автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала

На правах рукописи _

Муштак Али Мухамед Салех

ИССЛЕДОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ ПАТОЛОГИЧЕСКИХ ОТКЛОНЕНИЙ ФОРМЫ ЭЛЕКТРОКАРДИОСИГНАЛА

Специальность 05.12.04 Радиотехника, в том числе системы и устройства телевидения

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Владимир-2.013 г.

005059427

Работа выполнена на кафедре биомедицинской инженерии Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых

Научный руководитель: Сушкова Людмила Тихоновна

доктор технических наук, профессор, заслуженный работник ВПО РФ, заведующая кафедрой биомедицинской инженерии

Официальные оппоненты: Галкин Александр Павлович

доктор технических наук, профессор кафедры «Радиотехники и Радиосистем» Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых

Дерябин Вячеслав Михайлович кандидат технических наук, заместитель начальника отдела ЗАО «Автоматика Плюс»

Ведущая организация: Государственное унитарное предприятие

«Медтехника» (г. Владимир)

Защита состоится « 22 » мая 2013 г. в 16 часов в аудитории 301-3 на заседании диссертационного Совета Д 212.025.04 при Владимирском государственном университете имени Александра Григорьевича и Николая Григорьевича Столетовых по адресу: 600000, г. Владимир, ул. Горького, 87, корп. 3, ФРЭМТ, ауд. 301.

С диссертацией можно ознакомиться в библиотеке Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых

Автореферат разослан « 19 » апреля 2013 г.

Отзывы в двух экземплярах (заверенные печатью) прошу направлять по адресу: 600000, г. Владимир, ул. Горького, 87, ВлГУ, корп. 3, ФРЭМТ

Ученый секретарь диссертационного совета доктор технических наук, профессор

А.Г. Самойлов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Радиотехнические- методы приёма, обработки и хранения информации получили широкое развитие в различных областях жизни и продолжают расширять свои области применения, охватывая такую предметную область, как медицина.

Применение радиотехнических устройств обработки биомедицинских сигналов способствует увеличению объёма и качества получаемой информации о функциональном состоянии человеками как следствие, созданию более эффективных биомедицинских приборов, аппаратов и систем. Так, применение методов обнаружения и селекции слабых сигналов на фоне помех для автоматического анализа электрокардиосигнала (ЭКС) позволяет выявить различные виды нарушений в работе сердца. Автоматизация процесса приёма, обработки и анализа ЭКС для обнаружения и распознавания патологических отклонений является актуальной задачей диагностики работы сердца человека, т.к. заболевания сердечнососудистой системы (ССС) являются наиболее распространенной причиной смертности и инвалидности во всем мире. По данным Всемирной организации здравоохранения смертность от этих заболеваний составляет 30% в мире и 42% в Европе.

В связи с этим особую значимость и научно-практический интерес представляет развитие мобильных средств экспресс-диагностики работы сердца с помощью интеллектуальных методов регистрации, обработки и анализа электрокардиосигнала (ЭКС), обеспечивающих получение достоверной информации об электрической активности сердца на основе раннего обнаружения в ЭКС тех или иных изменений по сравнению с ЭКС здорового человека. -

В последнее время ведутся активные работы, как в России, так и за рубежом, по разработке более точных и быстрых алгоритмов классификации электрокардиограмм, в том числе с применением искусственного интеллекта. Большая часть ■ работ направлена на использование нейронных сетей. В них с помощью обучения нейронной сети соответствующими выборками (иногда с -предварительной обработкой), добиваются устойчивого распознавания ■ типов ЭКГ и выявления нарушений в работе сердца.

Большой вклад в развитие направления ИНС в медицине внесли многие ученые и специалисты, как в России, так и за рубежом, в том числе: Галушкин А.И., Мызников A.B., Россиев Д.А., Лохман В.Ф. Масалович А.И., Baxt W.G., Hoher М, Kestler Н.А, .Golovenkin S.E., Shulman V.A., Matjushin G.V. и др.

Анализ этих работ показывает перспективность применения ИНС в

задачах медицинской диагностики. Все это свидетельствует о том, что проблема разработки алгоритмов распознавания на ранних стадиях наличия патологических изменений в ЭКС является социально - значимой. Используемые в настоящее время кардиомониторы, по сути, являются радиоэлектронными средствами автоматического анализа электрокардиосигнала (ЭКС) и отличаются набором выполняемых функций и глубиной анализа. Применение технологий ИНС для решения задач экспресс-диагностики состояния сердца позволит расширить функциональные возможности переносных кардиомониторов и их использование в практическом здравоохранении.

Актуальность данной диссертации определяется необходимостью разработки и исследования методов и средств получения, обработки и анализа электрокардиосигнала с использованием нейросетевых технологий для распознавания на ранней стадии изменений его формы и, как следствие, нарушений в работе сердца.

В связи с этим целью данной работы является развитие радиотехнических методов раннего распознавания патологических изменений в сигнале электрической активности сердца на основе применения технологии искусственных нейронных сетей.

Для достижения поставленной цели ставится задача синтеза алгоритмов выделения, обработки и нейросетевого анализа диагностической информации, содержащейся в электрокардиосигнале, отражающем электрическую активность сердца человека. Для этого необходимо:

1. На основе проведенного анализа литературы по существующим подходам и методам решения задачи распознавания патологических отклонений в ЭКС выбрать и обосновать основные параметры и характеристики искусственной нейронной сети (ИНС).

2. Сформировать необходимый объем обучающих и тестовых данных электрокардиосигналов в «норме» и при отклонениях от нормы.

3. Разработать алгоритмы создания обучающих образов, а также структуру экспериментальной базы данных ЭКС.

4. Разработать специализированные алгоритмы автоматизации проведения экспериментальных исследований ИНС для обоснованного выбора методики формирования пространства признаков для ИНС и размера нейросети в целом.

5. Провести экспериментальные исследования разработанной нейросетевой системы распознавания и анализа электрокардиосигналов и, на основе выбранных критериев, оценить эффективность её функционирования в задаче экспресс - диагностики работы сердца.

Объектом исследования являются методы обработки и анализа биоэлектрических сигналов (БЭС).

Предметом исследования является эффективность применения

нейросетевой технологии к решению задач выявления и распознавания патологических изменений в биоэлектрических сигналах.

Область исследований. Решение научно — технической задачи развития современных методов и средств обработки и анализа электрокардиосигнала на основе применения нейронных сетей и технологии распознавания образов для повышения эффективности аппаратно — программных комплексов экспресс - диагностики работы сердца человека.

Методы исследования. Для решения поставленных в работе задач использовались: методология системного анализа, теории искусственных нейронных сетей и распознавания образов, цифровой обработки сигналов, статистического моделирования и экспериментальные исследования. В процессе работы использовался программный пакет Neural Network Toolbox системы Matlab 7. Экспериментальный прототип системы нейросетевого анализа электрокардиосигналов разрабатывался с применением программной среды Lazarus.

Научная новизна результатов исследования:

1. Разработана методика формирования входных образов ЭКС, несущих информацию об электрической активности сердца, последующий анализ которых с помощью ИНС позволяет оценить работу сердца в режиме экспресс - диагностики при повышенной устойчивости к воздействию шумов и помех.

2. Разработан и экспериментально исследован алгоритм предварительной обработки ЭКС на основе формы сегментированного Р— QRS-T комплекса, обеспечивающий получение на ранних стадиях информации об электрической активности сердца с возможностью локализации места возникновения патологии.

3. Разработан алгоритм нахождения оптимального количества нейронов скрытого слоя ИНС на основе результатов обучения и тестирования сети, что способствует минимизации ошибки неверного заключения.

Практическая значимость. Разработанные на основе многослойного персептрона нейросетевые блоки анализа электрокардиосигнала расширяют функциональные возможности переносных кардиомониторов по обнаружению нарушений в работе сердца человека, в частности, обеспечивают распознавание и локализацию патологических отклонений от нормы в проводящей системе сердца человека. Предложенный в работе сегментарный подход обеспечивает автоматический поиск и диагностику патологий сердца в режиме реального времени с чувствительностью 85% и специфичностью 92%.

Разработанная методика нахождения оптимального количества нейронов скрытого слоя для многослойного персептрона обеспечивает возможность выбора такого сочетания значений чувствительности и

специфичности, при которых достоверность выполнения задачи экспресс-диагностики состояния сердца (целевая функция ИНС) максимальна.

Экономическая и социальная значимость работы состоит в расширении функциональных возможностей и повышении эффективности работы переносных кардиомониторов для экспресс - диагностики работы сердца человека.

Достоверность научных положений. Достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается результатами тестирования созданных алгоритмов на основе общепризнанных верифицированных баз записей ЭКС ресурса РИуБюЫе^ экспериментальных исследований и апробации разработанных специализированных нейросетевых блоков распознавания отклонений ЭКС от нормы.

Основные научные положения, выносимые на защиту.

1.Методика создания входных образов ЭКС по времени относительно Я-зубца, которая отличается большей помехоустойчивостью по сравнению с методиками сегментации по форме ЭКГ.

2. Алгоритм формирования входных образов кардиокомплексов на основе выделения сегмента Р-С^ЯБ—'Т комплекса, который позволяет увеличить достоверность распознавания отклонений от нормы по сравнению с параметрическим методом создания образов.

3. Алгоритм нахождения оптимального числа нейронов скрытого слоя ИНС типа многослойный персептрон, который обеспечивает повышение эффективности функционирования нейросетевых блоков по распознаванию отклонений ЭКС от нормы.

Результаты внедрения работы. Основные теоретические и практические результаты работы внедрены в научно-исследовательскую деятельность и в учебный процесс кафедры биомедицинской инженерии Владимирского государственного университета при подготовке специалистов по направлениям 200300 —«Биомедицинская инженерия» (бакалавриат), 201000 - «Биотехнические системы и технологии» (бакалаврат, магистратура). Подтверждено актом внедрения.

Созданное методическое и программное обеспечение, в частности, методика нахождения оптимального числа нейронов скрытого слоя, методика выделения Я-зубца ЭКС представляет научно-практический интерес для ОАО «Владимирское КБ радиосвязи» при решении радиотехнических задач, связанных с цифровой обработкой сигналов и изображений. Подтверждено заключением о полезности диссертационной работы.

Апробация нейросетевой обработки реальных ЭКС в муниципальном учреждении здравоохранения «Городская больница № 1», г. Владимира также подтверждена актом о внедрении.

Личный вклад автора определяется разработкой алгоритмов

программ автоматизации исследований, проведением компьютерного моделирования, выполнением основных расчетов, проведением анализа результатов.

Апробация работы. Основные научные и практические результаты работы докладывались и обсуждались на: VII международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии», Владимир, 2008г; IX международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ), (г. Владимир, 20 Юг); Всероссийской конференции с элементами научной школы для молодежи «Биомедсистемы 20 Юг», РГТУ, (г. Рязань, 2010 г), 66-ой Всероссийской конференции с международным участием «Научная сессия, посвященная Дню радио», (г. Москва, 2011 г) Публикации. По материалам диссертации опубликовано 7 работ, в том числе 3 статьи в профильных журналах, рекомендованных ВАК РФ, 3 на международных конференциях, 2 на всероссийских конференциях. Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, библиографического списка, включающего 123 наименования. Объём диссертации - 124 страниц машинописного текста, 51 рисунков и 14 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задача исследований, научная новизна и практическая ценность результатов диссертации.

В первой главе диссертации рассмотрены основные параметры элекрокардиосигнала, как объекта обработки и анализа. Приведены особенности регистрации ЭКС, основные его элементы (Р-СЖЗ-Т-комплекс, несущий информацию о функциональном состоянии сердца), параметры и их пределы, принятые в качестве условной нормы. Также проведён анализ принципов построения современных систем автоматизированной обработки и анализа сигналов, в том числе, применение искусственных нейронных сетей (ИНС) в анализе электрокардиосигнала. В таблице 1 приведены примеры ЭКГ в норме и с патологией.

Анализ рассмотренных вопросов позволил сделать выводы, на основе которых далее решается задача распознавания наличия морфологических изменений в сердце в режиме экспресс-диагностики. Для выявления наличия нарушений в работе сердца (в режиме «да-нет») при регистрации ЭКС достаточно использовать II стандартное отведение. В случае необходимости локализации наличия патологий достаточно провести параллельный анализ как минимум двух отведений (I и III), что позволит выделить участки ЭКГ, несущие информацию о функциональном состоянии правой и левой частей сердца.

Учитывая, что каждый кардиоцикл на ЭКГ отображается в норме со строгой периодичностью (с небольшими флуктуациями в пределах 0,02 с), для осуществления сегментации электрокардиокомплекса по времени в качестве точки синхронизации выбирается Я-зубец, отличающийся от всех других временных опорных точек (зубцы Р,<3,8,Т) более высокой амплитудой.

Результаты анализа особенностей ЭКС, его подверженности большому влиянию помех, а также специфики решаемой задачи, которая связана с тем, что в пространстве признаков классы «норма» и «патология» могут пересекаться из-за вариабельности параметров основных элементов ЭКГ, показали целесообразность проведения исследований эффективности применения нейросетевого метода распознавания с учителем. В данном случае указанный метод является предпочтительным, т.к. он отвечает принципу общности свойств, что соответствует рекомендациям теории распознавания образов.

Во второй главе диссертации рассмотрены причины возникновения и виды помех при регистрации электрокардиосигнала, методы исключения их влияния на распознавание Я-зубца, основные этапы предварительной обработки ЭКС и методы селекции Я- зубцов, произведен выбор варианта реализации ИНС и определены направления дальнейших исследований.

На основе проведенного анализа методов и средств предварительной обработки ЭКС для селекции И-зубца (точка синхронизации в процедуре формирования Р-СШБ-Т образа кардиокомплекса) выбран модифицированный метод двойного дифференцирования, обеспечивающий повышение достоверности определения положения Я-зубца за счет усреднения производной по трем точкам. Полученная вспомогательная производная сохраняется в специальном массиве НЬР. Математически операция описывается следующим выражением:

- 2Е{1 + 1)Е(£ + 2))2Л = пк/2,п - пк/2 ,

где п - длина массива ЭКС; пк - интервал усреднения, который может принимать значения 10...20 и выбирается экспериментально.

Каждое значение функции ни' является средним значением модуля производной по трем точкам в интервале [I — пк /2, I + пк/2] для

текущей точки t. Таким образом, уменьшается производная шумовой составляющей сигнала.

В качестве ИНС выбран трехслойный персептрон с логистической функцией активации без обратных связей.

Для такой структуры характерно последовательное выделение признаков из исходного образа, что способствует более эффективному распознаванию. В качестве метода обучения выбран метод обратного распространения ошибки. Преимуществом данной топологии сети является простота реализации и гарантированная сходимость сети после обучения.

Эффективность работы нейросетевых систем зависит, в основном, от грамотного выбора пространства входных признаков (свойств) объекта исследования, качества и полноты обучающей базы данных. Поэтому направлением дальнейшего исследования является создание экспериментальной базы данных ЭКС и формирование входных параметров для обучения и тестирования выбранной ИНС, а также выбор критериев оценки эффективности функционирования ИНС и исследование их зависимости от числа нейронов скрытого слоя.

В третьей главе Предложена методика формирования входного образа для ИНС на основе сегментирования ЭКС по времени относительно R-зубца, распознавание которого, вследствие его относительно высокой амплитуды и малого периода, отличается повышенной надёжностью по отношению к остальным зубцам кардиокомплекса. В данной работе для предварительной обработки ЭКС выбран подход, основанный на сегментации электрокардиокомплекса на 3 ключевые зоны, отвечающие за деполяризацию предсердий (Р), деполяризацию желудочков (QRS) и реполяризацию желудочков (Т).

Известно что при определении начала и окончания сегментов ЭКГ, в электрокардиографии используется временной интервал 0,10±0,02 с. Например, ширина зубца Р, интервала Р—Q, QRS-комплекса равняется 0,10±0,02 с. Эмпирически определено, что время реполяризации и время возбуждения всех отделов сердца приблизительно равны. Следовательно, продолжительность фазы реполяризации находится в пределах 0,30±0,02 с. Исходя из этого, были вычислены смещения относительно R-зубца всех сегментов ЭКГ для II стандартного отведения, результаты которых сведены в таблицу 2.

Для создания базы данных ЭКГ, необходимой для обучения ИНС и эталонного тестирования алгоритмов, использовался архив ЭКГ Physikalisch-Technische Bundesanstalt (РТВ), опубликованный на www.PhysioNet.org Национальным институтом метрологии Германии. Он включает 549 записей ЭКГ, снятых у 290 человек в возрасте от 17 до 87 лет (от 1 до 5 записей у пациента). ЭКГ зарегистрированы синхронно в 12 стандартных отведения и 3 отведениях по Франку с частотой

дискретизации 1000 Гц.

Таблица 2. Результаты оценки временных параметров сегментов ЭКГ

Отдел сердца Сегмент ЭКГ Время относительно Я-зубца

начало,с окончание, с

Предсердие Р -0,28 -0,16

Предсердно-желудочковое соединение Р-<2 -0,16 -0,06

Желудочек (ЗЯБ -0,06 0,04

Реполяризация миокарда 8-Т,Т 0,04 0,30

Структурная схема предварительной обработки сигнала на этапе создания экспериментальных баз данных сегментированных элекрокардиокомплексов представлена на рисунке 1. Подробное описание выполняемых всеми блоками операций приведено в диссертации.

Рис.1. Алгоритм предварительной обработки ЭКС при создании входных образов кардиоциклов

На рис. 2-5 приведены: пример исходного нормированного Р-(}118-Т комплекса (рис.2), а также примеры нормированного предсердного сегмента (рис.3), желудочкового сегмента (рис.4) и реполяризационного сегмента (рис.5)

Рис.2

Рис.3

Рис.4

Рис.5

Результатом выполнения описанной процедуры является получение образов трёх основных сегментов ЭКС (рис. 3,4,5).

Проведение исследований предполагает в дальнейшем сопоставительный анализ результатов распознавания нарушений в работе сердца по описанной методике сегментирования кардиокомплекса (распознавание образов полученных сегментов ЭКС) и по статистическим параметрам сегментов кардиокомплекса. В связи с этим в работе рассмотрены такие статистические показатели (параметры), как математическое ожидание (Мх), мода (Мо), медиана (Ме), среднеквадратичное отклонение (8Б), площадь под кривой (I), энтропия сигнала (Е). Анализ корреляции этих параметров позволил определить сбалансированное пространство признаков кардиокомплекса: (Мо), (БО), (I), (Е). Указанные параметры вычисляются для каждого сегмента ЭКС (рис. 3-5).

Созданная база данных предназначена для разработки автоматизированной системы сегментарного анализа ЭКГ и исследования её эффективности с использованием программной среды МаНаЬ. В качестве критериев эффективности работы ИНС выбраны известные в теории ИНС показатели чувствительности (способность обнаружения патологии) и специфичность (способность определения отсутствия патологии), а также показатель ошибки обучения (мера точности ИНС).

Экспериментальные исследования работы ИНС для распознавания отклонений от нормы работы сердца проводились поэтапно в соответствии со структурой, приведенной на рис.6.

Рис. 6. Основные этапы экспериментального исследования структуры ИНС в задаче обнаружения патологических изменений ЭКГ.

Алгоритмы исследования ИНС для многослойной персептронной

а) Б)

Рис.7. Алгоритмы: а) программы автоматизации исследования ИНС, б) подпрограмма исследования ИНС в режиме обучения и тестирования.

На рисунках 8-13 представлены результаты исследования ИНС на базе данных сегментированных ЭКГ в виде графиков зависимостей критериев эффективности ИНС (чувствительности, специфичности и ошибки обучения системы) от числа нейронов скрытого слоя.

нем*» ............ ■ Л ПГ|1ГН11Р1»Г (" • Т1Д1ГТ1|

Рис.8. Значения чувствительности и специфичности для ИНС анализа предсердного сегмента ЭКГ

Рис.9. Зависимость ошибки обучения от количества нейронов скрытого слоя ИНС анализа предсердного сегмента ЭКГ

МСппа }

Рис.10. Значения чувствительности и специфичности для ИНС анализа желудочкового

сегмента ЭКГ

Рис. 11. Зависимость ошибки обучения от количества нейронов скрытого слоя ИНС анализа желудочкового сегмента ЭКГ

Рис. 12. Значения чувствительности и специфичности для ИНС анализа реполяризационного сегмента ЭКГ

Рис. 13. Зависимость ошибки обучения от количества нейронов скрытого слоя ИНС анализа реполяризационного сегмента ЭКГ

Приведённые графики (рис. 8-13) иллюстрируют наличие определенной взаимосвязи между ошибкой обучения и критериями оценки эффективности тестирования ИНС: зона низких значений ошибки обучения соответствует совокупно высоким (имеющим положительную корреляцию) значениям чувствительности и специфичности. Следовательно, этот факт можно использовать для определения зоны поиска оптимального размера сети, определяемого числом нейронов скрытого слоя.

Анализ литературы показывает, что вопрос нахождения оптимального числа нейронов скрытого слоя не имеет однозначного решения по причине отсутствия устоявшейся методики. В связи с этим в данной работе предлагается алгоритм в основе, которого лежит использование критериев оценки эффективности работы ИНС: чувствительность, специфичность и ошибки обучения. В этом случае для нахождения оптимального числа нейронов скрытого СЛОЯ ИНС по структуре многослойный персептрон необходимо произвести исследование показателей чувствительности и специфичности с учётом выявленной в ходе экспериментов (рис.8-13) зоны минимума ошибки обучения. Учитывая, что показатели чувствительности

и специфичности - это меры достоверного обнаружения патологий и уверенности в их отсутствии соответственно, то, очевидно, в идеале они должны быть близки к 100%.

В реальных условиях при решении задач диагностики, система должна выбрать один из нескольких возможных вариантов диагноза. При этом желательно иметь значения критериев чувствительности и специфичности системы равномерно распределенными по всем вариантам диагноза, но не менее 50%, так как ниже данного порога результат принятия решений нельзя считать достоверным.

В качестве целевой функции оптимизации Т можно использовать произведение чувствительности Ч(п), и специфичности С(п): Т(п)=Ч(п)-С(п),

где п - количество нейронов скрытого слоя ИНС. Данная функция будет стремиться к максимуму при положительной корреляции показателей чувствительности и специфичности. В связи с этим, для достижения наибольшей достоверности нейросетевой системы распознавания нарушений в работе сердца, определение оптимального количества нейронов скрытого слоя сводится к нахождению максимума целевой функции Т(п) в зоне минимума ошибки обучения. Математически этот процесс можно выразить следующим образом: , Г шах (Т{п)\при Ч(п) > 50%, С(п) > 50%

'«"«. ^ не достоверно, иначе

где Пот - оптимальный размер скрытого слоя ИНС, (nmm, nmax) -границы зоны размеров скрытого слоя ИНС, соответствующих малым значениям ошибки обучения.

Этот подход дает возможность выбора такого сочетания значений чувствительности и специфичности, при которых повышение одного из них не вызывает падения другого.

В табл. 3 приведены результаты применения описанного алгоритма в определения размера скрытого слоя ИНС при распознавании сегментированных ЭКГ.

Таблица 3. Результаты исследования нейронных сетей с использованием БД «Сегментированные ЭКГ»._

Сегмент ЭКГ Чувствительность Специфичность Ошибка обучения Число нейронов скрытого слоя

Предсердный 85 90 0,02 100

Желудочковый 86 97 0,02 70

Реполяризационный 85 90 0,005 20

Среднее 85 92 0,015

Результаты экспериментальных исследований зависимости критериев эффективности ИНС, а также ошибки обучения от размера скрытого слоя ИНС (в норме и с патологиями) в соответствии с полем признаков (Мо, 8Э, I, Е) для случая использования в качестве входных данных параметризованных ЭКГ приведены в диссертации.

Обобщённая информация по результатам экспериментального исследования ИНС для БД параметризированных ЭКГ приведена в таблице 4.

Табл. 4 Общая информация по результатам экспериментального исследования ИНС на БД «Параметризированных ЭКГ»._

№ Сегмент ЭКГ Амплитудный диапазон критерия

Чувствительность Специфичность Ошибка обучения

1 Предсердный 0-100% 0% 0.047-0.5

2 Желудочковый 14-75% 0% 0.05-0.35

3 Реполяризационный 18-100% 0% 0.042-0.5

Анализ результатов показывает, что использование статистических параметров в качестве признаков ЭКГ менее эффективно по сравнению с использованием распознавания по форме сегментов кардиокомплекса.

В четвертой главе приведены результаты разработки и исследования аппаратно-программного комплекса нейросетевого анализа ЭКС. Для предварительной обработки ЭКС был выбран подход, основанный на сегментации электрокардиокомплекса на 3 ключевые зоны, отвечающие за деполяризацию предсердий, деполяризацию желудочков и реполяризацию желудочков. Патологические отклонения в сигнале в каждом сегменте определяются при помощи искусственной нейронной сети, которая менее чувствительна к возникающим в сигнале помехам и способна к обобщению. Исследования показали хорошие результаты применения нейронной сети типа многослойный персептрон в задачах анализа ЭКГ.

Разработанная структурная схема аппаратно-программного комплекса нейросетевого анализа электрокардиосигнала представляет собой аппаратную и программную часть (рис.14). В качестве аппаратной части, включающей блоки усиления и аналого-цифрового преобразования, может использоваться практически любой цифровой кардиограф, обеспечивающий регистрацию отведений от конечностей, частоту дискретизации не менее 500 Гц и разрядность не менее 12 бит. Программная часть включает в себя блоки: регистрации сигнала, обработки и визуализации в реальном времени, предварительной обработки сигнала и выделения образов, анализа предсердного, желудочкового и реполяризационного сегментов ЭКГ, а также блоки принятия решений и формирования результатов анализа сегментов ЭКС.

Подробное описание указанных блоков приведено в диссертации.

Рис.14. Аппаратно-программный комплекс нейросетевого анализа ЭКС

Данный комплекс может использоваться в системах

автоматизированного анализа функционального состояния

сердечнососудистой системы, при проведении массовых экспресс -исследований с целью выделения «групп риска», а также в программах автоматизированной расшифровки суточной записи ЭКГ.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Диссертационная работа посвящена решению научно технической задачи развития современных методов обработки и анализа электрокардиосигнала для создания аппаратно - программных комплексов функциональной медицинской диагностики. В результате были созданы обучающие и тестовые база данных реальных ЭКГ образов, разработаны и исследованы нейросетевые блоки распознавания отклонений ЭКС от нормальной формы, способствующие совершенствованию методов обработки и анализа медицинских сигналов.

В ходе проведенных исследований получены следующие основные результаты.

1. При регистрации ЭКС используется II стандартное отведение от конечностей для выявления присутствия нарушений в работе отделов сердца. Для большей локализации наличия нарушений (в левой или правой частях сердца) достаточно провести параллельный анализ как минимум двух отведений (I и III стандартных).

2. Исходя из того, что каждый кардиоцикл на ЭКГ отображается в норме со строгой периодичностью (с небольшими флуктуациями в пределах 0.02 с), предложена методика сегментации электрокардиокомплекса по времени с использованием только одной точки синхронизации - Я-зубец. Это способствует повышению надёжности

работы системы распознавания нарушений в работе сердца, так как обнаружение одной относительно высокоамплитудной опорной точки на фоне шумов и помех является менее сложной задачей, чем определение 5 или более опорных точек каждого элемента ЭКГ.

3. В качестве искусственной нейронной сети выбран «многослойный персептрон» трехслойного типа с логистической функцией активации и без обратных связей. Для такой структуры характерно последовательное выделение признаков из исходного образа, что способствует более эффективному распознаванию. В качестве метода обучения был выбран метод обратного распространения ошибки. Преимуществом данной топологии сети является простота реализации и гарантированная сходимость сети после обучения.

4. Разработана методика и представлен алгоритм сегментации ЭКГ и выделения образов кардиокомплексов (РРЯБТ). Предложены два варианта построения пространства признаков: по форме сегментов ЭКГ и по описательным параметрам сегментов ЭКС, а именно, мода (Мо), среднеквадратичное отклонение (ЗБ), площадь под кривой (I) и энтропия сигнала (Е).

5. Разработана методика нахождения оптимального числа нейронов скрытого слоя, основанная на выявлении положительной корреляции между чувствительностью и специфичностью по отношению к числу нейронов в зоне малой ошибки обучения.

6. Результаты вычислительного эксперимента показали, что метод построения базы данных с использованием в качестве признаков каждого сегмента ЭКГ описательных параметров (Мо, БЭ, I, Е) имеет более низкие значения показателей достоверности анализа по сравнению с методом построения базы данных путём сегментирования формы ЭКГ комплекса, который даёт достаточные для практического применения значения критерив достоверности: средняя чувствительность - 85%, средняя специфичность - 92%.

7. Результаты тестирования и апробации разработанного аппаратно-программного комплекса нейросетевого распознавания наличия или отсутствия отклонений в форме ЭКС от нормы показали повышение чувствительности на 1% и специфичности - на 19% по сравнению с аналогом (Кардиовизор-бС) при разделении кардиокомплексов на классы «норма» и «патология».

Разработанные программные блоки аппаратно — программного комплекса предварительной обработки и нейросетевого анализа сегментов ЭКС расширяют возможности использования его в системах автоматизированного анализа функционального состояния сердечнососудистой системы, при проведении массовых экспресс -исследований с целью выявления «групп риска», а также в программах автоматизированной расшифровки суточной записи ЭКГ.

ОСНОВЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Статьи в журналах из перечня ВАК

1. Салех М.А. Сегментарный подход к обработке электрокардиографических при построении систем автоматизированного анализ / Салех М.А., Исаков Р. В. .Сушкова Л.Т. // Всероссийский научно-технический журнал "Проектирование и технология электронных средств" № 4., 2010г., С.24-29

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

3. Салех М.А. Аппаратно-программный комплекс нейросетевого обнаружения отклонений от нормы в электрокардиосигнале / Исаков Р. В. , Салех М.А., Сушкова Л.Т. // Биомедицинская радиоэлектроника. № 6., 2012г., С.14-19.

Материалы конференций

4. Салех М.А., Исаков Р.В. О мониторинге состояния плода беременной женщины// «Физика и радиоэлектроника в медицине и экологии» Доклады 6-й межд. науч.-техн. конф., Владимир, 2008, с.153-156

5. Салех М.А. Анализ проблемы выделения электрокардиограммы плода / Салех М.А. // IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии» ФРЭМЭ ' 2010 г. С 474-476.

6. Салех М.А. Применение фильтра Кальмана при обработке биомедицинских сигналов / Салех М.А. // XXIII всероссийскую научно-техническую конференцию студентов, молодых ученых и специалистов "Биотехнические, медицинские и экологические системы и комплексы" БИОМЕДСИСТЕМЫ - Рязань 2010. С.607-610.

7. Салех М.А. Комплекс обработки и анализа биоэлектрических сигналов [текст] / Р.В. Исаков, Аль Мабрук М., Салех М. // 66-ую Всероссийскую конференцию с международным участием «Научная сессия, посвященная Дню радио», г. Москва, 2001г. С 408-410.

Подписано в печать 16.04.13. Формат 60x84/16. Усл. печ. л. 1,16. Тираж 100 Заказ 79 Отпечатано в АНО «Типография на Нижегородской» г. Владимир, Б. Нижегородская 88-Д

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых» (ВлГУ)

На правах рукописи

04201357310

Муштак Али Мухамед Салех

Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала

Специальность 05.12.04 - Радиотехника, в том числе системы и устройства

телевидения

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель: доктор технических наук, профессор Сушкова Л.Т.

Владимир 2013

СОДЕРЖАНИЕ

ВВЕДЕНИЕ..................................................................................................................4

ГЛАВА 1 СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ И АНАЛИЗА ЭЛЕТРОКАРДИОСИГНАЛА..................................................................................11

1.1. Особенности регистрации, обработки и анализа электрокардиосигнала. ..11

1.2. Параметры электрокардиограммы условно здорового человека............15

1.3. Современные походы к анализу ЭКС ............................................18

1.4. Применение искусственных нейронных сетей (ИНС) в анализе электрокар диосигнал а........................................................................37

1.5. Выводы..............................................................................................................41

ГЛАВА 2 ТЕОРЕТИЧЕСКИЕ ПРЕДПОСЫЛКИ СОЗДАНИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ НАРУШЕНИЙ В РАБОТЕ СЕРДЦА..................................43

2.1 Классическая процедура автоматизированного анализа ЭКГ...................43

2.2 Помехи при регистрации электрокардиосигнала..................................46

2.3 Методы селекции Я - зубцов..........................................................51

2.4 Выбор и обоснование структуры нейросетевой системы анализа ЭКС.......56

2.4.1 Основные положения искусственных нейронных сетей.........................56

2.4.2 Функции активации нейронов...................................................61

2.4.3 Архитектура искусственных нейронных сетей.............................65

2.4.4 Методы обучения искусственных нейронных сетей.......................69

2.4.5 Обоснование выбора типа нейронной сети для анализа электрокардиосигнала........................................................................70

2.5 Выводы.....................................................................................71

ГЛАВА 3 ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО ПОДХОДА К АНАЛИЗУ ЭЛЕКТРОКАР ДИОСИГНАЛОВ.............................................................................73

3.1 Описание экспериментального архива данных ЭКС..............................73

3.2 Методика формирования входного образа ЭКС...................................74

3.3 Алгоритм предварительной обработки ЭКС.......................................76

3.4 Разработка структуры базы данных ИНС............................................80

3.5 Процедура проведения исследований ИНС......................................................81

3.6 Алгоритм экспериментального программного исследования функционирования ИНС...........................................................................................88

3.7 Результаты исследования ИНС..........................................................................90

3.7.1 Результаты исследования нейронных сетей с применением сегментации ЭКГ...........................................................................................................................90

3.7.2 Результаты исследования нейронных сетей с применением сегментации и параметризации ЭКГ...........................................................................................95

3.7.3 Алгоритм поиска оптимального размера нейронной сети........................98

3.8 Выводы...............................................................................................................100

ГЛАВА 4 АППАРАТНО - ПРОГРАММНЫЙ КОМПЛЕКС ОБРАБОТКИ И НЕЙРОСЕТЕВОГО АНАЛИЗА СЕГМЕНТИРОВАННОГО ЭЛЕКТРОКАРДИОСИГНАЛА..........................................................................102

4.1 Структура экспериментальной системы нейросетевого анализа электрокар диосигнала.......................................................................102

4.2 Блок усиления и аналого-цифрового преобразования............................103

4.3 Блок регистрации сигнала.............................................................104

4.4 Блок обработки и визуализации сигнала в реальном времени.................104

4.5 Блок предварительной обработки сигнала и выделения образов 105

4.6 Блоки нейросетевого анализа сигнала..............................................106

4.7 Блок принятия решений....................................................................................107

4.8 Блок формирования реультатов анализа сегментированного ЭКС...........107

4.9 Сравнение с аналогом..................................................................107

4.10 Выводы.............................................................................................................108

ЗАКЛЮЧЕНИЕ И РЕКОМЕНДАЦИИ.................................................................109

БИБЛИОГРАФИЧЕСКИЙ СПИСОК....................................................112

ПРИЛОЖЕНИЕ ......................................................................................................124

ВВЕДЕНИЕ

Актуальность проблемы.

Радиотехнические методы приёма, обработки и хранения информации получили широкое развитие в различных областях жизни и продолжают расширять свои области применения, охватывая такую предметную область, как медицина.

Применение радиотехнических устройств обработки биомедицинских сигналов способствует увеличению объёма и качества получаемой информации о функциональном состоянии человека, и как следствие, созданию более эффективных биомедицинских приборов, аппаратов и систем.

Так применение методов обнаружения и селекции слабых сигналов на фоне помех для автоматического анализа электрокардиосигнала (ЭКС) позволяет выявить различные виды нарушений в работе сердца, в т.ч. аритмии.

Автоматизация процесса приёма, обработки и анализа ЭКС для обнаружения и распознавания патологических отклонений является актуальной задачей диагностики работы сердца человека, т.к. заболевания сердечнососудистой системы (ССС) являются наиболее распространенной причиной смертности и инвалидности во всем мире. По данным Всемирной организации здравоохранения смертность от этих заболеваний составляет 30% в мире и 42% в Европе.

В связи с этим особую значимость и практический интерес представляют мобильные кардиомониторы (МКМ), обладающие расширенными функциональными возможностями для экспресс-диагностики работы сердца с помощью интеллектуальных методов регистрации, обработки и анализа электрокардиосигнала (ЭКС) и обеспечивающие получение достоверной информации об электрической активности сердца на основе раннего выявления в ЭКС каких либо изменений по сравнению с ЭКС здорового человека.

В последнее время ведутся активные работы, как в России, так и за рубежом, по разработке более точных и быстрых алгоритмом классификации электрокардиограмм, в том числе с применением искусственного интеллекта. Большая часть работ направлена на использование нейронных сетей. В них с помощью обучения нейронной сети соответствующими выборками (иногда с предварительной обработкой), добиваются устойчивого распознавания типов ЭКГ и выявления нарушений. Большой вклад в развитие направления ИНС в медицине внесли многие ученые и специалисты, как в России, так и за рубежом, в том числе: Галушкин А.И., Мызников A.B., Россиев Д.А., Лохман В.Ф. Масалович А.И., Baxt W.G., Hoher М, Kestler Н.А, Golovenkin S.E., Shulman V.A., Matjushin G.V. и др.

Анализ этих работ показывает перспективность применения ИНС в задачах медицинской диагностики. Все это свидетельствует о том, что проблема разработки алгоритмов распознавания наличия патологических изменений в ЭКС является социально- значимой.

Исходя из этого, актуальность данной диссертации определяется необходимостью разработки и исследования методов и средств получения, обработки и анализа биоэлектрических сигналов с использованием нейросетевых технологий с целью выявления изменений формы ЭКС и, как следствие, нарушений в работе сердца.

В связи с этим целью данной работы является развитие радиотехнических методов и средств выявления патологических изменений в сигнале электрической активности сердца на основе применения технологии искусственных нейронных сетей.

Для достижения поставленной цели ставится задача синтеза алгоритмов выделения, обработки и анализа диагностической информации, содержащейся в электрокардиосигнале (ЭКС), отражающем электрическую активность сердца человека. Для этого необходимо:

1. На основе анализа литературы по существующим подходам и методам распознавания образов с учётом специфики ЭКС и возможностям применения искусственных нейронных сетей (ИНС) в задаче распознавания патологических отклонений в данном сигнале выбрать и обосновать основные параметры и характеристики искусственной нейронной сети (ИНС).

2. Сформировать необходимый объем обучающих и тестовых данных электрокардиосигналов в «норме» и при отклонениях от нормы.

3. Разработать алгоритмы создания обучающих образов, а также структуру экспериментальной базы данных электрокардиосигналов.

4. Разработать специализированные алгоритмы автоматизации проведения экспериментальных исследований ИНС с целью обоснованного выбора методики формирования пространства признаков для ИНС и размера нейросети в целом.

5. Провести экспериментальные исследования разработанной нейросетевой системы обработки и анализа электрокардиосигналов и оценить на основе выбранных критериев эффективность её функционирования в задаче экспресс - диагностики работы сердца.

Объектом исследования являются методы обработки и анализа биоэлектрических сигналов (БЭС).

Предметом исследования является эффективность применения нейросетевой технологии к решению задач выявления и распознавания патологических изменений в биоэлектрических сигналах.

Область исследований. Решение научно - технической задачи развития современных радиотехнических методов и средств обработки и анализа электрокардиосигнала на основе применения нейронных сетей и технологии распознавания образов для повышения эффективности аппаратно -программных комплексов экспресс - диагностики работы сердца человека.

Методы исследования. Для решения поставленных в работе задач использовались методология системного анализа, теории искусственных нейронных сетей и распознавания образов, цифровой обработки сигналов, статистики и экспериментальных исследований. В процессе работы использовался программный пакет Neural Network Toolbox системы Matlab 7. Экспериментальный прототип системы анализа электрокардиосигналов разрабатывался с применением программной среды Lazarus.

Научная новизна результатов исследования заключается в том, что:

1. На основе сегментарного подхода предложена методика формирования входных образов электрокардиосигналов, несущих информацию об электрической активности сердца, последующий анализ которых с помощью ИНС позволяет оценить работу сердца в режиме экспресс - диагностики, при повышенной устойчивости к воздействию шумов и помех.

2. Разработан и экспериментально исследован алгоритм предварительной обработки ЭКС на основе формы сегментированного P-QRS-T комплекса, обеспечивающий получение информации об электрической активности сердца с возможностью локализации места возникновения патологии.

3. Разработан алгоритм нахождения оптимального количества нейронов скрытого слоя ИНС на основе результатов обучения и тестирования сети, что способствует минимизации ошибки неверного заключения. Практическая значимость. Разработанные алгоритмы анализа электрокардиосигнала расширяют функциональные возможности переносных кардиомониторов по обнаружению нарушений в работе сердца человека, в частности, обеспечивают распознавание и локализацию патологических отклонений от нормы в проводящей системе сердца человека. Предложенный в работе сегментарный подход обеспечивает автоматический поиск и диагностику патологий сердца в режиме реального времени с чувствительностью 85% и специфичностью 92%, а также расширение

функциональных возможности ИНС в задаче анализа БЭС путём доучивания имеющихся модулей.

Разработанный алгоритм нахождения оптимального количества нейронов скрытого слоя для многослойного персептрона обеспечивает возможность выбора такого сочетания значений чувствительности и специфичности, при которых достоверность выполнения целевой функции ИНС максимальна.

Экономическая и социальная значимость работы состоит в расширении функциональных возможностей и повышении эффективности работы переносных кардиомониторов для экспресс - диагностики работы сердца человека.

Достоверность научных положений. Достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается результатами тестирования созданных алгоритмов на основе общепризнанных верифицированных баз данных ЭКС ресурса РИуБюКе! , экспериментальных исследований и апробации разработанных специализированных нейросетевых блоков распознавания отклонений ЭКС от нормы.

Основные научные положения, выносимые на защиту.

1. Методика создания входных образов ЭКС по времени относительно Я-зубца, которая отличается большей помехоустойчивостью по сравнению с методиками сегментации по форме ЭКГ.

2. Алгоритм формирования входных образов кардиокомплексов на основе выделения сегмента Р-СЖБ-Т комплекса, который позволяет увеличить достоверность распознавания отклонений от нормы по сравнению с параметрическим методом создания образов.

3. Алгоритм нахождения оптимального числа нейронов скрытого слоя ИНС типа многослойный персептрон, которая обеспечивает повышение эффективности функционирования нейросетевых блоков по распознаванию отклонений ЭКС от нормального.

Результаты внедрения работы. Основные теоретические и практические результаты работы внедрены в научно-исследовательскую деятельность и в учебный процесс кафедры биомедицинской инженерии Владимирского государственного университета при подготовке специалистов по направлению 201000 - «Биотехнические системы и технологии». Созданное методическое и программное обеспечение, в частности, алгоритма нахождения оптимального числа нейронов скрытого слоя, методика выделения Я - зубца электрокардиосигнала в ОАО «Владимирское КБ радиосвязи», а также результаты нейросетевой обработки реальных ЭКС прошли апробацию в муниципальном учреждении здравоохранения «Городская больница № 1».

Личный вклад автора. В работах, опубликованных в соавторстве, автором предложены алгоритмы программ автоматизации исследований, проведено компьютерное моделирование, выполнены лично основные расчеты, проведен анализ результатов.

Апробация работы. Основные научные и практические результаты работы докладывались и обсуждались на: VII международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии», Владимир, 2008г; IX международной научно-технической конференция «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ), (г. Владимир, 20 Юг); Всероссийской конференции с элементами научной школы для молодежи «Биомедсистемы 20Юг», РГТУ, (г. Рязань, 2010 г), 66-ой Всероссийская конференции с международным участием «Научная сессия, посвященная Дню радио», (г. Москва, 2011 г)

Публикации. Самостоятельно и в соавторстве по материалам диссертации опубликованы 7 работ, в том числе 2 на всероссийских конференциях, 3 на международных конференциях, 3 статьи в профильных журналах, рекомендованных ВАК РФ.

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, библиографического списка, включающего 123

наименований и 2 приложений. Объём диссертации 123 страницы машинописного текста, 51 рисунка и 14 таблиц.

ГЛАВА 1 СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ И АНАЛИЗА ЭЛЕТРОКАРДИОСИГНАЛА

1.1. Особенности регистрации, обработки и анализа электрокардиосигнала

Типовая структурная схема основных этапов обработки и анализа биоэлектрического сигнала (БЭС) приведена, на рисунке 1.1

Рис. 1.1- Типовая структурная схема обработки и анализа БЭС

Основная задача этих этапов - выделить полезный сигнал на фоне помех при минимизации его искажений в процессах обработки.

В задачах анализа работы сердца в качестве источника информации используется электрокардиосигнал, регистрируемый с помощью электрокардиографа (рис. 1.2).

Рис. 1.2. Портативный электрокардиограф.

Электрокардиограмма (ЭКГ) — представляет собой запись колебаний разности потенциалов, возникающих на поверхности возбудимой ткани или окружающей сердце проводящей среды при распространении волны возбуждения по сердцу [34,36,39]. Запись ЭКГ производится путем регистрации изменения разности потенциалов между двумя точками в

электрическом поле сердца (на поверхности тела) во время его возбуждения. Современные электрокардиографы отличаются высоким техническим совершенством и позволяют осуществить как одноканальную, так и многоканальную запись ЭКГ.

В таблице 1.1 приведены примеры ЭКГ в норме и с патологией.

ЭКГ с нормой

»44=

Ш44

.....-1......... —...........1 1

V— Л-^... .1 Л •1

СМ плсп-аи. 0.2 чес. 0.5 «V

(Зп<1 Ьют-аК 0.2 же. 03 аУ

-/

■ V -^Ч-^Ч

ЭКГ с патологией

С*ц| Уйегл'аК' 0.2 »ее. 0.5 «V

Оп<1 ¡мсп а!». 0.2 »ее 0.5 га\

Изменения разности потенциалов на поверхности тела, возникающие во время работы сердца, фиксиру�