автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Система и алгоритм обнаружения информативных импульсов электрокардиосигнала в условиях интенсивных помех

На правах рукописи 005003536

ИСТОМИН Борис Александрович

СИСТЕМА И АЛГОРИТМ ОБНАРУЖЕНИЯ ИНФОРМАТИВНЫХ ИМПУЛЬСОВ ЭЛЕКТРОКАРДИОСИГНАЛА В УСЛОВИЯХ ИНТЕНСИВНЫХ ПОМЕХ

Специальность 05.11.17 - Приборы, системы и изделия медицинского

назначения

Автореферат диссертации на соискание ученой степени кандидата технических наук

-1 ДЕК 2011

ПЕНЗА 2011

005003536

Работа выполнена на кафедре «Информационно-вычислительные системы» федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Пензенский государственный университет».

Научный руководитель - доктор технических наук, профессор

Чувыкин Борис Викторович.

Официальные оппоненты: доктор технических наук, профессор

Мясникова Нина Владимировна;

кандидат технических наук Солодимова Галина Анатольевна.

Ведущая организация - федеральное государственное бюджетное

образовательное учреждение высшего профессионального образования «Юго-западный федеральный университет», г. Курск.

Защита диссертации состоится 15 декабря 2011 г., в 14 часов, на заседании диссертационного совета Д 212.186.02 в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Пензенский государственный университет» по адресу: 440026, г. Пенза, ул. Красная, 40.

С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Пензенский государственный университет», автореферат размещен на сайте университета www.pnzgu.ru и в сети Интернета Минобрнауки РФ.

Автореферат разослан «_»_2011 г.

Ученый секретарь диссертационного совета доктор технических наук, профессор

Светлов А. В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Совершенствование приборов и систем медицинского назначения является важной народнохозяйственной задачей, требующей постоянного проведения глубоких научных изысканий. Особенно остро во всем мире стоит проблема снижения смертности от заболеваний сердца, поэтому диагностике и лечению патологий сердечнососудистой системы необходимо уделять большое внимание. Достоверную оценку состояния сердечно-сосудистой системы обследуемого можно получить с помощью кардиомониторных систем, которые формируют не только визуальное представление электрокардиосигнала, но и количественные параметры, вычисленные на основе анализа его информативных составляющих. Неотъемлемой частью подобных систем является устройство обнаружения информативных импульсов электрокардиосигнала (ИИ ЭКС). Основными проблемами при проектировании и эксплуатации подобных устройств являются интенсивные помехи (соотношение сигнал/помеха менее 10 дБ), нестационарность, сложная структура и индивидуальная изменчивость полезного сигнала.

Помехи, возникающие при регистрации ЭКС, разнообразны по происхождению и структуре. Это могут быть внешние помехи, помехи от биологического объекта и помехи, создаваемые техническими средствами. Наиболее распространенными помехами, возникающими в процессе анализа электрокардиосигнала, являются сетевые, миографические, дрейф изолинии, помехи вследствие движения и дыхания, шумы регистрирующего и прочего медицинского оборудования, шумы квантования, а также помехи, возникающие при обработке сигнала (колебания Гиббса).

Сложность подавления шумов в электрокардиосигнале обусловлена тем, что сигнал имеет локально сосредоточенную структуру, т.е. диагностические признаки локализованы на сравнительно небольших фрагментах области определения. Кроме того, между полезным сигналом и помехой отсутствует корреляция, то есть они являются статистически независимыми.

Большой вклад в автоматическую обработку и анализ ЭКС внесли отечественные ученые В. А. Калантар, А. И. Калиниченко, В. М. Колтун, Л. А. Манило, А. А. Михеев, А. П. Немирко, Л. И. Титомир, а также зарубежные авторы J. Pan, W. Tompkins, P. Trahinias, M. Ahlstrom, R. Balda, V. Afonso, P. Hamilton и др.

Однако алгоритмы, положенные в основу приборов и систем медицинского назначения, показывают гарантированно высокие результаты только при определенных условиях. При наличии помех эффективность их работы существенно снижается. В настоящее время отсутствуют общепринятые методики сравнительной оценки алгоритмов обнаружения и анализа ИИ ЭКС в условиях интенсивных помех, поэтому необходима разработка

алгоритмов и систем для обеспечения объективной оценки эффективности кардиомониторных систем.

Процесс анализа электрокардиосигнала включает следующие основные этапы:

- предварительная обработка (фильтрация легко устранимых помех);

- обнаружение характерных составляющих электрокардиосигнала;

- анализ найденных составляющих сигнала;

- решение о принадлежности к определенному классу (норма или патология).

Анализ показывает, что наиболее важным и сложным этапом является процесс обнаружения характерных составляющих ЭКС. От точности проведения данного этапа будет зависеть эффективность всей процедуры анализа в целом. В связи с этим предъявляются повышенные требования к алгоритмам обнаружения информативных импульсов электрокардиосигнала в составе приборов и систем для кардиодиагностики, в частности, высокая эффективность и помехоустойчивость (сохранение высокой эффективности при наличии интенсивных помех). Среди большого числа существующих алгоритмов в составе систем обнаружения с высокой эффективностью, заявленной разработчиками, далеко не все обладают приемлемой помехоустойчивостью. Объясняется это тем, что тестирование выполняется на небольшом количестве сигналов простой формы и однотипных по составу помех низкой интенсивности. Поэтому возникает потребность в разработке помехоустойчивых систем обнаружения ИИ ЭКС и методики тестирования, которая позволит автоматизировать оценку их эффективности по сравнению с аналогами в условиях наличия патологий и интенсивных помех различного происхождения.

Объект исследования: методы, алгоритмы и системы помехоустойчивого обнаружения информативных составляющих электрокардиосигнала.

Предмет исследования: алгоритмы и система для обнаружения информативных импульсов ЭКС на фоне помех различного вида.

Цель работы: разработка системы и создание алгоритма, повышающего эффективность обнаружения информативных импульсов ЭКС в условиях интенсивных помех, а также создание методики для тестирования алгоритмов и систем.

Основные задачи исследования:

1) анализ и систематизация алгоритмов обнаружения информативных импульсов ЭКС для создания системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех;

2) разработка помехоустойчивого алгоритма обнаружения информативных импульсов ЭКС на основе метода согласованной агрегации решений (САР), базирующегося на выделении областей компетентности решающих правил для повышения эффективности анализирующего блока системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех;

3) разработка критерия и методики оценки эффективности работы средств обнаружения информативных импульсов ЭКС;

4) создание системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма согласованной агрегации решений, повышающей эффективность обнаружения информативных импульсов ЭКС;

5) разработка системы тестирования аппаратно-программных средств управляемой имитации сигнально-помеховой обстановки и оценки эффективности обнаружения информативных импульсов ЭКС с помощью предлагаемой методики.

Методы исследования.

Теоретическая часть диссертационной работы выполнена на базе теории цифровой обработки сигналов и методов математической статистики. Исследования проведены в средах Matlab, Delphi.

Научная новизна исследования.

1. Разработан помехоустойчивый алгоритм согласованной агрегации решений, отличающийся использованием областей компетентности различных алгоритмов в процессе их агрегации, позволивший повысить надежность обнаружения информативных импульсов ЭКС за счет сочетания преимуществ алгоритмов, эффективных в разных диапазонах помех.

2. Предложен критерий оценки эффективности работы средств обнаружения информативных импульсов ЭКС в условиях интенсивных помех, отличающийся введением процедуры интеграции в классический ROC-анализ и позволяющий агрегировать помехоустойчивые свойства решающих правил в составе алгоритма согласованной агрегации решений.

3. Предложена методика тестирования алгоритмов, входящих в состав аппаратно-программных средств обнаружения информативных импульсов ЭКС, отличающаяся введением управляемой имитации сигнально-помеховой обстановки и комплексированием критериев оценки эффективности этих алгоритмов.

4. Предложено использовать для создания системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех разработанный алгоритм согласованной агрегации решений, что позволяет повысить эффективность работы системы в условиях интенсивных помех в среднем на 5 %.

Практическая значимость.

Создана система тестирования аппаратно-программных средств медицинского приборостроения, отличающаяся возможностью вынесения экспертных оценок и позволяющая количественно и визуально оценивать эффективность алгоритмов, приборов и систем кардиологического назначения.

Разработана система обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма согласованной агрега-

ции решений, позволившая повысить надежность обнаружения информативных импульсов ЭКС за счет сочетания преимуществ нескольких алгоритмов, эффективных в разных диапазонах помех, что улучшает качество диагностики кардиологических заболеваний.

На защиту выносятся:

1. Помехоустойчивый алгоритм для системы обнаружения информативных импульсов электрокардиосигнала, основанный на методе согласованной агрегации с использованием областей компетентности, позволяющий сочетать достоинства нескольких решающих правил, имеющих различную математическую основу.

2. Методика тестирования алгоритмов и аппаратно-программных средств обнаружения информативных импульсов электрокардиосигнала, позволяющая оценивать работу алгоритмов в условиях имитации управляемой сигнально-помеховой обстановки.

3. Критерий оценки компетентности компонентов в составе согласованной агрегации решений, отличающийся введением процедуры интеграции в классический алгоритм ЯОС-анализа и позволяющий усовершенствовать оценку эффективности приборов и систем кардиологического назначения.

Реализация и внедрение результатов. Полученные в диссертационной работе результаты используются в научно-исследовательской работе, выполняемой ООО «Биософт-М», г. Москва, по созданию комплекса диагностики состояния сердечно-сосудистой системы человека, а также в учебном процессе кафедры «Информационные технологии и менеджмент в медицинских и биологических системах» Пензенской государственной технологической академии.

Апробация работы. Основные результаты диссертационной работы обсуждались на конференциях и научных школах: «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2007); «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2009); «Перспективы медицинского приборостроения» (Таганрог, 2009); «Инновационные технологии в экономике, информатике и медицине» (Пенза, 2008, 2009, 2010, 2011); «Медицинские информационные системы МИСС-2010» (Таганрог, 2009, 2010); «Актуальные проблемы науки и образования» (Пенза, 2009, 2010); «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2009, 2010); «Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге» (Таганрог, 2010); «Фундаментальные, клинические и гигиенические основы и аппаратно-методическое обеспечение системы медико-психологической реабилитации пациентов, подверженных высокому уровню напряженности труда и профессионального стресса» (Таганрог, 2011).

Публикации. По теме диссертации опубликовано 20 печатных работ, в том числе 4 по списку, утвержденному ВАК России.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и 2 приложений; изложена на 198 страницах и содержит 87 рисунков, 7 таблиц, список литературы из 129 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и основные задачи исследования, показаны научная новизна и практическая ценность работы, приведены основные положения, выносимые на защиту.

В первой главе рассмотрены особенности биологических сигналов, в частности ЭКС; обозначены основные проблемы, возникающие при обработке и анализе подобных сигналов. Выявлены факторы, оказывающие влияние на ЭКС, в том числе, затрудняющие проведение анализа сигнала:

- зашумленный сигнал, артефакты электродов;

- патологический сигнал;

- малая амплитуда (^КБ-комплексов;

- внезапное изменение уровня (ЗЯБ-комплекса и др.

Обоснована необходимость надежного обнаружения ИИ ЭКС для

эффективного выявления нарушений сердечного ритма и проводимости, а также для определения опасных состояний, вызванных интенсивным информационным воздействием. Показано, что обнаружение ИИ - ключевой этап автоматического анализа ЭКС, на основе которого определяются важные параметры работы сердца (частота сердечных сокращений (ЧСС), длительность КЯ, вариабельность сердечного ритма (ВСР) и др.), а в ряде случаев формируются предварительные заключения о состоянии сердечнососудистой системы (ССС).

Определены общие проблемы, присущие разным классам алгоритмов обнаружения ИИ ЭКС, прежде всего, наличие интенсивных помех. Рассмотрены основные виды помех, возникающие при регистрации ЭКС: сетевые помехи, дрейф изолинии, дыхательные помехи, помехи движения (смещение электродов), мышечные помехи.

Проанализированы основные характеристики приведенных видов помех и примеры зашумленных сигналов, а также приемы, наиболее часто используемые для их устранения. Проанализирована наиболее распространенная структура обнаружителя ИИ ЭКС, которая содержит блок предобработки и блок принятия решения. Показано, что стадия принятия решения, как правило, сопровождается процедурой сравнения с порогом, от которой зависят чувствительность и специфичность работы алгоритма. Рассмотрены способы повышения помехоустойчивости алгоритмов обнаружения ИИ ЭКС, к числу которых относятся аппаратные и алгоритмические методы.

Проблема, заключающаяся в недостаточно высокой надежности работы кардиомониторов в условиях интенсивных Помех, может быть реше-

на путем создания алгоритма, демонстрирующего высокую эффективность в присутствии разнообразных по типу и уровню помех. Кроме того, необходимы методика и технические средства оценки эффективности алгоритмов обнаружения ИИ ЭКС для различных условий внешней среды - наличие либо отсутствие помех и патологий. Выявлена также необходимость создания помехоустойчивого алгоритма и системы обнаружения ИИ ЭКС, агрегирующих результаты работы нескольких решающих правил в условиях интенсивных помех различного вида.

Во второй главе рассмотрены основные операции обработки и анализа ЭКС, лежащие в основе наиболее эффективных алгоритмов, к которым относятся операторы дифференцирования и интегрирования, разложение ЭКС по базисным функциям, определение рангов.

Предложена систематизация алгоритмов обнаружения ЭКС, позволяющая выделить наиболее помехоустойчивые из них (рисунок 1).

Алгоритмы обнаружения (^КБ-комплексов ЭКС

по наличию адаптации к изменениям свойств сигналов и помех

I

Г

Неадаптивные

по чувствительности к измен«

X

4ниям свойств сигналов и помех

I _

Неинвариантные

по виду

Линейные

1

по виду базово!

Г

Интегральные

по наличию

Адаптивные

Инвариантные

преобразования

Нелинейные

математической, операции

Дифференциальные

декомпозиции сигнала

Без разложения ЭКС по базисным функциям

На основе разложения ЭКС по базисным функциям

Рисунок 1 - Систематизация алгоритмов обнаружения ИИ ЭКС

Проведенный анализ классификационных групп позволяет сделать вывод о том, что наиболее эффективные алгоритмы обнаружения (ЗЯБ-комплексов по степени значимости признаков систематизации целесообразно строить на основе: сочетания адаптивного и инвариантного подхода; нелинейных преобразований; сочетания фильтрующих свойств опе-

раторов дифференцирования и интегрирования, а также при использовании разложения по базисным функциям.

Показано, что перечисленные алгоритмы демонстрируют наивысшую эффективность в определенных значениях пространства признаков.

Для повышения помехоустойчивости кардиомониторов предложен алгоритм, при построении которого использован метод согласованной агрегации, повышающий надежность обнаружения ИИ ЭКС за счет сочетания преимуществ нескольких алгоритмов.

Согласованное решение определяется как некоторая функция индивидуальных решений:

Здесь F - алгоритм принятия согласованного решения; К; - индивидуальные решения, принимаемые членами алгоритма согласованной агрегации; Х- рассматриваемая ситуация.

Решение С в задаче распознавания состоит в выборе номера одного из классов Кк, к = 1,2,..., К, для каждой конкретной ситуации X, для которой правила Я/ принимают различные решения:

если ХеКк, тоЦХ)-, 1 = 1,2,...,1; к =1,2,...,К.

Одним из подходов является принятие решения на основе большинства проголосовавших алгоритмов. Пусть и — голосующая функция для определенного класса К, которая в общем случае может определяться с учетом веса каждого голосующего алгоритма g|:

I

При этом решение о наличии либо отсутствии ИИ внутри рассматриваемого участка принимается, если голосующая функция для данного класса оказалась максимальной:

X е К,, если щ = шах(и), / = 1,2,...,/,

где / - количество классов.

Однако на практике подобные методы объединения решений не всегда демонстрируют высокие результаты вследствие того, что может возникнуть ошибка большинства членов коллектива. Веса отдельно взятых алгоритмов фиксированы и не изменяются, т.е. особенности конкретной ситуации не учитываются при определении конечного решения.

В условиях, когда различные алгоритмы показывают наилучшие результаты в определенных областях пространства признаков, в разрабатываемом алгоритме согласованной агрегации решений должен использоваться алгоритм только в области его компетенции, при этом предполагается наличие правила, определяющего наиболее компетентные алгоритмы

для данного сочетания признаков. Метод будет давать наилучшие результаты в условиях, когда возможные ошибки классификаторов некоррелиро-ваны между собой. Различная математическая суть используемых алгоритмов определяет, что ошибочные результаты будут возникать в различных областях пространства признаков. Критерий, по которому оценивается компетентность алгоритма, входящего а состав алгоритма САР, называется показателем компетентности. Распознаваемая ситуация принадлежит к области компетентности того алгоритма, для которого показатель компетентности максимален:

ХеКк=> Я*(А'),/ = 1,2,...,£, если Ф*(Х) = тах(Ф),п = 1,2,...,АГ,

где К - количество классов; I - общее число алгоритмов; Аг- общее количество областей; Д; — решающее правило /-го алгоритма; Ф„ - показатель компетентности п- й области.

Для определения показателя компетентности могут использоваться вероятность на основе формулы Байеса, разделяющие потенциальные функции, метод Фикса - Ходжеса, метод ближайшего соседа, вероятность правильной классификации и др. Однако необходим показатель компетентности, характеризующий алгоритм одновременно по нескольким критериям: вероятность обнаружения, временная точность обнаружения, соотношение чувствительности и специфичности работы алгоритма.

Под САР понимается конечное подмножество множества всех решающих правил. Применительно к задаче обнаружения ИИ ЭКС САР состоит в отнесении рассматриваемой ситуации Хк одному из классов К: искомый ИИ, либо фрагмент, не содержащий ИИ. Ситуация Охарактеризуется вектором параметров или признаков: {хи х2, ..., х„}. В рассматриваемый согласованный алгоритм входят алгоритмы на основе наиболее помехоустойчивых методов, определенных ранее: дифференцирования, интегрирования, разложения по базисным функциям и рангового методов.

Задачу принятия согласованного решения при обнаружении ИИ ЭКС можно определить следующим образом: если Л/ - решения алгоритмов А обнаружения ИИ ЭКС, входящих в множество согласуемых алгоритмов, тогда согласованное решение алгоритма обнаружения СА можно записать в виде следующей функции:

СА = /(Уд,Уи,Уб,Ур,ИО.

где Уд - результирующее решение алгоритма на основе решающего правила по методу дифференцирования Лд; Уи - результирующее решение алгоритма, основанного на решающем правиле по методу интегрирования /?„; Кб - результирующее решение алгоритма на основе решающего правила с разложением по базисным функциям Яъ, Ур - решение рангового алгоритма Вр; IV- рассматриваемый отрезок сигнала.

Упрощенно процесс обнаружения (¿ЛБ-комплекса показан на рисунке 2 при рассмотрении в пространстве двух признаков и х2, в качестве которых выступают амплитуда и скорость ее возрастания на рассматриваемом участке. Задача алгоритма стоит в отнесении ситуации к одному из классов К (отсутствие и наличие С?115-комплекса). На рисунке 2 ИИ1-ИИ4 - ситуации, представленные в координатах амплитуда и скорость возрастания на рассматриваемом участке, подаваемые на вход алгоритма; ££ - разделяющая поверхность, которая представляет собой идеальный классификатор; ЯД-ЯР - решающие правила алгоритмов обнаружения. В данном случае для ситуации ИИ3 три алгоритма из четырех (соответствующие решающим правилам Я6, Яи и Яд) принимают неверное решение, следовательно, согласованный алгоритм обнаружения ИИ ЭКС, при учете фиксированного веса для каждого класса, даст ложное решение. То же самое применимо для ситуации ИИ4, в данном случае лишь алгоритм, соответствующий решающему правилу Яи, дает верное решение. Структурная схема обнаружения ИИ ЭКС на основе согласованной агрегации имеет вид, представленный на рисунке 3.

Рисунок 2 - Пример работы алгоритмов обнаружения ИИ ЭКС

Рисунок 3 - Структурная схема обнаружения ИИ ЭКС на основе САР

11

Здесь Яд-йр - решающие правила обнаружения, входящие в алгоритм обнаружения ИИ ЭКС на основе согласованной агрегации решений; Уд-Ур - решения алгоритмов-компонент; / - алгоритм принятия согласованного решения. Решение, таким образом, сводится к выбору одного из классов (наличие либо отсутствие ИИ ЭКС) в условиях интенсивных помех, когда каждый из алгоритмов в отдельности не обеспечивает требуемой эффективности при принятии индивидуального решения.

В качестве признаков могут использоваться следующие параметры электрокардиосигнала: соотношение сигнал/шум, тип помех, число отведений, среднеквадратическая мощность сигнала в изоэлектрической области, отношение амплитуды Л-зубца к амплитуде шума в изоэлектрической области, отношение амплитуды пика к среднеквадратическому значению, отношение спектральной мощности внутри полосы (5...40 Гц) к спектральной мощности вне этой полосы, остаточная мощность сигнала после фильтрации, необходимый уровень специфичности работы алгоритма, априорная информация о наличии патологии и др.

Для выявления системы информативных признаков и алгоритмов-компонент, предпочтительных с точки зрения их использования в составе алгоритма САР, необходима разработка системы и методики их тестирования в условиях управляемой имитации сигнально-помеховой обстановки.

В третьей главе рассмотрены вопросы исследования и апробации системы тестирования аппаратно-программных средств медицинского приборостроения для оценки эффективности методов обнаружения ИИ ЭКС. Показана потребность в унифицированной методике всестороннего тестирования алгоритмов обнаружения ИИ ЭКС, которая связана с недостатками имеющихся методик, а именно: небольшое количество сиг-' налов, используемых для тестирования алгоритмов; простая форма сигналов; однотипность по составу помех, имеющих низкую интенсивность; невозможность программирования имитации помеховой обстановки.

Проанализированы перспективы применения различных алгоритмов обнаружения ИИ ЭКС для повышения эффективности с точки зрения их помехоустойчивости, оцениваемой с помощью метода экспертной оценки. Для этого проведены сравнительные исследования различных алгоритмов на специально созданной для этого тестовой базе сигналов и помех. С этой целью автором была разработана методика сравнительной оценки эффективности алгоритмов обнаружения ИИ ЭКС, которая содержит несколько этапов:

1) подготовительная часть (настройка системы):

- определяется тип входного сигнала;

- определяется тип и выбираются параметры помехи;

- программируется имитация сигнально-помеховой обстановки;

- производится визуальный контроль входного сигнала;

- производится предварительная фильтрация входного сигнала;

- осуществляется контроль результатов предварительной фильтрации ЭКС;

- определяются исследуемые алгоритмы обнаружения ИИ ЭКС;

- производится контроль работы алгоритма обнаружения ИИ ЭКС;

- осуществляется экспертная оценка работы исследуемого алгоритма обнаружения ИИ ЭКС;

- выбирается способ оценки эффективности работы алгоритма обнаружения ИИ ЭКС;

- определяется время тестирования алгоритма обнаружения ИИ

ЭКС;

2) тестовая часть;

3) аналитическая часть;

4) контрольная часть.

Проведен анализ известных средств формирования тестовых сигналов, в том числе базы данных биомедицинских сигналов Physionet, AHA, Ann Arbor Electrogram Libraries, CSE Database и I2-iead ECG Library; показаны преимущества работы с базой MIT-BM ресурса Physionet при построении тестовой базы. Разработана специализированная многоуровневая база тестовых сигналов и помех для реализации предложенной методики. Данная база включает записи нормальных и патологических сигналов с возможностью добавления помех естественного и искусственного происхождения.

Разработана система тестирования аппаратно-программных средств медицинского приборостроения, включающая программный интерфейс для реализации исследовательской методики оценки эффективности алгоритмов обнаружения ИИ ЭКС. Структурная схема системы представлена на рисунке 4, внешний вид интерфейса и примеры его работы в различных режимах показаны на рисунке 5,а-в. С помощью разработанной системы можно получать локальные цифровые копии сигналов, использовать плату сопряжения Advantech PCI-1710, а также интерактивно загружать сигналы с ресурса Physionet, указав имя записи и длительность. При использовании первых двух способов эксперту необходимо вручную указать метки, соответствующие значениям комплекса; в случае использования Physionet метки автоматически загружаются с сайта из файла аннотации для сигнала. Программная часть системы позволяет фильтровать полученный сигнал фильтрами верхних и нижних частот, а также полосовыми фильтрами, построенными на основе стандартных функций пакета Matlab. Кроме того, при необходимости исследователь может наложить шумы различного уровня на ЭКС: мышечные помехи (загружаются с Physionet), сетевую помеху и др., а полученный сигнал вывести на тестируемый прибор, либо подать на вход исследуемых алгоритмов. Иллюстрация процедуры тестирования алгоритмов и построенные N-ROC-кривые для различных типов помех приведены на рисунке 5,2.

Исследователь

4.1

Блок управления режимами

БО

ТП

4

Блок ввода/ вывода

Из файла

Phy.sior.ct

Интерфейс

О

Блок предварительной обработки

Добавление помех

Мышечные

Дрейф изолинии

Помехи движения

Сетевая

Предварительная фильтрации

ФНЧ

ФВЧ

Полосовой

1=)

Блок алгоритмов

Дифференцирование

Интегрирование

Вейвлет

Амплитудно-временной

Ранговый

Компетекгаостный алгоритм на основе согласованной агрегации

Блок отображения цифровой и графической информации

Блок экспертных оценок

Метки ИИ

Метки из РЬувюпМ

Д.

яое

мкос

Блок качественной оценки

Л

Абсолютный гажтечий

Относительный южтеоий

Приведенный кртернй

члп

чло

одэ

Клок количественной оц енки эффективное!«

Рисунок 4 - Структурная схема системы тестирования аппаратно-программных средств медицинского приборостроения

Рисунок 5 - Внешний вид разработанного интерфейса

Разработанная методика позволяет проводить сравнение нескольких алгоритмов обнаружения ИИ ЭКС и определять, насколько коррелированы результаты их работы, на основе чего можно делать вывод о возможности исключения без потери производительности. В процессе тестирования разработанного алгоритма на основе САР с вероятностью ошибки распознавания в качестве показателя компетентности алгоритма оказалось, что данный показатель не учитывает требования специфичности, накладываемые в ряде случаев на работу алгоритма. Рассмотрены критерии оценки эффективности работы приборов и систем, среди них выделен RÛC-анализ, представляющий инструмент для оценки производительности алгоритмов, который имеет ряд преимуществ, в том числе возможность оценки эффективности при заданном значении специфичности. В качестве параметра для сравнения эффективностей различных алгоритмов, используется площадь под ROC-кривой. В предложенном подходе в качестве показателя компетентности предлагается использовать разработанный на основе усредненного ROC-анализа помехоустойчивый N-ROC-анализ, адаптированный для оценки эффективности методов обработки при различных внешних условиях: наличие стресса, внешнего шума и т.д. Проанализированы и исследованы методы оценки эффективности на основе построения ROC-кривых: обычный ROC-анализ (ordinary O-ROC); усиленный ROC

(substantial - S-ROC); усредненный ROC-анализ (averaged - A-ROC) и разработанный помехоустойчивый - (noise immunity -N-ROC).

Применительно к решаемой задаче оценки алгоритмов обнаружения ИИ ЭКС процесс тестирования был модифицирован. Задача состоит в получении инструмента, характеризующего поведение классификатора при различных условиях - при различных по характеру и составу нарастающих помехах. Для этого в набор тестовых сигналов включены образцы, содержащие наиболее распространенные помехи: сетевые, помехи движения, дыхательные, дрейф изолинии. При этом каждый набор должен содержать перечисленные виды помех с возрастающей амплитудой. Результирующая кривая будет служить интегральной характеристикой алгоритма, отражать его производительность при разных видах и уровнях помех. Подобный подход носит название усреднения по ансамблю. В данном случае функция плотности вероятности неизвестна заранее. Имеется N распределений r\{X{), г2(Х2), ..., г»(Хм), где X, - ситуация, соответствующая 2-й кривой. В этом случае усредненная кривая в пределе для N распределений должна строиться согласно следующей зависимости:

JV-»оо,Х-*а N

При малых значениях шума и отсутствии патологий ROC-кривая для большинства алгоритмов будет приближена к точке с координатами (1,1) ~ зависимость 2 на рисунке 6; напротив, при значительных уровнях шума кривая окажется приближена к линии бесполезности классификатора - зависимость 1, кривая 3 представляет собой усредненную N-ROC-зависимость.

При сравнении полученных характеристик алгоритмов, кроме визуального анализа, можно пользоваться различными подходами, использую-

щимися для стандартного сопоставления полученных результатов, например, определение площади под ЯОС-кривой или нахождение индекса Йо-дена. Площадь под М-ЯОС-кривой может быть использована для эффективного выделения областей компетентности алгоритмов обнаружения ИИ ЭКС, так как учитывает работоспособность алгоритма при различных значениях порога, а также в условиях изменяющейся внешней среды при различном составе и уровне помех:

X е В* если Ф/ = шах(Ф),

где X - рассматриваемая ситуация; В1 - искомая область компетентности; Ф/ - показатель компетентности /-й области; Ф - множество показателей компетентности. В качестве коэффициента компетентности предложено использовать площадь под И-ЯОС-кривой, вычисляемую для каждого исследуемого алгоритма:

лис] = \Кх)ск = + Хк ](¥ш - Ук), / 1

где А1/Су - площадь под ЯОС-кривой для у-го алгоритма; Хк - значение по оси Ук - значение по оси Бе для ЯОС-кривой. Выходной вектор для алгоритма на основе метода согласованной агрегации определяется следующим выражением:

ЦЛХ) = (&сО)>'1с(*)' 82с(х)У2С(х).....ё„с(х)Упс(х))>

где х - входной вектор; g„c - весовые коэффициенты; - решение л-го алгоритма для ситуации с. Искомый показатель компетентности определяется следующим образом:

м

£АиСу

где количество ЯОС-кривых.

Результат работы алгоритма САР определяется по следующей формуле:

( N N N ^

%лису ^лису £лису

-И——ад, —Н2(Л-, —я„(х) у У У )

СА{Х) = тах

где АС'С у - площадь под ЛОС-кривой для г'-го уровня помехи и у'-го алгоритма. Для апробации предложенного подхода необходима разработка технической части системы тестирования и анализа.

В четвертой главе проведен анализ существующих систем кардио-диагностики, определены пути их совершенствования. На основе алгоритма согласованной агрегации предложена обобщенная структура системы обнаружения ИИ ЭКС в условиях интенсивных помех (рисунок 7).

Система включает биообъект, блок аналоговой обработки, блок сопряжения, блок визуализации и блок программной обработки. Новые функциональные возможности реализованы в блоке программной обработки за счет использования результатов, полученных во 2-й и 3-й главах в виде программы, реализующей алгоритм САР. Выполнено моделирование схемных решений для создания блока аналоговой обработки системы обнаружения ИИ ЭКС в условиях интенсивных помех в пакете БтиНпк системы МаЙаЬ.

ЭКС Блок

Био- -N анало-

объ- -V говой

ект обра-

ботки

Блок сопря-

Блок программной обработки

Предварительная обработка:

- усиление -фильтрация

- масштабирование

- ограничение

- определение коэффициентов компетентности и выбор эффективных алгоритмов обнаружения

Обнаружение Ш1 н тестирование:

-алгоритм САР - методика тестирования

Ж

Основная обработка:

- определение ЧСС

- подсчет длительностей RR

- опредаюние ВСР

- подсчет общего количества ИИЭКС

~П~

Блок визуализации

Рисунок 7 - Обобщенная структура системы обнаружения ИИ ЭКС в условиях интенсивных помех на основе алгоритма САР

Разработаны и исследованы блоки усилителя ЭКС, подавления импульсов пейсмейкера, подавления низкочастотной и сетевой помех. Проведено моделирование их работы в условиях интенсивных помех. В качестве блока сопряжения для системы обнаружения ИИ ЭКС в условиях интенсивных помех на основе алгоритма САР использована плата ввода-вывода данных Advantech PCI-1710, способная работать в качестве АЦП и ЦАП и имеющая следующие основные характеристики при работе в режиме АЦП: 16 входных каналов, разрешение - 12 бит, частота выборки - до 100 кГц. Для реализации программной части системы обнаружения ИИ ЭКС в условиях интенсивных помех на основе алгоритма САР, касающейся предложенной методики и алгоритмов, был выбран пакет Matlab, так как данный продукт обладает большим количеством универсальных процедур обработки цифровых сигналов. Для реализации интерфейса в Matlab использована встроенная визуальная среда разработки GUIDE, включающая обширный функционал по работе с элементами формы и программированию событий. Созданное приложение состоит из отдельных ш-файлов (процедур), хранящихся в одной директории. Достоинством подобной структуры является возможность независимого добавления новых алгоритмов

в состав алгоритма САР в виде дополнительных ш-файлов, реализующих их механизм работы.

Методика тестирования алгоритмов включает следующие этапы: выбор входных ЭКС; задание видов помех; выбор алгоритмов, участвующих в тестировании; определение коэффициентов компетентности (путем построения набора ЮС-кривых для нарастающего уровня помехи и К-ЛОС-кривой, значение площади под которой используется в качестве коэффициента компетентности алгоритма); расчет критериев; сравнение результатов; выводы.

Для сравнения эффективности известных и предложенного алгоритмов использована система критериев общедиагностической эффективности (ОДЭ), широко применяемая в международной практике тестирования кардиомониторных систем:

" ЧЛО = ЛО / (ЛО + ПО); ЧЛП = ЛП / (ЛП + ПП); Ч = ПП / (ПП + ЛО); С = ПО / (ПО + ЛП);

^ОДЭ = (ПП + ПО)/ (ПП + ПО + ЛП + ЛО),

где ЧЛО - частота ложноотрицательных случаев (ошибка 1-го рода); ЧЛП - частота ложноположительных случаев (ошибка 2-го рода); Ч - чувствительность; С - специфичность; ПО - правильно-отрицательные результаты; ПП - правильно-положительные результаты; ЛО - ложноотри-цательные результаты (ложные пропуски); ЛП - ложноположительные результаты.

Согласно предложенной методике определены коэффициенты компетентности классических алгоритмов - компонент САР по результатам их тестирования на созданной многоуровневой базе тестовых сигналов (таблица 1).

Таблица 1 - Коэффициенты компетентности классических алгоритмов

Алгоритм ОДЭ Коэффициент компетентности

Вейвлет-преобразование 78 0,73

Интегральный 56 0,43

Дифференциальный 67 0,59

Ранговый 63 0,5

Результаты практической оценки эффективности отдельно взятых алгоритмов обнаружения ИИ ЭКС и алгоритма САР с использованием ОДЭ в качестве обобщенного критерия эффективности приведены в таблице 2, представляющей фрагмент результатов исследований для 35 записей, содержащих не менее 2 тысяч ИИ ЭКС каждая с наложением помех различного типа и интенсивности.

Таблица 2 - Результаты сравнения эффективности алгоритмов

Запись Вейвлет Интегральный Дифференциальный Ранговый Согласованная агрегация Количество ОКБ-комплексов

ТР РР FN ТР РР FN ТР РР РК ТР РР РЫ ТР РР РК

200 1823 154 782 1302 231 1303 1563 184 1042 1432 200 1173 2187 107 418 2605

• • •

234 1803 84 774 1288 126 1289 1546 100 1031 1417 109 1160 2163 58 414 2577

Сред 1716 86 747 1231 129 1232 1477 103 986 1354 112 1109 2070 60 393 2463

ОДЭ Г 0,70 0,50 0,60 0,55 0,84 51723

Полученные данные показывают, что алгоритм САР демонстрирует наилучшие результаты, особенно в условиях интенсивных помех, увеличивая показатель ОДЭ в среднем на 5 % по сравнению с отдельно взятыми алгоритмами, что позволяет существенно повысить эффективность работы средств обнаружения ИИ ЭКС в составе приборов и систем для кардиоди-агностики.

В заключении сформулированы основные результаты диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1 Предложена систематизация алгоритмов обнаружения ИИ ЭКС, позволившая выявить наиболее помехоустойчивые для использования при создании изделий медицинского приборостроения.

2 Предложен алгоритм обнаружения ИИ ЭКС на основе метода согласованной агрегации решений, отличающийся использованием областей компетентности выделенных наиболее помехоустойчивых алгоритмов, используемых в его составе.

3 Предложены критерий на основе помехоустойчивого ЯОС-анализа и методика оценки эффективности работы средств обнаружения ИИ ЭКС в условиях управляемой сигнально-помеховой обстановки.

4 Разработана система тестирования аппаратно-программных средств управляемой имитации сигнально-помеховой обстановки и оценки эффективности обнаружения ИИ ЭКС с помощью предложенной методики, отличающаяся использованием нарастающих помех различного типа и возможностью вынесения экспертных оценок.

5 Разработана система обнаружения ИИ ЭКС в условиях интенсивных помех на основе алгоритма САР, позволяющая повысить общую диагностическую эффективность обнаружения ИИ ЭКС в среднем на 5 %.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Статьи в журналах, рекомендованных ВАК

1 Истомин, Б. А. Перспективные направления ЭКГ-анализа / Е. В. Истомина, Б. А. Истомин, А. А. Лавреев, Е. А. Шамин // Известия ЮФУ. Технические науки. - 2009. -№ 9. - С. 89-92.

2 Истомин, Б. А. Систематизация методов анализа ЭКГ с учетом их помехоустойчивости / Б. А. Истомин // Известия ЮФУ. Технические науки. - 2010.8. - С. 86-90.

3 Истомин, Б. А. Применение нейросетевых технологий для анализа электрокардиосигнала / Т. В. Истомина, Б. А. Истомин II Нейрокомпьютеры: разработка, применение.-2010.-№ 11.-С. 40-44.

4 Истомин, Б. А. Система и методика для ЛОС-анализа помехоустойчивости алгоритмов обработки электрокардиосигнала при мониторинге лётного состава / Б. А. Истомин, Т. В. Истомина // Вестник Московского авиационного института. - 2011. - Т. 18, № 3. - С. 210-215.

Публикации в других изданиях

5 Истомин, Б. А. Алгоритм сжатия электрокардиосигнала / Б. А. Истомин // Биотехнические, медицинские и экологические системы и комплексы : тез. докл. - Рязань: РГРТУ, 2006. - С. 101-102.

6 Истомин, Б. А. Возможности применения ПЛИС для автоматического анализа электрокардиосигнала / Б. А. Истомин // Биотехнические, медицинские и экологические системы и комплексы : тез. докл. - Рязань : РГРТУ, 2007. - С. 170-172.

7 Истомин, Б. А. Анализатор электрокардиосигнала на базе персонального компьютера / Б. А. Истомин // Инновационные технологии в экономике, информатике и медицине : сб. статей 5 Межрег. науч.-практ. конф. студентов и аспирантов. - Пенза: ПГТА, 2008. - С. 124-125.

8 Истомин, Б. А. Исследование математических методов обнаружения желудочковой фибрилляции с помощью образовательного сервера медико-технического профиля / Т. В. Истомина, Е. В. Истомина, Б. А. Истомин // Математические методы и информационные технологии в экономике, социологии и образовании : сб. ст. 23-й Междунар. науч.-техн. конф. -Пенза: Приволжский дом знаний, 2009. - С. 189-192.

9 Истомин, Б. А. Анализ электрокардиосигнала / Б. А. Истомин // Актуальные проблемы науки и образования : сб. материалов 2-й науч. конф. студентов, аспирантов и молодых ученых. - Пенза : ПГТА, 2009. -С. 29.

10 Истомин, Б. А. Анализ алгоритмов обнаружения информативных импульсов ЭКГ / Б. А. Истомин // Инновационные технологии в экономике, информатике и медицине : тр. 4-й Межрег. науч.-практ. конф. студентов и аспирантов. - Пенза : ПГТА, 2009. - С. 21-24.

11 Истомин, Б. А. К вопросу об организации сетей интеллектуальных датчиков группового мониторинга параметров психофизиологического состояния биообъектов / Б. А. Истомин, Р. Г. Тер-Аракелян, О. В. Тужилкин // Инновационные технологии в экономике, информатике и медицине : сб. ст. 4-й Межрег. науч.-практ. конф. студентов и аспирантов. - Пенза : ПГТА 2009.-С. 25-26

12 Истомин, Б. А. Применение вейвлет-разложения для удаления шума в электрокардиосигнале / Б. А. Истомин // Вычислительные системы и технологии обработки информации : межвуз. сб. науч. тр. - Вып. 9 (32). -Пенза: Изд-во ПГУ, 2010. - С. 137-144.

13 Истомин, Б. А. Совершенствование оценки эффективности нейро-сетевого алгоритма распознавания сигналов / Б. А. Истомин, В. В. Истомин, Т. В. Истомина // Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге : тез. тр. Всерос. науч. школы для молодежи. -Таганрог: ЮФУ, 2010. - С. 238-242.

14 Истомин, Б. А. Выделение информативных признаков электрокардиосигнала на основе вейвлет-анализа / Б. А. Истомин // Информационные и управленческие технологии в медицине и экологии : сб. ст. 4-й Всерос. науч.-техн. конф. - Пенза: Приволжский дом знаний, 2010. - С. 43-45.

15 Истомин, Б. А. Модифицированная методика тестирования алгоритмов обнаружения информативных импульсов ЭКС / Б. А. Истомин // Инновационные технологии в экономике, информатике и медицине : сб. тр. VII Межрег. науч.-практ. конф. студентов и аспирантов. - Пенза : ПГТА, 2010. -С. 21-24.

16 Истомин, Б. А. Разработка помехоустойчивого обнаружителя информативных импульсов ЭКС / Б. А. Истомин // Биотехнические, медицинские и экологические системы и комплексы : сб. ст. конф. - Рязань : РГРТУ, 2010. - С. 575-578.

17 Истомин, Б. А. Разработка интерфейса для совершенствования вейвлет-анализа электрокардиосигнала / А. Н. Булеков, Б. А. Истомин, Е. В. Истомина // Информационные и управленческие технологии в медицине и экологии : сб. ст. V Всерос. науч.-техн. конф. - Пенза : Приволжский дом знаний, 2011. - С. 17-19.

18 Истомин, Б. А. Вариабельность сердечного ритма как показатель стрессоустойчивости / Б. А. Истомин // Фундаментальные, клинические и гигиенические основы и аппаратно-методическое обеспечение системы медико-психологической реабилитации пациентов, подверженных высокому уровню напряженности труда и профессионального стресса : сб. тез. научн. работ Всерос. науч. школы для молодежи. - Таганрог: ЮФУ, 2011. -С.189-191.

19 Истомин, Б. А. Выделение областей компетентности алгоритмов анализа ЭКС / Б. А. Истомин, Б. В. Чувыкин // Инновационные технологии в экономике, информатике и медицине : тр. VIII Межрег. науч.-практ. конф. студентов и аспирантов. - Пенза: ПГТА, 2011. - С. 24-26.

20 Истомин, Б. А. Возможности использования согласованной агрегации решений с выделением областей компетентности для создания помехоустойчивого алгоритма обнаружения информативных импульсов электрокардиосигнала / Б. А. Истомин, Б. В. Чувыкин Н Инновационные технологии в экономике, информатике и медицине : тр. VIII Межрег. науч.-практ. конф. студентов и аспирантов. - Пенза: ПГТА, 2011. - С. 3-4.

Научное издание

ИСТОМИН Борис Александрович

СИСТЕМА И АЛГОРИТМ ОБНАРУЖЕНИЯ ИНФОРМАТИВНЫХ ИМПУЛЬСОВ ЭЛЕКТРОКАРДИОСИГНАЛА В УСЛОВИЯХ ИНТЕНСИВНЫХ ПОМЕХ

Специальность 05.11.17 -Приборы, системы и изделия медицинского

назначения

Подписано в печать 09.11.2011. Формат 60х84'Лб. Усл. печ. л. 1,16. Заказ № 688. Тираж 100.

Пенза, Красная, 40, Издательство ПТУ Тел./факс: (8412) 56-47-33; e-mail: iic@pnzgu.ru

ВВЕДЕНИЕ.

ГЛАВА 1 ОБЗОР МЕТОДОВ И СРЕДСТВ АНАЛИЗА ЭЛЕКТРОКАРДИОСИГНАЛА.

Вводные замечания.

1.1 Электрокардиосигнал и его основные свойства.

1.2 Проблемы, возникающие при анализе сердечного ритма.

1.2.1 Нарушения сердечного ритма и проводимости.

1.2.2 Влияние интенсивного информационного воздействия на сердечный ритм.

1.3 Виды помех, возникающих при анализе ЭКС.

1.4 Способы повышения помехоустойчивости обнаружения (ЗЯБ-комплексов электрокардиосигнала.

1.5 Выбор алгоритмов обнаружения ИИ ЭКС, эффективных при различных видах помех.

Основные результаты.

ГЛАВА 2 РАЗРАБОТКА АЛГОРИТМА СОГЛАСОВАННОЙ АГРЕГАЦИИ РЕШЕНИЙ ДЛЯ ПОВЫШЕНИЯ ПОМЕХОУСТОЙЧИВОСТИ СИСТЕМЫ ОБНАРУЖЕНИЯ ИИ ЭКС.

Вводные замечания.

2.1 Основные операции, применяемые при обнаружении ИИ ЭКС.

2.1.1 Алгоритмы обнаружения ИИ ЭКС на основе дифференцирования.

2.1.2 Алгоритмы обнаружения ИИ ЭКС на основе интегрирования.

2.1.3 Алгоритмы обнаружения ИИ ЭКС на основе разложения ЭКС по базисным функциям.

2.1.4 Алгоритмы обнаружения ИИ ЭКС на основе определения рангов.51 2.2. Систематизация алгоритмов анализа ЭКС по степени их помехоустойчивости.

2.2.1 Известные систематизации алгоритмов обнаружения ИИ ЭКС.

2.2.2 Предлагаемая систематизация алгоритмов анализа ИИ ЭКС для выделения наиболее помехоустойчивых методов.

2.3 Обнаружение информативных импульсов ЭКС на основе алгоритма согласованной агрегации решений.

2.3.1 Анализ алгоритмов распознавания сигналов.

2.3.2 Алгоритмы коллективного распознавания сигналов.

2.3.3 Использование областей компетенции для выделения наиболее эффективного алгоритма.

2.4 Разработка алгоритма согласованной агрегации решений для обнаружения ИИ ЭКС.

2.4.1 Алгоритм согласованной агрегации решений для обнаружения ИИ ЭКС.

2.4.2 Исследование алгоритма согласованной агрегации решений для обнаружения ИИ ЭКС.

Основные результаты.

ГЛАВА 3 РАЗРАБОТКА И АПРОБАЦИЯ СИСТЕМЫ ТЕСТИРОВАНИЯ АППАРАТНО-ПРОГРАММНЫХ СРЕДСТВ УПРАВЛЯЕМОЙ ИМИТАЦИИ СИГНАЛЬНО-ПОМЕХОВОЙ ОБСТАНОВКИ И ОЦЕНКИ ЭФФЕКТИВНОСТИ ОБНАРУЖЕНИЯ ИИ

Вводные замечания.

3.1 Разработка технических требований к СТАПС.

3.2 Разработка СТАПС для тестирования при нарастающих помехах различного вида.

3.2.1 Разработка обобщенной структуры СТАПС.

3.3 Разработка методики работы СТАПС.

3.4 Формирование базы входных сигналов для тестирования.

3.4.1 Разработка тестовых моделей реальных импульсов ЭКС, зашумленных искусственными помехами различного вида.

3.4.2 Разработка тестовых моделей на основе международной базы ЭКГ-данных.

3.4.3 Разработка специализированной многоуровневой базы тестовых ЭКС.

3.5 ROC-анализ для оценки эффективности работы средств обнаружения ИИ

ЭКС в условиях управляемой сигнально-помеховой обстановки.

3.5. Аналитический обзор способов оценки эффективности кардиомониторных систем.

3.5.2 Аналитический обзор вариантов ROC-анализа ЭКС.

3.5.3 Разработка помехоустойчивого ROC-анализа (N-ROC) алгоритмов обнаружения ИИ ЭКС.

3.5.4 Применение помехоустойчивого ROC-анализа в качестве показателя компетентности алгоритма обнаружения ИИ ЭКС.

3.6 Результаты исследований с помощью СТАПС.

3.7 Анализ полученных результатов.

Основные результаты

ГЛАВА 4 РАЗРАБОТКА И АПРОБАЦИЯ СИСТЕМЫ ОБНАРУЖЕНИЯ ИНФОРМАТИВНЫХ ИМПУЛЬСОВ ЭКС В УСЛОВИЯХ ИНТЕНСИВНЫХ ПОМЕХ НА ОСНОВЕ АЛГОРИТМА СОГЛАСОВАННОЙ АГРЕГАЦИИ РЕШЕНИЙ.

Вводные замечания.

4.1 Обзор систем для кардиодиагностики.

4.2 Разработка обобщенной структуры системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех.

4.3 Разработка и исследование блока аналоговой обработки СОИИЭКСУИП на основе алгоритма САР.

4.3.1 Разработка схемных решений для создания блока аналоговой обработки СОИИЭКСУИП на основе алгоритма САР.

4.3.2 Разработка блока подавления импульсов пейсмекера.

4.3.3 Разработка блока подавления НЧ помех.

4.3.4 Исследование работы блока аналоговой обработки ЭКС.

4.4 Разработка и исследование блока сопряжения для СОИИЭКСУИП на основе алгоритма САР.

4.4.1 Сравнительная характеристика плат серии PCI.

4.4.2 Реализация блока сопряжения СОИИЭКСУИП на основе алгоритма САР с испльзованием платы PCI-1710.

4.5 Разработка программного обеспечения для систем тестирования и обнаружения ИИ ЭКС.

4.6 Разработка и исследование СОИИЭКСУИП на основе алгоритма

Основные результаты.

Актуальность темы

Совершенствование приборов и систем медицинского назначения является важной народно-хозяйственной задачей, требующей постоянного проведения глубоких научных изысканий. Особенно остро во всем мире стоит проблема снижения смертности от заболеваний сердца, поэтому диагностике и лечению патологий сердечно-сосудистой системы необходимо уделять большое внимание. Достоверную оценку состояния сердечнососудистой системы обследуемого можно получить с помощью кардиомониторных систем, которые дают не только визуальное представление сигнала, но и количественные параметры, вычисленные на основе анализа его информативных составляющих. Неотъемлемой частью подобных систем является устройство обнаружения информативных импульсов электрокардиосигнала (ИИ ЭКС). Основными проблемами при проектировании и эксплуатации подобных устройств являются интенсивные помехи (при соотношении сигнал/помеха менее 10 Дб) и нестационарность полезного сигнала.

Помехи, возникающие при регистрации ЭКС, являются разнообразными по происхождению и структуре. Это могут быть внешние помехи, помехи от биологического объекта, а также помехи на выходе средств измерения. Наиболее распространенными помехами, возникающими при регистрации сигнала, являются: сетевые, миографические, дрейф изолинии, помехи вследствие движения и дыхания, шумы регистрирующего и прочего медицинского оборудования, шумы квантования, а также погрешности, возникающие при обработке сигнала (колебания Гиббса).

Сложность подавления шумов в электрокардиосигнале обусловлена тем, что сигнал имеет локально сосредоточенную структуру, когда диагностические признаки локализованы на сравнительно небольших фрагментах области определения. Между полезным сигналом и помехой отсутствует корреляция, то есть они являются статистически независимыми.

Большой вклад в автоматическую обработку и анализ ЭКС внесли отечественные ученые В. А. Калантар, А. И. Калиниченко, В. М. Колтун, JI. А. Манило, А. А. Михеев, А. П. Немирко, JI. И. Титомир, а также зарубежные авторы J. Pan, W. Tompkins, P. Trahinias, M. Ahlstrom, R. Balda, V. Afonso, P. Hamilton и др.

Однако существующие алгоритмы, положенные в основу приборов и систем медицинского назначения, показывают гарантированно высокие результаты только при определенных условиях. При наличии интенсивных помех эффективность их работы существенно снижается. В настоящее время отсутствуют общепринятые методики сравнительной оценки алгоритмов обнаружения и анализа ИИ ЭКС. Поэтому необходима разработка алгоритмов и систем для обеспечения объективной оценки эффективности кардиомониторных систем.

Процесс анализа электрокардиосигнала включает следующие основные этапы:

- предварительная обработка (фильтрация легко устранимых помех)

- обнаружение характерных составляющих электрокардиосигнала;

- анализ найденных составляющих сигнала;

- решение о принадлежности к определенному классу (норма или патология).

Анализ показывает, что наиболее важным и сложным этапом является процесс обнаружения характерных составляющих ЭКС. От точности проведения данного этапа будет зависеть эффективность всей процедуры анализа в целом. В связи с этим предъявляются повышенные требования к алгоритмам обнаружения информативных импульсов электрокардиосигнала в составе приборов и систем для кардиодиагностики, в частности высокая эффективность и помехоустойчивость (сохранение высокой эффективности при наличии интенсивных помех). Среди большого числа существующих алгоритмов в составе систем обнаружения с высокой эффективностью, заявленной разработчиками, далеко не все обладают приемлемой помехоустойчивостью. Объясняется это тем, что тестирование выполняется на небольшом количестве сигналов простой формы и однотипных по составу помех низкой интенсивности. Поэтому возникает потребность в разработке помехоустойчивых систем обнаружения ИИ ЭКС и методики тестирования, которая позволит автоматизировать оценку их эффективности по сравнению с аналогами в условиях наличия патологий и помех различного происхождения.

Цель работы и основные задачи

Целью диссертационной работы является разработка системы и создание алгоритма, повышающих эффективность обнаружения ИИ ЭКС в условиях интенсивных помех для обеспечения устойчивой работы изделий медицинского приборостроения, а также создание методики для тестирования алгоритмов и систем.

Для достижения поставленной цели должны быть решены следующие задачи:

- анализ и систематизация алгоритмов обнаружения ИИ ЭКС для создания системы обнаружения ИИ ЭКС в условиях интенсивных помех(СОИИЭКСУИП);

- разработка помехоустойчивого алгоритма обнаружения ИИ ЭКС на основе метода согласованной агрегации решений (САР), базирующегося на выделении областей компетентности решающих правил для повышения эффективности анализирующего блока СОИИЭКСУИП;

- разработка критерия и методики оценки эффективности работы средств обнаружения ИИ ЭКС;

- создание СОИИЭКСУИП на основе алгоритма САР, повышающей эффективность обнаружения ИИ ЭКС;

- разработка системы тестирования аппаратно-программных средств управляемой имитации сигнально-помеховой обстановки и оценки эффективности обнаружения ИИ ЭКС с помощью предлагаемой методики.

Методы исследования

Теоретическая часть диссертационной работы выполнена на базе теории цифровой обработки сигналов и методов математической статистики. Исследования проведены в средах Matlab, Delphi.

Научная новизна

1. Разработан помехоустойчивый алгоритм САР, отличающийся использованием областей компетентности различных алгоритмов в процессе их агрегации, позволивший повысить надежность обнаружения ИИ ЭКС за счет сочетания преимуществ алгоритмов, эффективных в разных диапазонах помех.

2. Предложен критерий оценки эффективности работы средств обнаружения ИИ ЭКС в условиях интенсивных помех, отличающийся введением процедуры интеграции в классический ЯОС-анализ и позволяющий агрегировать помехоустойчивые свойства решающих правил в составе алгоритма САР.

3. Предложена методика тестирования алгоритмов, входящих в состав аппаратно-программных средств обнаружения ИИ ЭКС, отличающаяся введением управляемой имитации сигнально-помеховой обстановки и комплексированием критериев оценки эффективности этих алгоритмов.

4. Предложено использовать для создания СОИИЭКСУИП разработанный алгоритм САР, что позволяет повысить эффективность работы системы в условиях интенсивных помех в среднем на 5%.

Практическая ценность работы

Создана система тестирования аппаратно-программных средств медицинского приборостроения, отличающаяся возможностью вынесения экспертных оценок и позволяющая количественно и визуально оценивать эффективность алгоритмов, приборов и систем кардиологического назначения.

Разработана СОИИЭКСУИП на основе алгоритма САР, позволившая повысить надежность обнаружения ИИ ЭКС за счет сочетания преимуществ нескольких алгоритмов, эффективных в разных диапазонах помех, что улучшает качество диагностики кардиологических заболеваний.

Реализация результатов работы

Полученные в диссертационной работе результаты используются в научно-исследовательской работе, выполняемой ООО «Биософт-М», г.

Москва, по созданию комплекса диагностики состояния сердечно-сосудистой системы человека, а также в учебном процессе кафедры «Информационные технологии и менеджмент в медицинских и биологических системах» Пензенской государственной технологической академии.

Публикации

По теме диссертации опубликовано 20 печатных работ, в том числе 4 по списку, утвержденному ВАК России.

Апробация работы

Основные результаты диссертационной работы обсуждались на конференциях и научных школах: «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2007), «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2009), «Перспективы медицинского приборостроения» (Таганрог, 2009), «Инновационные технологии в экономике, информатике и медицине» (Пенза, 2008, 2009, 2010, 2011), «Медицинские информационные системы МИС-2010» (Таганрог, 2009, 2010), «Актуальные проблемы науки и образования» (Пенза, 2009, 2010), «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2009, 2010), «Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге» (Таганрог, 2010), «Фундаментальные, клинические и гигиенические основы и аппаратно-методическое обеспечение системы медико-психологической реабилитации пациентов, подверженных высокому уровню напряженности труда и профессионального стресса» (Таганрог, 2011).

Структура и объем диссертации

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и 2 приложений; изложена на 216 страницах и содержит 87 рисунков, 7 таблиц, список литературы из 151 наименований.

Основные результаты

1. Разработана обобщенная структура системы обнаружения информативных импульсов ЭКС в условиях интенсивных на основе алгоритма САР, реализующая предложенную в теоретической части диссертации концепцию объединения решений нескольких классификаторов для повышения эффективности обнаружения ИИ ЭКС.

2. Разработана и исследована аналоговая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, что позволило рационально перераспределить схемотехнические и программные ресурсы в составе системы с целью обеспечения наиболее эффективного режима ее функционирования.

3. Разработана и исследована с помощью пакета МаИаЬ и оборудования фирмы АЭУАМТЕСН цифровая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, при этом полученные результаты подтвердили эффективность выбранных технических решений.

4. Результаты тестирования системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР подтвердили повышение ОДЭ обнаружения информативных импульсов ЭКС в среднем на 5% по сравнению с отдельно взятыми методами обнаружения, включенными в состав разработанного и реализованного алгоритма на основе САР.

ЗАКЛЮЧЕНИЕ

1. Показана актуальность выбранной тематики, обусловленная сложностью и многообразием информативных параметров ЭКС при наличии интенсивных помех различного вида, затрудняющих процесс выделения и анализа полезного сигнала. Рассмотрены особенности ЭКС с точки зрения проведения автоматического анализа для создания помехоустойчивых приборов и систем медицинского назначения. Показана значимость процедуры обнаружения информативных импульсов ЭКС, выступающей в качестве базы для всего последующего анализа. На основе анализа средств и алгоритмов обработки ЭКС определены основные проблемы, возникающие при построении анализирующего блока кардиомониторных систем. Показаны сложности при выборе алгоритмов обнаружения информативных импульсов ЭКС для использования в составе кардиомониторных систем, и определены алгоритмы, наиболее перспективные для применения при создании помехоустойчивых приборов и систем кардиологического назначения.

2. Предложена систематизация алгоритмов обнаружения ИИ ЭКС, позволяющая выделить наиболее помехоустойчивые алгоритмы, которые могут быть использованы в составе кардиомониторных систем. Определены наиболее помехоустойчивые алгоритмы обнаружения ИИ ЭКС, а именно: алгоритмы на основе дифференцирования, интегрирования, разложения по базисным функциям, нелинейных преобразований. Проанализированы методы согласованной агрегации решений на основе алгоритмов с фиксированными весами и алгоритмов с использованием компетентности компонентов, показана целесообразность их применения для создания алгоритма обнаружения ИИ ЭКС с повышенной эффективностью в условиях интенсивных помех. С целью повышения помехоустойчивости обнаружения информативных импульсов ЭКС предложен алгоритм на основе метода согласованной агрегации решений с использованием областей компетентности выделенных наиболее помехоустойчивых алгоритмов, используемых в его составе.

3. Показана необходимость создания и разработана унифицированная методика многофакторного тестирования алгоритмов обнаружения информативных импульсов ЭКС. Создана тестовая база сигналов и помех, позволяющая формировать реальные и искусственные ЭКС с нарастающими помехами различного вида, что обеспечивает повышение качества оценки эффективности алгоритмов обнаружения ИИ ЭКС. Разработана система тестирования аппаратно-программных средств управляемой имитации сигнально-помеховой обстановки и оценки эффективности обнаружения ИИ ЭКС с помощью предложенной методики, отличающаяся использованием нарастающих помех различного типа и возможностью вынесения экспертных оценок. При помощи созданной системы тестирования аппаратно-программных средств исследован разработанный алгоритм, получены количественные показатели эффективности его работы, превышающие аналоги в среднем на 5 %. Проанализированы этапы развития ROC-анализа, предложен вариант помехоустойчивого ROC-анализа и разработан на его основе критерий оценки компетентности алгоритмов в составе метода согласованной агрегации решений, что позволяет повысить эффективность обнаружения ИИ ЭКС.

4. Разработана обобщенная структура системы обнаружения информативных импульсов ЭКС в условиях интенсивных на основе алгоритма САР, реализующая предложенную в теоретической части диссертации концепцию объединения решений нескольких классификаторов для повышения эффективности обнаружения ИИ ЭКС. Разработана и исследована аналоговая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, что позволило рационально перераспределить схемотехнические и программные ресурсы в составе системы с целью обеспечения наиболее эффективного режима ее функционирования. Разработана и исследована с помощью пакета МаИаЬ и оборудования фирмы АОУАЫТЕСН цифровая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, при этом полученные результаты подтвердили эффективность выбранных технических решений. Результаты тестирования системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР подтвердили повышение ОДЭ обнаружения информативных импульсов ЭКС в среднем на 5% по сравнению с отдельно взятыми методами обнаружения, включенными в состав разработанного и реализованного алгоритма на основе САР.

Вышеизложенное позволяет утверждать, что все поставленные задачи решены, и цель диссертационной работы достигнута.

1. P.M. Рангайян. Анализ биомедицинских сигналов. Практический подход. М.: Физматлит, 2007.

2. Bronzino J. Biomedical Engineering Handbook, Biomedical Signals: Origin and Dynamic Characteristics; Frequency-Domain Analysis. CRC Press. -1999.

3. Einthoven W. Weiteres iiber das Elektrokardiogramm. — Bonn: Archiv fur die gesammte Physiologie des Menschen und der Thiere, 1908.

4. Moreau D. ECG interpretation made incredibly easy. Lippincott Williams & Wilkins, Library of Congress Catalogin-in Publication Data, 2005.

5. Joseph T. Catalano. Guide to ECG analysis. Lippincott Williams & Wilkins, Library of Congress Catalogin-in Publication Data, 2002.

6. Valtino X. Afonso. ECG QRS detection. Biomedical digital signal processing, 1993.

7. Истомина E.B., Истомин Б.А., Лавреев A.A., Шамин Е.А. Перспективные направления ЭКГ-анализа. Известия ЮФУ. Технические науки. - 2009. -№9. - С. 89 - 92.

8. Истомин Б.А. Анализ электрокардиосигнала. Актуальные проблемы науки и образования: сб. материалов 2 научной конференции студентов, аспирантов и молодых ученых. - Пенза: ПГТА, 2009. - С. 29.

9. Истомин Б.А. Анализ алгоритмов обнаружения информативных импульсов ЭКГ. Инновационные технологии в экономике, информатике и медицине: тр. 4-й Межрег. науч.-практ. конф. студентов и аспирантов. -Пенза: ПГТА, 2009. С. 21-24.

10. A. Dotsinsky, T.V. Stoyanov. Ventricular beat detection in single channel electrocardiograms. Biomedical Engineering Online, 2004.

11. П.Истомин Б.А. Анализатор электрокардиосигнала на базе персонального компьютера. Инновационные технологии в экономике, информатике и медицине: сб. статей 5 Межрегиональной науч.-практ. конф. студентов и аспирантов. - Пенза: ПГТА, 2008. - С. 124-125.

12. Aniruddha J. Joshi, Sharat Chandran, Valadi K. Jayaraman, Bhaskar D. Kulkarni: Arterial Pulse Rate Variability analysis for diagnoses. 19th International Conference on Pattern Recognition, 2008.

13. Jones, Shirley A. ECG success: exercises in ECG interpretation. F.A. Davis Company, 2008.

14. Сандомирский M.E. К вопросу о применении математического анализа сердечного ритма для выявления и прогнозирования состояния предболезни. Роль диспансерных и реабилитационных мероприятий в оздоровлении трудящихся. Уфа: 1986.

15. G.S. Furno, W.J. Tompkins. A learning filter for reducing noise interference. -IEEE Trans Biomed Eng, vol. BME-30, 1983.

16. Биофизические характеристики тканей человека. Справочник /Березовский В.А., Колотилов Н.Н. Киев: Наукова думка, 1990.

17. Hamilton PS, Tompkins WJ. Quantitative investigation of QRS detection rules using the MIT/ВІН arrhythmia database. IEEE Trans Eng Biomed Eng, 1986;12:1157-1165.

18. Pan J, Tompkins W. A real-time QRS detection algorithm. IEEE Trans Eng Biomed Eng, 1985.

19. P. M. Mahoudeaux et al. Simple microprocessor-based system for on-line ECG analysis. Med. Biol. Eng. Cornput., vol. 19, 1981.

20. J. Fraden, M.R. Neuman. QRS wave detection. Med. Biol. Eng. Comput, vol. 18, 1980. P. 125-132.

21. A. Menrad et al. Dual microprocessor system for cardiovascular data acquisition, processing and recording. IEEE Int. Conf Industrial Elect. Contr. Instrument., 1981. P. 64-69.

22. R.A. Balda et al. The HP ECG analysis program. Trends in Computer-Processed Electrocardiograms, 1977. P. 197-205.

23. W.A.H. Engelse and C. Zeelenberg, "A single scan algorithm for qrs-detection and feature extraction," in IEEE Computers in Cardiology. Long Beach, CA: IEEE Computer Society, 1979, pp. 37-42.

24. L. Keselbrener, M. Keselbrener, and S. Akselrod, "Nonlinear high pass filter for R-wave detection in ECG signal," Med. Eng. Phys., vol. 19, no. 5, pp. 481484, 1997.

25. L. Sornmo, O. Pahlm, and M.E. Nygards, "Adaptive QRS detection in ambulatory ECG monitoring: A study of performance," in Computers in Cardiology. Long Beach, CA: IEEE Computer Society, 1982, pp. 201-204.

26. Tewfik AH, Sinha D, Jorgensen P. On the optimal choice of a wavelet for signal representation. IEEE Transactions on Information Theory, 38(2), 1992.

27. Saxena SC, Kumar V, Hamde ST. Feature extraction from ECG signals using wavelet transforms for disease diagnostics. International Journal of Systems Science, 33(13), 2002.

28. M. Fernandez-Delgado and S.B. Ameneiro,"MART: A multichannel ART-based neural network," IEEE Trans. Neural Networks, vol. 9, pp. 139-150, 1998.

29. M. Lagerholm, C. Peterson, G. Braccini, L.Edenbrandt, and L. Soernmo, "Clustering ECG complexes using Hermite functions and self-organizing maps," IEEE Trans. Biomed. Eng., vol. 47, pp. 838-848, 2000.

30. N. Mahalingam and D. Kumar, "Neural networks for signal processing applications: ECG classification," Australas. Phys. Eng. Sci. Med.,vol. 20, no. 3, pp. 147-151, 1997.

31. M.G. Strintzis, G. Stalidis, X. Magnisalis, and N. Maglaveras, "Use of neural networks for electrocardiogram (ECG) feature extraction, recognition and classification," Neural Netw. World, vol. 3, no. 4, pp. 313-327, 1992.

32. S. S. Mehta, N. S. Lingayat. Comparative study of QRS detection in single lead and 12-lead ECG based on entropy and combined entropy criteria using support vector machine. Journal of Theoretical and Applied Information Technology. JATIT. - 2007.

33. V.S. Chouhan, S.S. Mehta. Detection of QRS Complexes in 12-lead ECG using Adaptive Quantized Threshold. IJCSNS, vol.8 No.l, 2008.

34. F. Chiarugi, V. Sakkalis, D. Emmanouilidou, T. Krontiris, M. Varanini, I. Tollis. Adaptive Threshold QRS Detector with Best Channel Selection Based on a Noise Rating System. Computers in Cardiology, vol. 34, 2007.

35. D.A. Coast, R.M. Stem, G.G. Cano, and S.A. Briller, "An approach to cardiac arrhythmia analysis using hidden Markov models," IEEE Trans. Biomed. Eng., vol. 37, pp. 826-836, 1990.

36. C.-H.H. Chu and E.J. Delp, "Impulsive noise suppression and background normalization of electrocardiogram signals using morphological operators," IEEE Trans. Biomed. Eng., vol. 36, pp. 262-273, 1989.

37. P.E. Trahanias, "An approach to QRS complex detection using mathematical morphology," IEEE Trans. Biomed. Eng., vol. 40, no. 2, pp. 201-205, 1993.

38. A. Ruha, S. Sallinen, and S. Nissila, A real-time microprocessor QRS detector system with a 1 -ms timing accuracy for the measurement of ambulatory HRV," IEEE Trans. Biomed. Eng., vol. 44, pp. 159-167, 1997.

39. R. Poli, S. Cagnoni, and G. Valli, "Genetic design of optimum linear and nonlinear QRS detectors," IEEE Trans. Biomed. Eng., vol. 42, pp. 1137-1141, 1995.

40. M.-E. Nygards and L. Sornmo, "Delineation of the QRS complex using the envelope of the ECG," Med. Biol. Eng. Comput., vol. 21, 1983.

41. Кривоногов Л.Ю., Тычков А.Ю. Подавление помех в электрокардиоеигналах на основе разложения по эмпирическим модам. -Известия ЮФУ. 2010г. - №8.

42. F. Gritzali, G. Frangakis, and G. Papakonstantinou, "A comparison of the length and energy transformations for the QRS detection," in Proc. 9th Annu. Conf. IEEE Engineering in Medicine and Biology Society, Boston, MA, 1987, pp. 549-550.

43. E.J. Ciaccio, S.M. Dunn, and M. Akay,"Biosignal pattern recognition and interpretation systems," IEEE Eng. Med. Biol. Mag., pp. 269-273, 1994.

44. E. Skordalakis, "Recognition of noisy peaks in ECG waveforms," Comput. Biomed. Res., vol.17, pp. 208-221, 1984.

45. G. Papakonstantinou and F. Gritzali, "Syntactic filtering of ECG waveforms," Comput. Biomed. Res., vol. 14, pp. 158-167, 1981.

46. P.O. Borjesson, O. Pahlm, L. Sornmo, and M.-E. Nygards, "Adaptive QRS detection based on maximum a posteriori estimation," IEEE Trans. Biomed. Eng., vol. 29, pp. 341-351, May 1982.

47. Massachusetts Institute of Technology. MIT-BIH ECG database. Available: http ://ecg. mit.edu/.

48. American Heart Association, AHA Database, ECRI, 5200 Butler Pike, Plymouth Meeting, PA 19462 USA.

49. Natalia M. Arzeno, Zhi-De Deng, Chi-Sang Poon. Analysis of First-Derivative Based QRS Detection Algorithms. IEEE Trans Biomed Eng, 2008.

50. Ying-Wen Bai, Wen-Yang Chu, Chien-Yu Chen, Yi-Ting Lee, Yi-Ching Tsai, Cheng-Hung Tsai. The Combination of Kaiser Window and Moving Average for the Low-Pass Filtering of the Remote ECG Signals. CBMS, 2004. P. 273278.

51. Suparerk Janjarasjitt. A new QRS detection and ECG signal extraction technique for fetal monitoring. Dissertation For the degree of Doctor of Philosophy, Case Western Reserve University, 2006.

52. Кривоногов Л.Ю. Методы и алгоритмы помехоустойчивой обработки электрокардиографической информации. Дисс. к.т.н., Пенза, 2003. С 47.

53. S. Mallat. A Wavelet Tour of Signal Processing. Academic Press, San Diego, Calif, USA, 2nd edition, 1999.

54. C. S. Burrus, R. A. Gopinath, and H. Guo. Introduction to Wavelets and Wavelet Transforms. A Primer, Prentice Hall, Englewood Cliffs, NJ, USA, 1998.

55. Mohammad Ali Tinati, Behzad Mozaffary. A Wavelet Packets Approach to Electrocardiograph Baseline Drift Cancellation. International Journal of Biomedical Imaging, 2006.

56. Ercelebi E. Electrocardiogram signals de-noising using lifting-based discrete wavelet transform. Computers in Biology and Medicine, 34(6), 2004.

57. Agante PM, Marques de SAJP. ECG Noise Filtering Using Wavelets with Soft-thresholding Methods. IEEE Computers in Cardiology, 26, 1999.

58. Cuesta Frau D, Novak D, Eck V, Perez Cortes JC, Andreu Garcia G. Electrocardiogram Baseline Removal Using Wavelet Approximations. -Proceeding of the 15th Biennial Eurasip Conference BIOSIGNAL, 2000.

59. Истомин Б.А. Выделение информативных признаков электрокардиосигнала на основе вейвлет-анализа. Информационные и управленческие технологии в медицине и экологии: сб. ст. 4-й Всерос. науч.-техн. конф. - Пенза: Приволжский Дом знаний, 2010. - С. 43-45.

60. Истомин Б.А. Применение вейвлет-разложения для удаления шума в электрокардиосигнале. Вычислительные системы и технологии обработки информации: межвуз. сб. науч. тр. - Вып. 9(32). Пенза: Изд-во ПГУ, 2010. - С. 137-144.

61. М. Bahoura, М. Hassani, and М. Hubin. DSP implementation of wavelet transform for real time ECG wave forms detection and heart rate analysis. -Comput. Methods Programs Biomed., vol.52, no. 1, 1997. P. 35-44.

62. V. Di-Virgilio, C. Francaiancia, S. Lino, and S. Cerutti. ECG fiducial points detection through wavelet transform. IEEE Eng. Med. Biol. 17th Ann. Conf. 21st Canadian Med. Biol. Eng. Conf., Montreal, Quebec, Canada, 1997. P. 1051-1052.

63. S. Kadambe, R. Murray, and G.F. Boudreaux-Bartels. Wavelet transform-based QRS complex detector. IEEE Trans. Biomed. Eng., vol. 46, 1999. P. 838-848.

64. C. Li, C. Zheng, and C. Tai. Detection of ECG characteristic points using wavelet transforms. IEEE Trans. Biomed. Eng., vol. 42, 1995. P.21-28.

65. K.D. Rao. Dwt based detection of R-peaks and data compression of ECG signals. IETE J. Res., vol. 43, no. 5, 1997. P. 345-349.

66. Кривоногов Л.Ю. Структурно-ранговый подход к распознаванию кардиоимпульсов. Системный анализ, обработка информации и новые технологии: Науч.-техн. журнал. — Пенза: Изд. центр Пенз. гос. ун-та, 2003.-№ 10.-С. 39-40.

67. Friesen G.M., Jannett T.C., Jadallah M.A., Quint S. R., Nagle H.T. А comparison of the noise sensitivity of nine qrs detection algorithms. IEEE Transaction on Biomedical Engineering, 37, 1990.

68. Нагин, В. А. Распределенная компьютерная система сбора и математической обработки электрофизиологических сигналов -диссертация на соискание ученой степени кандидата технических наук, 2002. С. 114.

69. Bert-Uwe Köhler, Carsten Hennig, Reinhold Orglmeister. The Principles of Software QRS Detection. IEEE Engineering in medicine and biology №2, 2002.

70. Ладяев Д.А. Алгоритм обнаружения QRS-комплексов ЭКГ-сигналов на основе вейвлет-преобразования. Дисс. к.т.н., Саранск, 2007.

71. Dieiy A., Rowlands D., James D. A., Cutmore Т. Nonlinear processing techniques for P-wave detection and classification: a review of current methods and applications. http://www.aprs.org.au/anziis2003/Papers/paperl73.pdf.

72. Истомин Б.А. Систематизация методов анализа ЭКГ с учетом их помехоустойчивости. Известия ЮФУ. Технические науки. - 2010г. - №8. - С. 86-90.

73. Варнавский А. Н. Способы и средства выявления нарушений ритма сердца на основе нелинейных преобразований электрокардиосигнала в режиме реального времени, дисс. к.т.н., Рязань, 2008.

74. Истомина Т.В., Истомин Б.А. Применение нейросетевых технологий для анализа электрокардиосигнала. Нейрокомпьютеры: разработка, применение. - 2010. - №11. - С. 40 - 44.

75. Смирнов Ю.М., Воробьев Т.Н., Потапов Е.С., Сюзев В.В. Проектирование специализированных информационно-вычислительных систем. Под. ред. Ю.М. Смирнова. -М.: Высшая школа, 1984.

76. Moody G. В., Mark R. G. QRS Morphology Representation and Noise Estimation using the Karhunen-Loeve Transform. Computers in Cardiology 1989, pp. 269-272.

77. Leena Wahab. Detection of QRS complexes in ECG signal based on Poisson transform and root moments. Technical report, Imperial College London, South Kensington Campus, 2005.

78. B.U. Kohler, C. Hennig, and R. Orglmeister. QRS detection using zero crossing counts. - Progress in Biomedical Research 8(3), 2003. P. 138-145.

79. W. Zong and D. Jiang, "Automated ECG rhythm analysis using fuzzy reasoning. Computers in Cardiology, 1998. P. 69-72.

80. V.X. Afonso, W.J. Tompkins, T.Q. Nguyen, and S. Luo. ECG beat detection using filter banks. IEEE Trans. Biomed. Eng., vol. 46, 1999. P. 192-202.

81. R. Poli, S. Cagnoni, and G. Valli. Genetic design of optimum linear and nonlinear QRS detectors. - IEEE Trans. Biomed. Eng., vol. 42, 1995. P. 1137— 1141.

82. H. Inoue, S. Iwasaki, M. Shimazu, and T.Katsura. Detection of QRS complex in ECG using wavelet transform. - IEICE Gen.Conf., 67(A-4), 1997. P. 198.

83. F. Gritzali. Towards a generalized scheme for QRS detection in ECG waveforms. - Signal Processing, vol. 15, 1988. P. 183-192.

84. Y.H. Hu, W.J. Tompkins, J.L. Urrusti, and V.X. Afonso. Applications of artificial neural networks for ECG signal detection and classification. - J. Electrocardiology, vol. 26 (Suppl.), 1993. P.66-73.

85. Т. Kohama, S. Nakamura, and H. Hoshino. An efficient R-R interval detection for ECG monitoring system. - IEICE Trans. Inf. Syst., E82-D, no. 10, 1999. P. 1425-1432.

86. B.C. Yu, S. Liu, M. Lee, C.Y. Chen, and B.N. Chiang. A nonlinear digital filter for cardiac QRS complex detection. J. Clin. Eng., vol.10, 1985. P. 193-201.

87. S.E. Fischer, S.A. Wickline, and C.H.Lorenz. Novel real-time R-wave detection algorithm based on the vectorcardiogram for accurate gated magnetic resonance acquisitions. Magn.Reson. Med., vol. 42, no. 2, 1999. P. 361-70.

88. Y. Sun, S. Suppappola, and T.A. Wrublewski. Microcontroller-based real-time QRS detection. Biomed. Instrum. Technol., vol.26, no. 6, pp. 477-484, 1992.

89. D.A. Coast, R.M. Stern, G.G. Cano, and S.A.Briller, "An approach to cardiac arrhythmia analysis using hidden Markov models," IEEE Trans.Biomed. Eng., vol. 37, pp. 826-836, 1990.

90. L. Sornmo, O. Pahlm, and M.-E. Nygards. Adaptive QRS detection: A study of performance. IEEE Trans. Biomed. Eng., BME-32, 1985. P.392-401.

91. P.E. Trahanias, "An approach to QRS complex detection using mathematical morphology. IEEE Trans. Biomed. Eng., vol. 40, no. 2, 1993. P.201-205.

92. A. Ligtenberg and M. Kunt. A robust-digital QRS-detection algorithm for arrhythmia monitoring. Comput. Biomed. Res., vol. 16, 1983. P. 273-286.

93. Миркин Б. Г. Проблема группового выбора. М.: Наука, 1974. 342 с.

94. Kanal L. Interactive Pattern Analysis and Classification. Survey and Commentary //Proceedings of IEEE. 1972. Vol. 60, no.10. P. 1200-1215.

95. Воробьев H. H. Вопросы математизации принятия решений на основе экспертных оценок // Материалы IV симпозиума по кибернетике. 1972. Ч. С. 47-51.

96. Растригин JI.A., Эренштейн Р.Х. Метод коллективного распознавания. -М.: Энергоиздат, 1981.

97. Городецкий В.И., Серебряков С.В. Методы и алгоритмы коллективного распознавания: обзор // Труды СПИИРАН. Вып. 3, т. 1. — СПб.: Наука, 2006.

98. L. Lam and C.Y. Suen. Optimal combination of pattern classifiers. Pattern Recognition Letters, 16:945-954, 1995.

99. K. Woods, W.P. Kegelmeyer, and K. Bowyer. Combination of multiple classifiers using local accuracy estimates. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19:405-410, 1997.

100. L. Xu, A. Krzyzak, and C.Y. Suen. Methods of combining multiple classifiers and their application to handwriting recognition. IEEE Transactions on Systems, Man, and Cybernetics, 22:418^35, 1992.

101. J. Kittler, M. Hatef, R.P.W. Duin, and J. Matas. On combining classifiers. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(3):226-239, 1998.

102. S.-B. Cho and J.H. Kim. Combining multiple neural networks by fuzzy integral and robust classification. IEEE Transactions on Systems, Man, and Cybernetics, 25:380-384, 1995.

103. P.D. Gader, M.A. Mohamed, and J.M. Keller. Fusion of handwritten word classifiers. Pattern Recognition Letters, 17:577-584, 1996.

104. M. Grabisch and F. Dispot. A comparison of some for fuzzy classification on real data. In 2nd International Conference on Fuzzy Logic and Neural Networks, pages 659-662, Iizuka, Japan, 1992.

105. J.M. Keller, P. Gader, H. Tahani, J.-H. Chiang, and M. Mohamed. Advances in fuzzy integration for pattern recognition. Fuzzy Sets and Systems, 65:273-283, 1994.

106. I. Bloch. Information combination operators for data fusion: a comparative review with classification. IEEE Transactions on Systems, Man, and Cybernetics Part A: Systems and Humans, 26:52-67, 1996.

107. R.A. Jacobs, M.I. Jordan, S.J. Nowlan, and G.E. Hinton. Adaptive mixtures of local experts. Neural Computation, 3:79-87, 1991.

108. R.A. Jacobs. Methods for combining experts' probability assessments. Neural Computation, 7:867-888, 1995.

109. M.I. Jordan and L. Xu. Convergence results for the EM approach to mixtures of experts architectures. Neural Networks, 8:1409-1431, 1995.

110. S.J. Nowlan and G.E. Hinton. Evaluation of adaptive mixtures of competing experts. In R.P. Lippmann, J.E. Moody, and D.S. Touretzky, editors, Advances in Neural Information Processing Systems 3, pages 774-780, 1991.

111. C.M. Bishop. Neural Networks for Pattern Recognition. Clarendon Press, Oxford, 1995.

112. H. Drucker, C. Cortes, L.D. Jackel, Y. LeCun, and V. Vapnik. Boosting and other ensemble methods. Neural Computation, 6:1289-1301, 1994.

113. J.A. Benediktsson and P.H. Swain. Consensus theoretic classification methods. IEEE Transactions on Systems, Man, and Cybernetics, 22:688-704, 1992.

114. K.-C. Ng and B. Abramson. Consensus diagnosis: A simulation study. IEEE Transactions on Systems, Man, and Cybernetics, 22:916-928, 1992.

115. J.A. Benediktsson, J.R. Sveinsson, J. I. Ingimundarson, H. Sigurdsson, and O.K. Ersoy. Multistage classifiers optimized by neural networks and genetic algorithms. Nonlinear Analysis, theory, Methods & Applications, 30(3): 13231334, 1997.

116. R. Battiti and A.M. Colla. Democracy in neural nets: Voting schemes for classification. Neural Networks,7:691-707, 1994.

117. B.V. Dasarathy and B.V. Sheela. A composite classifier system design: concepts and methodology. Proceedings of ШЕЕ, 67:708-713, 1978.

118. Sharmin R. Ara, R. Viswanathan. Decision Combining in Relay Networks. 5th International Conference on Electrical and Computer Engineering. ICECE 2008.

119. C.-C. Chiang and H.-C. Fu. A divide-and-conquer methodology for modular supervised neural network design. In IEEE International Conference on Neural Networks, pages 119-124, Orlando, Florida, 1994.

120. Загоруйко Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972.

121. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. — М.: Наука. 1970.

122. Истомин Б.А. Разработка помехоустойчивого обнаружителя информативных импульсов ЭКС. Биотехнические, медицинские и экологические системы и комплексы: сб. ст. конф. Рязань: РГРТУ, 2010. -С. 575-578.

123. Соколов Б.М. Метод потенциальных функций в задаче обучения распознающей системы с предъявлением объектов одного класса. Стохастическая оптимизация в информатике. СПб.: Издательство С.-Петербургского университета, 2007.

124. Ortega J., Coppel М., Argamon S. Arbitraining Among Competing Classifiers Using Learned Referees. Knowledge and Information Systems. 2001. No. 3. P 470^190.

125. Но Т. K. Multiple Classifier Combination: Lessons and Next Step // Hybrid Methods in Pattern Recognition, World Scientific, 2002.

126. Vijay P. Mani, Yu Hen Hu, Surekha Palreddy. A novel, batch modular learning approach for ECG beat classification. ICASSP, 1998.

127. Elif Derya UBEYLi. Analysis of ECG signals by diverse and composite features. Journal of electrical & electronics engineering, 7(2), 2007. - P. 393 -402.

128. Yu Hen Hu, Surekha Palreddy, Willis J. Tompkins. A Patient-Adaptable ECG Beat Classifier Using a Mixture of Experts Approach. ШЕЕ Transactions on Biomedical Engineering, 44(9), 1997.

129. Башкина E.M., Егоров А.И., Трапезин B.E. Построение диагностических алгоритмов анализа кардиосигналов коллективом решающих правил. Информационные процессы, 3(1), 2001. С. 70-72.

130. Истомин Б.А., Истомина Т.В. Система и методика для ROC-анализа помехоустойчивости алгоритмов обработки электрокардиосигнала при мониторинге лётного состава. Вестник Московского авиационного института. - 2011. - Т. 18, №3. - С. 210-215.

131. Andrew P. Bradley. The use of the area under the ROC curve in the evaluation of machine learning algorithms. The University of Queensland, 1996.

132. George Forman, Ira Cohen. Beware the Null Hypothesis: Critical Value Tables for Evaluating Classifiers. In Proceedings of ECML, 2005. P. 133-145.

133. Suppappola S, Sun Y. Automated performance evaluation of QRS-detection devices. Biomedical Instrumentation & Technology 29: 41-49, 1995.

134. ANSI/AAMI EC57: Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms (AAMI Recommended

135. Practice/American National Standard), 1998. http://www.aami.org; Order Code: EC57-293.

136. Tom Fawcett. An introduction to ROC analysis. Institute for the Study of Learning and Expertise, http://www.sciencedirect.com.

137. Arian R van Erkel, Peter M.Th Pattynama. Receiver operating characteristic (ROC) analysis: Basic principles and applications in radiology. European Journal of Radiology, 27(2), 1998. P. 88-94.

138. Egan J.P. Signal detection theory and ROC analysis. New York: Acad. Press, 1975.

139. Файнзильберг JI.C., Жук Т.Н. Гарантированная оценка эффективности диагностических тестов на основе усиленного ROC-анализа. УСиМ, 2009.

140. Provost, F., Т. Fawcett. Analysis and Visualization of Classifier Performance: Comparison Under Imprecise Class and Cost Distributions. -Conf. Knowledge Discovery and Data Mining (KDD-97), 1997.

141. Provost, F., and T. Fawcett (2001). Robust Classification for Imprecise Environments. Machine Learning, 42(3), 2001. P. 203-231.

142. Jane Huff. ECG workout: exercises in arrhythmia interpretation. -Lippincott Williams & Wilkins, Library of Congress Catalogin-in Publication Data, 2006.

143. Истомин Б.А. Возможности применения ПЛИС для автоматического анализа электрокардиосигнала. Биотехнические, медицинские и экологические системы и комплексы: тез. докл. Рязань: РГРТУ, 2007.