардиосигнала и определении трехкомпонентного вектора информативных признаков, каждый компонент которого определяется по результатам структурного анализа развертки по строкам в зоне дыхательного цикла двумерной частотной плоскости;

- способ определения компонентов признакового подпространства, заключающийся в вычислении вейвлет-преобразования электрокардиосигнала на длинной апертуре, определении координат линии тренда модулей полученного преобразования в полосе 0,8... 1,8 Гц и последующем определении коэффициентов ряда Фурье линии тренда;

- способ синтеза признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардиосигнала на короткой апертуре, выбора посредством метода адаптивного квантования мод трех значимых масштабов вейвлет-плоскости и последующего дискриминантного анализа совокупности индивидуумов, принадлежащих к двум диагностируемым классам, в результате которого каждому значимому масштабу вейвлет-плоскости ставится в соответствие две классифицирующих функции, посредством вычисления которых получают компоненты признакового подпространства.

2. Получена структура иерархической нечеткой сети для диагностики ИБС, отличающаяся двухуровневой схемой агрегаторов и дефуззифи-каторов и алгоритмом агрегирования решений четырех нечетких решающих

модулей, осуществляющих независимый анализ сигнала с последующим включением или исключением результатов их анализа в процесс получения окончательного решения.

3. Разработана автоматизированная система для прогнозирования, ранней и дифференциальной диагностики ИБС, диагностическая эффективность принятия решений в которой достигает 95 процентов.

4. Разработанные метод, способы, алгоритмы и соответствующее программное обеспечение прошли экспериментальную проверку в клинической практике Областной клинической больницы г. Курска, на кафедре сосудистой хирургии Курского государственного медицинского университета и в учебном процессе кафедры Биомедицинской инженерии Курского государственного технического университета, которая показала целесообразность практического использования разработанных метода, способов, алгоритмов и программного обеспечения.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Грахов, A.A. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей [Текст]/ A.A. Грахов, JI.A. Жилинкова, Е.В. Шевелева//Вестник новых медицинских технологий. Тула, 2006. T.XIII, №2. С.43-46.

2. Грахов, A.A. Иерархические нечеткие нейронные сети в дифференциальной диагностике сердечно-сосудистых заболеваний [Текст]/ A.A. Грахов, C.B. Пихлап, С.А. Филист //Вестник Воронежского государственного технического университета. Воронеж, 2008. Т.4. №8. С. 129-131.

Статьи и материалы конференций

3. Грахов, A.A. Метод и средства поддержки принятия решений для распознавания ситуаций на основе нечетких сетевых моделей [Текст] / A.A. Грахов, C.B. Дегтярев, Д.А. Стребков //НТСб. ФГУП «Курский НИИ» МО РФ. Курск, 2007. С.115-119.

4. Грахов, A.A. Разработка метода оценки функционального состояния биологических объектов на основе нечетких сетевых моделей [Текст] / A.A. Грахов, C.B. Дегтярев, Д.А. Стребков //НТСб. ФГУП «Курский НИИ» МО РФ. Курск, 2007. С. 120-125.

5. Грахов, A.A. Вейвлет-анализ электрокардиосигнала при диагностике сердечно-сосудистых заболеваний [Текст] / A.A. Грахов //Оптимизация образовательного и лечебно-диагностического процесса: Сб. науч. тр./Курск: МУ». Издательский центр «ЮМЭКС», 2008. С.25-26.

6. Грахов, A.A. Интерактивная среда проектирования нечетких решающих правил [Текст] / A.A. Грахов, В.В. Жилин, С.А. Филист //Материалы и упрочняющие технологии - 2008. сб. материал. XV Российской научн.-техн. конф. с международным участием/ Курск, гос. техн. ун-т. Курск, 2008. С.286-290.

i

i

7. Грахов, A.A. Исследование вейвлет-плоскости электрокардиосиг-нала больного инфарктом миокарда при различных частотных и временных апертурах [Текст] / A.A. Грахов // Медико-экологические информационные технологии - 2008: сб. материалов XI Международной научно-технической конференции / Курск, гос. техн. ун-т. Курск, 2008. С.118-123.

8. Грахов, A.A. Способ анализа оконных преобразований Фурье электрокардиограмм больных ишемической болезнью [Текст] / A.A. Грахов, С.В. Пихлап, С.А. Филист // Информационные и управленческие технологии в медицине: сб. статей II Всероссийской научно-технической конференции / Пенза. Приволжский Дом знаний, 2008. С. 19-21.

9. Грахов, A.A. Имитационное моделирование систем нечеткого вывода для медицинских приложений [Текст] / A.A. Грахов, В.В. Жилин, С.А. Филист// Медико-экологические информационные технологии - 2008: сб. материалов XI Международной научно-технической конференции / Курск, гос. техн. ун-т. Курск, 2008. С.102-105.

10. Грахов, A.A. Модель модуля нечеткого вывода для ранней диагностики ишемической болезни сердца [Текст] / A.A. Грахов, В.В. Жилин, С.А. Филист// Физика и радиотехника в медицине и экологии: Доклады 8-й межд. научн. -техн. конф. Книга 1. / Владимир, 2008. С.208-211.

11. Грахов, A.A. Прогнозирование пароксизмальных нарушений ритма сердца у больных ишемической болезнью на основе анализа оконных преобразований Фурье электрокардиограмм [Текст] / A.A. Грахов, С.А. Филист// Лазерно-информационные технологии в медицине, биологии и геологии - 2008. Труды XVI Международной конференции п. Абрау-Дюрсо/ Новороссийск, 2008. С.45-46.

12. Грахов, A.A. Использование метода адаптивного квантования мод при исследовании вейвлет-изображений электрокардиосигналов больных ишемической болезнью сердца [Текст] / A.A. Грахов, A.A. Кузьмин, С.В. Пихлап, С.А. Филист// Известия ЮФУ. Технические науки. Тематический выпуск. «Медицинские информационные системы» / Таганрог, 2008. №5(82). С.76-79.

13. Грахов, A.A. Прогнозирование внезапной сердечной смерти у больных ишемической болезнью на основе частотно-временного анализа электрокардиосигнала в иерархической нечеткой сети [Текст] / A.A. Грахов, С.А. Филист/ «Прикладная радиоэлектроника. Состояние и перспективы развития» (МРФ-2008): сб. трудов Третьего Международного радиоэлектронного Форума/Харьков, 2008. С.30-35.

ИД №06430 от 10.12.01г. Подписано в печать 2НА\ 2008. Формат 60x84 1/16 Печатных листов 1,0. Тираж 100 экз. Заказ /3&0

Курский государственный технический университет. Издательско-полиграфический центр Курского государственного технического университета. 305040, г. Курск, ул. 50 лет Октября, 94

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ ДЛЯ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ

БОЛЕЗНИ СЕРДЦА.

1Л. Классификация ишемической болезни сердца и ее клинические проявления .;.'.

1.2. Причины и факторы риска развития ишемической болезни сердца.

1.3. Современные методы диагностики ишемической болезни сердца: лабораторные и инструментальные исследования.

1.4. Традиционные подходы к диагностике ишемической болезни сердца по ЭКГ.

1.4.1. Структурный анализ — анализ смещения ST-сегмента.

1.4.2. Построение диагностической процедуры ИБС с начальными клиническими проявлениями на основе метода спектрально-временного картирования ЭКГ высокого разрешения.

1.5. Нечеткие сетевые модели для принятия решений.

1.6. Цель и задачи исследования.

ГЛАВА 2. СИНТЕЗ ПРИЗНАКОВОГО ПРОСТРАНСТВА ДЛЯ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА.

2.1. Синтез подпространства информативных признаков на основе преобразования Фурье электрокардиосигнала.

2.2. Исследование информативных признаков, полученных на основе АР-моделей ОПФ электрокардиосигнала.

2.3. Использование метода адаптивного квантования мод при исследовании вейвлет-изображений электрокардиосигналов больных ИБС.

2.4. Синтез подподпространств информативных признаков на основе вейвлет-анализа электрокардиосигнала.

2.4.1. Синтез признакового подпространства на длинных апертурах.

2.4.2. Синтез признакового подпространства на коротких апертурах.

Ml | I

2.5. Выводы второй главы.

ГЛАВА 3. ИЕРАРХИЧЕСКИЕ НЕЧЕТКИЕ НЕЙРОННЫЕ СЕТИ В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ

СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ.

3.1. Разработка и исследование автоматизированной системы для поддержки принятия решений при диагностике ИБС

3.2. Разработка и анализ моделей нечетких нейросетевых структур в выбранном континууме признаковых подпространств.

3.3. Модель нечеткой нейронной сети в синтезированном признаковом пространстве.

3.3.1. Решающие модули для первого и второго признакового подпространства.

3.3.2. Разработка и исследование решающего модуля для третьего подпространства информативных признаков.

3.3.3. Разработка и исследование решающего модуля для четвертого подпространства информативных признаков.

3.3.4. Модель дефуззификатора нечеткой нейронной сети.

3.3. Интерактивная среда проектирования нечетких решающих модулей.

3.5. Выводы третьей главы.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ НЕЧЕТКИХ

ИЕРАРХИЧЕСКИХ НЕЙРОСЕТЕВЫХ СТРУКТУР ПРОГНОЗИРОВАНИЯ, РАННЕЙ И ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА.

4.1. Объект, методы и средства исследования.

4.2. Исследование эффективности автоматизированной системы при выявлении больных ИБС.

4.3. Результаты экспериментальной проверки правил прогнозирования ИБС.

4.4. Результаты экспериментальных исследований правил принятия решений по дифференциальной диагностике ИБС.

4.5. Результаты экспериментальных исследований правил принятия решений по ранней диагностике ИБС.

4.6. Выводы четвертой главы.

Актуальность работы. В нашей стране от сердечно-сосудистых заболеваний (ССЗ) ежегодно умирает более 1 млн. человек. Особенно высока заболеваемость ишемической болезнью сердца (ИБС). Успешность лечения ИБС определяется возможностью ее дифференциальной диагностики, то есть отнесения к одному из принятых в клинической практике уровней тяжести. В то же время клиническая медицина недостаточно оснащена методологическим аппаратом и системами для профилактики, ранней диагностики и прогнозирования этой болезни. Поэтому большое значение приобретают функциональные методы исследования сердечно-сосудистой системы (ССС), наиболее распространенными, доступными и информативными из которых являются методы электрокардиографии.

Однако, по мнению многих специалистов, электрокардиосигнал (ЭКС) не обладает высокой специфичностью для широкого круга серьезных сердечных патологий, в частности для ИБС (А. Дабровский, Т.М. Домницкая). Для повышения специфичности электрокардиографических исследований используют нагрузочные пробы и холтеровское монитори-рование. В то же время, пробы с физической нагрузкой не обладают должной чувствительностью при диагностике ИБС, а холтеровское монитори-рование не обладает необходимой специфичностью при диагностике этого сердечно-сосудистого заболевания (Д.М. Аронов, Г.В. Рябыкина). Проведенные исследования показали, что высокую чувствительность, специфичность и диагностическую эффективность при диагностике ИБС можно получить посредством использования комплексных методов анализа ЭКС (O.JI. Бокерия, Е.З. Голухова), которые обеспечиваются компьютерными системами обработки данных, использующими различные методы обработки электрокардиосигнала в частотной области (преобразование Фурье) и структурный анализ во временной области. В настоящее время эти методы исчерпали свои возможности (А.П. Немирко). Поэтому, необходимы новые компьютерные технологии обработки данных, основанные на комплексном использовании этих методов, например, частотно-временной вейвлет-анализ. Однако методы частотно-временного картирования предполагают анализ сигнала на длинных апертурах, что вызывает трудности их интегрирования в системы поддержки принятия решений, так как большая часть баз данных заполнена информацией по анализу электрокар-диосигнала на коротких апертурах (в пределах 1 .10 кардиоциклов).

Устранить ряд недостатков известных систем можно используя нечеткую логику принятия решений, в рамках которой агрегируются решающие правила, полученные в частотной и частотно-временной областях, что позволяет повысить качество диагностики выбранного класса заболеваний.

Таким образом, разработка автоматизированных средств прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца, основанных на использовании комплексных методов анализа элек-трокардиосигнала и обеспечивающих поддержку принятия решений в условиях нечетко выраженных границ классов, является актуальной задачей.

Работа выполнена в рамках Федеральной целевой программы «Предупреждение и борьба с социально значимыми заболеваниями (2007-2011 годы)», подпрограмма «Артериальная гипертония» и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Повышение чувствительности и специфичности прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца посредством автоматизированного частотного и частотно-временного анализа электрокардиосигналов и нечеткой логики принятия решений.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать метод синтеза пространства информативных признаков, предназначенного для прогнозирования, ранней и дифференциальной диагностики ИБС на основе частотного и частотно - временного анализа ЭКС;

- получить структурные решения нечетких нейронных сетей для систем поддержки принятия решений по прогнозированию ранней и дифференциальной диагностики ИБС;

- разработать структуру, алгоритмические и программные средства для автоматизированной системы диагностики ИБС;

- провести апробацию предложенных методов и средств на репрезентативных контрольных выборках.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, спектрального анализа, вейвлет-анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: способ определения компонентов признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардио-сигнала на длинной апертуре, определении координат линии тренда модулей отсчетов полученного преобразования в полосе 0,8. 1,8 Гц и последующим вычислении дискретного преобразования Фурье линии тренда, позволяющий сформировать признаковое подпространство для автоматизированной системы формирования диагностических решений; способ синтеза признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардиосигнала на короткой апертуре, выборе значимых масштабов вейвлет-плоскости посредством метода адаптивного квантования мод и последующим дискриминантном анализе, на основании которого каждому значимому масштабу вейвлетплоскости ставятся в соотношение две классифицирующих функции, позволяющий осуществить автоматизированный анализ электрокардиосигна-ла в системе поддержки диагностических решений; структура нечеткой нейронной сети для прогнозирования, ранней и дифференциальной диагностики ИБС, отличающаяся представлением дискретизированного электрокардиосигнала в различных признаковых пространствах и многоуровневой схемой агрегаторов и дефуззификаторов, позволяющая агрегировать частные решения по четырем признаковым подпространствам; алгоритм работы дефуззификатора для нечеткой нейронной сети, позволяющий интегрировать решения четырех нечетких решающих модулей, отличающийся включением модуля дискриминантного анализа в итерационный процесс получения окончательного решения.

Практическая значимость и результаты внедрения. Разработанные метод, способы и алгоритмы составили основу построения автоматизированной системы по прогнозированию, ранней и дифференциальной диагностики ИБС, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций, формируемых для врачей-специалистов.

Программные средства ориентированы на практическое здравоохранение и реализуют алгоритмы диагностики, способствующие ускорению процессов реабилитации больных ИБС.

Результаты работ внедрены в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300.68 - «Биомедицинская инженерия» и используются в клинической практике Областной клинической больницы г. Курска и в научно-исследовательской работе кафедры сосудистой хирургии Курского государственного медицинского университета.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на IX и XI Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2006, 2008); XV Российской научно-технической конференции с международным участием «Материалы и упрочняющие технологии» (Курск, 2008); II Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине» (Пенза, 2008); 8-й Международной научном- технической конференции «Физика и радиотехника в медицине и экологии» (Владимир, 2008), на XVI Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2008), на Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2008» (Таганрог, 2008), Третьем Международном радиоэлектронном Форуме «Прикладная радиоэлектроника. Состояние и перспективы развития» (Харьков, 2008), на научно-технических семинарах кафедры биомедицинской инженерии Курск-ГТУ (Курск, 2005, 2006, 2007, 2008).

Основные положения, выносимые на защиту

1. Разработанная нечеткая нейросетевая структура позволяет интегрировать данные, полученные в результате анализа электрокардиосигнала в различных ортогональных пространствах, на различных апертурах и в различных отведениях.

2. Частотно-частотный и частотно-временной анализ электрокардиосигнала позволяет сформировать пространство информативных признаков, которое может быть использовано для прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца и при использовании нечетких нейросетевых технологий принятия решений обеспечить приемлемое качество диагностики.

3. Разработанные четыре нечетких решающих модуля для нечеткой нейронной сети позволяют осуществить параллельную и независимую диагностику ишемической болезни сердца по параметрам электрокардиосигнала каждый в своем признаковом подпространстве, качество которой может быть повышено посредством объединения этих нечеткий решающих модулей в нечеткую нейронную сеть.

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 13 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1-4], [9] и [10] автором предложены и исследованы нечеткие нейросетевые модели для диагностики сердечнососудистых заболеваний, в [6] автором предложена автоматизированная система синтеза нечетких нейросетевых структур; в [8] и [11] соискатель предложил способ синтеза признакового подпространства по двумерной частотной плоскости электрокардиосигнала, в [12] соискатель провел разведочный анализ изображений вейвлет - преобразований электрокардио-сигналов больных ИБС, в [13] соискателем предложена иерархическая нейросетевая структура для прогнозирования ИБС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 85 отечественных и 36 зарубежных наименования. Работа изложена на 137 страницах машинописного текста, содержит 53 рисунка и 24 таблицы.

4.6. Выводы четвертой главы

1. С учетом специфики решаемой задачи и медицинских требований к качеству прогнозирования и диагностики определены объемы репрезентативных контрольных выборок и выбраны показатели качества контролируемых решающих правил.

2. На репрезентативных контрольных выборках показано, что при работе автоматизированной системы в режиме диагностики ИБС обеспечивают диагностическая чувствительность не ниже 81% и диагностическая специфичность не ниже 76% и при диагностической эффективности на уровне 80% по каждому из используемых отведений.

3. Для повышения диагностической эффективности классификация предложена схема алгоритма, позволяющая агрегировать решающие правила по всем используемым отведениям, отличающаяся тем, что выходы трех нечетких решающих модулей, определяющих уверенность в принятии решения по двум альтернативным классам, подаются на дефуззификатор, вычисляющий две классифицирующих функции в шести мерном признаковом пространстве, по соотношению которых принимается решение о принадлежности объекта к одному из двух альтернативных классов.

4. На репрезентативных контрольных выборках показано, что при работе автоматизированной системы в режиме диагностики ИБС обеспечивают диагностическая чувствительность не ниже 94% и диагностическая специфичность не ниже 93% и при диагностической эффективности на уровне 95% при использовании всех трех отведений.

5. На репрезентативных контрольных выборках показано, что привила прогноза появления ИБС обеспечивают диагностическую чувствительность не ниже 68%, диагностическую специфичность не ниже 70% и общую диагностическую эффективность на уровне 70%.

6. На репрезентативных контрольных выборках было показано, что правила дифференциальной диагностики стенокардии и инфаркта миокарда обеспечивают чувствительность, специфичность и диагностическую эффективность на уровне 70%.

7. На репрезентативных контрольных выборках было показано, что правила диагностики ранних стадий выбранного класса заболеваний обеспечивает чувствительность, специфичность и диагностическую эффективность на уровне 66%. При этом эти показатели могут быть доведены до уровня 80% при использовании велоэргонометрической пробы и агрегации решений по анализу ЭКС, полученного без нагрузочной пробы и с нагрузочной пробой.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований нечетких нейросетевых структур и способов анализа электрокардиосгнала предложены новые технические решения, предназначенные для автоматизированных систем прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца, и показана возможность их применения в клинической практике.

В результате выполнения работы получены следующие основные результаты.

1. Разработан метод синтеза пространства информативных признаков, выделяемых из частотно-частотного и частотно-временного представления электрокардиосигнала, включающий:

- способ синтеза признакового подпространства, заключающийся в получении матрицы, строки которой являются оконным преобразованием Фурье кортежа смежных кардиоциклов электрокардиосигнала, определении оконного преобразования Фурье тех столбцов этой матрицы, координаты которых соответствуют выделенным посредством разведочного анализа значимым частотам оконным преобразованием Фурье электрокардиосигнала, выделении статистически значимых информационных зон этой матрицы и определении компонентов признакового подпространства на основе анализа двумерной спектральной плотности и коэффициентов корреляции матрицы оконного преобразования Фурье в локализованных информативных зонах; способ синтеза признакового подпространства, заключающийся в получении авторегрессионной модели оконного преобразования Фурье электрокардиосигнала и определении трехкомпонентного вектора информативных признаков, каждый компонент которого определяется по результатам структурного анализа развертки по строкам в зоне дыхательного цикла двумерной частотной плоскости;

- способ определения компонентов признакового подпространства, заключающийся в вычислении вейвлет-преобразования электрокардиосигнала на длинной апертуре, определении координат линии тренда модулей полученного преобразования в полосе 0,8. 1,8 Гц и последующем определении коэффициентов ряда Фурье линии тренда;

- способ синтеза признакового подпространства, заключающийся в вычислении вейвлет - преобразования электрокардиосигнала на короткой апертуре, выбора посредством метода адаптивного квантования мод трех значимых масштабов вейвлет-плоскости и последующего дискриминантного анализа совокупности индивидуумов, принадлежащих к двум диагностируемым классам, в результате которого каждому значимому масштабу вейвлет-плоскости ставится в соответствие две классифицирующих функции, посредством вычисления которых получают компоненты признакового подпространства.

2. Получена структура иерархической нечеткой сети для диагностики ИБС, отличающаяся двухуровневой схемой агрегаторов и дефуззификаторов и алгоритмом агрегирования решений четырех нечетких решающих модулей, осуществляющих независимый анализ сигнала с последующим включением или исключением результатов их анализа в процесс получения окончательного решения.

3. Разработана автоматизированная система для прогнозирования, ранней и дифференциальной диагностики ИБС, диагностическая эффективность принятия решений в которой достигает 95 процентов.

4. Разработанные метод, способы, алгоритмы и соответствующее программное обеспечение прошли экспериментальную проверку в клинической практике Областной клинической больницы г. Курска, на кафедре сосудистой хирургии Курского государственного медицинского университета и в учебном процессе кафедры Биомедицинской инженерии Курского государственного технического университета, которая показала целесообразность практического использования разработанных метода, способов, алгоритмов и программного обеспечения.

1. Айвазян, С.А. Прикладная статистика. Основы эконометрики Текст.: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика / С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 656 с.

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики Текст. : учебник для вузов: В 2 т. Т. 2. Основы эконометрики / С.А. Айвазян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 432 с.

3. Айвазян, С.А., Бежаева, З.И. Староверов, О.В. Классификация многомерных наблюдений Текст./ С.А. Айвазян, З.И. Бежаева, О.В. Староверов. М.," Статистика", 1975.

4. Алберг, Дж., Нильсон, Э., Уолш, Дж. Теория сплайнов и ее приложения Текст./ Дж. Алберг, Э. Нильсон, Дж. Уолш.-М.: Мир, 1972. -316 с.

5. Ананич, В.А., Грацианский, Н.А., Карасев, А.В. и др. Впервые возникшая стенокардия: исходная характеристика и результаты наблюдения в течение 6-12 мес Текст./ В.А. Ананич, Н.А.Грацианский, А.В. Карасев и др. Cor et vasa 1990. №2. С. 99-106.

6. Аронов, Д. М. Руководство по кардиологииТекст./ Д. М. Аронов. Под ред. Е. И. Чазова. М., 1982. Т.2. С. 594-600.

7. Аронов, Д.М., Лупанов, В.П. Функциональные пробы в кардиологии Текст./ Д.М. Аронов, В.П. Лупанов. Москва, "МЕДпресс-информ", 2003 , 2-е изд, С. 148-156.

8. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения Текст./ Н.М.Астафьева. УФН, тЛ66,11 1996. С. 1145-1170.

9. Афифи, А., Эйзен, С. Статистический анализ Текст./ А. Афифи, С. Эйзен. М. "Мир", 1972.

10. Брежнев, А.В. Модуль нечеткого вывода для разнотипных признаковых пространств Текст. / А.В. Брежнев, А.А. Бурмака // Научно-технический сборник. М.: ВУ РХБЗ, 2005. №2 (37). С. 64-67.

11. Брежнев, А.В. Способ выделения сигнала тремора голосовых связок посредством анализа вейвлет-плоскости цифровых отсчетов сигнала голоса Текст. / А.В. Брежнев // Научно-технический сборник. М.: ВУ РХБЗ, 2005. №2 (37). С. 30-36.

12. Васильев А.Ю., Михеев Н.Н., Жарикова М.В. Диагностика стенозирующего поражения коронарных артерий при гипертонической болезни. Какой стресс-тест выбрать? Текст./ А.Ю.Васильев, Н.Н.Михеев, М.В. Жарикова.- Функциональная диагностика, 2004. №4. С. 17-22.

13. Воробьев, В.И. Теория и практика вейвлет-преобразования Текст. / В.И. Воробьев, В.Г. Грибунин. СПб.: ВУС, 1999. 204 с.

14. Галушкин, А.И. Синтез многослойных систем распознавания образов Текст. / А.И. Галушкин. М.: Энергия, 1974. 386 с.

15. Галягин, Д.К. Адаптивные вейвлеты (Алгоритм спектрального анализа сигналов) Текст. / Д.К. Галягин, П.Г. Фрик / ММСП. Пермь: ПГТУ, 1996. №4. С. 20-28.

16. Генкин, А.А. Новая информационная технология обработки данных (программный комплекс ОМИС) Текст. / А.А. Генкин. СПб.: Политехника, 1999. 191 с.

17. Гимаров, В.А. Нейро-нечеткий метод классификации объектов с разнотипными признаками Текст. / В.А. Гимаров, М.И. Дли, С.Я. Битюцкий

18. Системы управления и информационные технологии. 2004. №4 (16). С. 13-18.

19. Голд, Б. Цифровая обработка сигналов Текст.: [пер. с англ.] / Б. Голд, Ч. Рэйдер. М.: Сов. радио, 1973. 368 с.

20. Голухова, Е.З. Неинвазивная аритмология Текст./ Е.З. Голухова. М.: Издательство НЦССХ им. А.И.Бакулева, РАМН, 2002. 148 с.

21. Горелик, A.JI. Методы распознавания Текст. / A.JI. Горелик,

22. B.А. Скрипкин. М.: Высшая школа. 1989.

23. Грахов, А.А. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей Текст./ А.А. Грахов, JI.A. Жилинкова, Е.В. Шевелева//Вестник новых медицинских технологий. Тула, 2006. T.XIII, №2. С.43-46.

24. Грахов, А.А. Способ анализа оконных преобразований Фурье электрокардиограмм больных ишемической болезнью Текст. / А.А. Грахов,

25. C.В. Пихлап, С.А. Филист // Информационные и управленческие технологиив медицине: сб. статей II Всероссийской научно-технической конференции / Пенза. Приволжский Дом знаний, 2008. С. 19-21.

26. Дабровски, А. Суточное мониторирование ЭКГ Текст. / А. Дабровски, Б. Дабровски. М.: Медпрактика, 2000. 208 с.

27. Дмитриева, Н.В. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма (системно -информационный подход) Текст. / Н.В. Дмитриева, О.С. Глазачев. М., 2000.-214 с.

28. Дремин, И.М. Вейвлеты и их использование Текст. / И.М. Дремин, О.В. Иванов, В.А. Нечитайло // Успехи физических наук, 2002. Т. 171, №5. С. 465-500.

29. Дубров, A.M. Многомерные статистические методы Текст.: учебник / A.M. Дубров, B.C. Мхитрян, Л.И. Трошин. М.: Финансы и статистика, 2000. 352 с.

30. Дуда, Р. Распознавание образов и анализ сцен Текст. / Р. Дуда, Р. Харт. М.: Мир, 1976.

31. Дьяконов, В. Обработка сигналов и изображений Текст.: специальный справочник / В. Дьяконов, И. Абраменкова. СПб.: Питер, 2002. 608 с.

32. Дюк, В. Обработка данных на ПК в примерах Текст. / В. Дюк. -СПб: Питер, 1997. 240 с.

33. Елисеева, И.И. Логика прикладного статистического анализа Текст. / И.И. Елисеева, В.О. Рукавишников. М.: Финансы и статистика, 1982. 192 с.

34. Заде, А. Основы нового подхода к анализу сложных систем и процессов принятия решений Текст. / А. Заде // Математика сегодня. М., 1974.

35. Заде, Л.А. Понятие лингвистической переменной и ее применение к принятию приближенных решений Текст. / Л.А. Заде. М.: Мир, 1976. 312 с.

36. Заенцев, И.В. Нейронные сети: основные модели Текст.: учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета /И.В. Заенцев. Воронеж, 1999. 76 с.

37. Иванов Г.Г., Востриков В.А. Внезапная сердечная смерть и поздние потенциалы желудочков Текст./ Г.Г. Иванов, В.А.Востриков // Анестезиология и реаниматология, 1991. №3.

38. Козлов, С. Г., Миронова, И. Ю., Лякишев, А. А. Значение чреспищеводной кардиостимуляции левого предсердия в диагностике ишемической болезни сердца Текст./ С. Г. Козлов, И. Ю. Миронова, А. А.Лякишев. Тер. арх., 1991. №1. С.108-111.

39. Кореневский, Н.А., Устинов, А.Г., Ситарчук, В.А. Автоматизированные медико-технологические системы Текст./ монография. В 3 ч. / Н.А. Кореневский, А.Г. Устинов, В.А. Ситарчук; под ред. А.Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 390 с.

40. Кушаковский, М.С. Аритмии сердца Текст./ М.С. Кушаковский. -СПб.: Фолиант, 1998.

41. Ламбич, И.С., Стожинич, С.П. Стенокардия Текст./ Пер. с сербско-хорват./ И.С. Ламбич, С.П. Стожинич. М.: Медицина, 1990. 432 с.

42. Левкович-Маслюк. // Дайджест вейвлет анализа Текст./ Левкович-Маслюк. - Компьютерра, 1998. №8.

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

44. Марпл.-мл., С.Л. Цифровой спектральный анализ и его приложения Текст./ С.Л. Марпл.-мл., пер. с англ.- М.: Мир, 1990. 584 с.

45. Милева, КН. Разработка и исследование методов автоматического анализа ST-сегмента электрокардиограммы в реальном масштабе времени. Текст.: дис. Канд. Техн. Наук/ К.Н. Милева. Л.: ЛЭТИ, 1989. 261с.

46. Немирко, А.П. Цифровая обработка биологических сигналов Текст./ А.П. Немирко. М: Наука, 1984.

47. Немирко, А.П., Подклетнов, С.Г., Солнцев, В.Н. Вейвлет -преобразование ЭКГ BP для диагностики ИБС Текст./ А.П. Немирко, С.Г.

48. Подклетнов, В.Н.Солнцев. Вестник аритмологии, 2002. №25. С. 148.

49. Орлов, А.И. Экспертные оценки Текст. :учебное пособие / А.И. Орлов.- М. 2002.59.0совский, С. Нейронные сети для обработки информации Текст./ С. Осовский; пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002. 344 с.

50. Пакулин, И. А., Суровов, Ю. А., Сидоренко, Б. А. Дипиридамоловый тест в диагностике ишемической болезни сердца Текст./ И. А. Пакулин, Ю. А. Суровов, Б. А.Сидоренко. Кардиология, 1991. № 2. С. 99-100.

51. Петухов, А.П. Периодические дискретные всплески Текст./ А.П. Петухов. Алгебра и анализ, 1996. №3.

52. Подклетнов, В.Н. Солнцев, В.В. Бойцов. С. 126-132.

53. Подклетнов, С.Г., Солнцев, В.Н., Бойцов, В.В. Способ интерпретации данных ЭКГ BP Текст.: сборник тезисов, рационализаторских предложений и изобретений Военно-медицинской Академии за 2000 год / С.Г.Подклетнов, В.Н.Солнцев, В.В.Бойцов. С. 6061.

54. Симоненко, В.Б., Цоколов, А.В. Фисун, А.Я. Функциональная диагностика Текст.: руководство для врачей общей практики/ В.Б. Симоненко, А.В. Цоколов, А.Я. Фисун. М.:ОАО "Издательство "Медицина", 2005. 304с.

55. Стечкин, С.В., Субботин, Ю.Н. Сплайны в вычислительной технике Текст./ С.В. Стечкин, Ю.Н. Субботин. -М.: Наука, 1976. 248с.

56. Титомир, Л.И., Рутткай-Недецкий, И. Анализ ортогональной электрокардиограммы Текст./ Л.И. Титомир, И. Рутткай-Недецкий. М.: Наука, 1990.

57. Тищенко, О.Г. Спектрально-временные характеристики электрофизиологических процессов в миокарде у здоровых лиц и больных ишемической болезнью сердца Текст.: дис. канд. мед. Наук/ О.Г. Тшценко.-Военно-медицинская академия, 1998.

58. Тривоженко, А. В. Мультифакторная стресс-эхокардиография в амбулаторном диагностике ИБС Текст.: дис. . канд. мед. наук/ А. В. Тривоженко. Томск: Томский медицинский институт, 1999. 153 с.

59. Филист, С.А. Кузьмин, А.А. Нейросетевой решающий модуль для исследования живых систем Текст./ С.А. Филист, С.Г. Емельянов, А.Ф. Рыбочкин// Известия Курского государственного технического университета №2 (23), 2008. С. 77-82.

60. Филист, С.А., Багликов, С.Ю., Юдина, Е.А. Метод спектрального анализа биомедицинских сигналов Текст.: сборник материалов 2-й Международной конференции «РАСПОЗНАВАНИЕ-95»/ С.А. Филист, С.Ю. Багликов, Е.А. Юдина. Курск, 1995. С.93.

61. Филист, С.А., Юдина, Е А. Моделирование циклических процессов -n-мерной спектральной плоскостью. Циклы в природе и обществе Текст./ С.А. Филист, Е.А. Юдина. Ставрополь, 1995.

62. Филист, С.А. Методика вейвлет-диагностики дисфонии по фонеме И Текст. / С.А. Филист, О.В. Шаталова, Н.В. Краснова Вестник новых медицинских технологий. - Тула, 2006. Т. XIII, №2. С. 21-22.

63. Филист, С.А. Методы двумерного спектрального преобразования электрокардиосигналов в ранней диагностике сердечно-сосудистых заболеваний Текст./ С.А. Филист. Биомедицинская радиоэлектроника, 2001. №3. С.14-20.

64. Форсайт, Дж., Малькольм, М., Моулер, К. Машинные методы математических вычислений Текст./ Дж. Форсайт, М. Малькольм, К. Моулер. М.: Мир, 1980.- 279с.

65. Черниченко, Д.М. Исследование и разработка автоматических методов выделения и классификации артефактов в цифровых электроэнцефалографических сигналов Текст.: дис. . кан. техн. наук/ Д.М. Черниченко. СПб.: ЛЭТИ, 1999. .

66. Шульман, В.А., Егоров, Д.Ф., Матюшин, Г.В., Выговкин, А.Б. Синдром слабости синусового узла Текст./ В.А. Шульман, Д.Ф.Егоров, Г.В.Матюшин, А.Б. Выговкин. Санкт-Петербург - Красноярск, 1995. 438 с.

67. Ярославский, Л.П. Введение в цифровую обработку изображений Текст. / Л.П. Ярославский. М.: Сов. радио, 1979. 312 с.

68. Акау, М. Wavelet Applications in Medicine, IEEE Spectrum Text./ M.1. Акау. 1997, Vol.34, №5.

69. Berman, D.S., Wong, N.D., Gransar, H. et al. Relationship between stress-induced myocardial ischemia and atherosclerosis measured by coronary calcium tomography Text./ D.S. Berman, N.D.Wong, H.Gransar. J Am Coll Cardiol, 2004;44(4):923-930.

70. Clarke, L.P. Tree-Structured non-linear Filter and Wavelet Transform for Microcalcification Segmentation in Digital Tammography Text./ L.P.Clarke. -Cancer Letters, 1994, 77, p.173-181.

71. Cortigiani, L., Zanetti, L., Bigi, R. et al. Safety and feasibility of dobutamine and dipyridamole stress echocardiography in hypertensive patients Text./ L. Cortigiani, L. Zanetti, R. Bigi et al. J Hypertens, 2002;20(7):1423-1429.

72. Daubechies, I. Ten lectures on wavelets Text./ I. Daubechies. SIAM, Philadelhia, 1992.

73. Gligorova, S., Agrusta, M. Pacing stress echocardiography Text./ S.Gligorova, M.Agrusta. Cardiovascular Ultra-sound, 2005;3:36.

74. Manfredini, R., Talarico, G., Ambrosini, F. et al. International Conference on Nonin-vasive Cardiology 3d-Abstract Text./ R. Manfredini, G. Talarico, F.Ambrosini et al.,-Tel-Aviv, 1990.-P.13.

75. Marwick, Т. H. Stress echocardiography Text./ Т. H. Marwick. -Heart, 2003;89:113-118.

76. Meyer, Yves. Wavelet algorithm and applications Society for industrial and applied mathematics Text./ Yves Meyer. Philadelphia, 1993.

77. Noguchi, Y., Nagata-Kobayashi, S., Stahl, J.E., Wong, J.B. A metaanalytic comparison of echocardiography stressors. Int J Cardiovasc Imaging Text./ Y. Noguchi, S. Nagata-Kobayashi, J.E. Stahl, J.B. Wong. 2005; 21(2-3): 189-207.

78. Picano, E., Pasanisi, E., Venneri, L. et al. Stress echocardiography. Curr Pharm Des Text./ E. Picano, E. Pasanisi, L. Venneri et al. -2005;11(17):2137-2149.

79. Proceding of the 19th annial inter conference of the IEE Engineering in Medicand Biology Socity "Magnicient Mitestones and Emerginq Opportunities in Medical Engineering" Text.: 1997.

80. Roman, J. A. S., Vilacosta, I., Castillo, J. A. et al. Selection of the optimal stress test for the diagnosis of coronary artery disease Text. / J. A. S. Roman, I. Vilacosta, J. A. Castillo et al. Heart, 1998 ;80;370-376.

81. Scanlon, P. J., Faxon, D.P. ,Audet, A-M. et al. ACC/AHA Guidelines for Coronary Angiography: Executive Summary and Recommendations Text.: A Report of the Ameri-can College of Cardiology/ P. J. Scanlon, D.P. Faxon, A-M.

82. Audet et al. American Heart Association Task Force on Practice Guidelines (Committee on Coronary Angiography) Developed in collaboration with the Society for Cardiac Angiography and Interventions. Circulation 1999;99;2345-2357.

83. Shortliffe, E.H. Computer-Based medical Consultations Text./ E.H. Shortliffe.- MYCIN, New York: American Elsevier, 1976.

84. Varga, A., Garcia, M.A., Picano E. Safety of stress echocardiography (from the Inter-national Stress Echo Complication Registry) Text./ A. Varga, M.A. Garcia, E. Picano. Am J Cardiol, 2006;98(4):541-543.

85. Varga, A., Kraft, G., Lakatos, F. et al. Complications during pharmacological stress echocardiography: a video-case series Text./ A.Varga, G. Kraft, F. Lakatos. Cardiovasc Ultrasound, 2005;3:25.