RU2257838C1 - Method for predicting the state of cardio-vascular system - Google Patents
Method for predicting the state of cardio-vascular system Download PDFInfo
- Publication number
- RU2257838C1 RU2257838C1 RU2004107011/14A RU2004107011A RU2257838C1 RU 2257838 C1 RU2257838 C1 RU 2257838C1 RU 2004107011/14 A RU2004107011/14 A RU 2004107011/14A RU 2004107011 A RU2004107011 A RU 2004107011A RU 2257838 C1 RU2257838 C1 RU 2257838C1
- Authority
- RU
- Russia
- Prior art keywords
- state
- sign
- model
- signs
- characteristic features
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
Предлагаемое изобретение относится к медицине, в частности к кардиологии, и может быть использовано в клинических и экспериментальных исследованиях как электрокардиографический способ диагностики состояния сердечно-сосудистой системы и наглядного представления состояния сердца.The present invention relates to medicine, in particular to cardiology, and can be used in clinical and experimental studies as an electrocardiographic method for diagnosing the state of the cardiovascular system and visualizing the state of the heart.
Известна компьютерная диагностическая система «Поли-Спектр-12» [1], реализующая неинвазивный способ автоматической синдромной диагностики изменений контура электрокардиограммы (ЭКГ), основанный на регистрации ЭКГ, анализе ее информационных параметров, сравнения полученных результатов с предварительно занесенными в базу данных значениями соответствующих состояний сердечно-сосудистой системы и выдаче диагноза из базового словаря диагностических терминов.Known computer diagnostic system "Poly-Spectrum-12" [1], which implements a non-invasive method for automatic syndromic diagnosis of changes in the contour of the electrocardiogram (ECG), based on the registration of the ECG, analysis of its information parameters, comparing the results with previously entered in the database values of the corresponding states cardiovascular system and issuing a diagnosis from a basic dictionary of diagnostic terms.
Недостатками данного способа диагностики состояния сердечно-сосудистой системы являются ограниченность базового словаря диагностических терминов, отсутствие возможности моделирования состояния сердечно-сосудистой системы и невозможность получить наглядную реалистичную картину процесса функционирования сердца.The disadvantages of this method for diagnosing the state of the cardiovascular system are the limited basic vocabulary of diagnostic terms, the lack of the ability to simulate the state of the cardiovascular system and the inability to get a realistic picture of the functioning of the heart.
Наиболее близким по достигаемому результату к предлагаемому изобретению является компьютеризованная система медицинской диагностики, реализующая способ диагностики состояния пациента [2], заключающийся в том, что определяют ключевые слова, описывающие характерные особенности каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, создают доступную для поиска компьютерную форму основной карты описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, используя ключевые слова, обеспечивают доступ к основным картам базы данных в компьютере и сравнивают введенные ключевые слова с ключевыми словами, связанными с каждой основной картой, и определяют, какие состояния или признаки, представленные основными картами, имеют самую высокую степень совпадения с введенным описанием, и показывают эти состояния или признаки на дисплее.The closest to the achieved result to the present invention is a computerized medical diagnostic system that implements a method for diagnosing a patient’s condition [2], which consists in determining keywords that describe the characteristic features of each of the possible conditions or signs in the space of all possible states or signs, create searchable computer form of the main map describing each of the possible states or signs in the space of all possible states or and features, using keywords, provide access to the main cards of the database on the computer and compare the entered keywords with keywords associated with each main card, and determine which conditions or features represented by the main cards have the highest degree of coincidence with the entered description, and show these conditions or signs on the display.
Недостатками данного способа диагностики состояния сердечно-сосудистой системы являются отсутствие возможности моделирования состояния сердечно-сосудистой системы и невозможность получить наглядную реалистичную картину процесса функционирования сердца.The disadvantages of this method of diagnosing the state of the cardiovascular system are the inability to simulate the state of the cardiovascular system and the inability to obtain a realistic visual picture of the process of functioning of the heart.
На фиг.1 приведены блок-схема алгоритма и структура компьютерной диагностической системы, реализующие известный способ диагностики состояния пациента. На блок-схеме приняты следующие обозначения:Figure 1 shows the block diagram of the algorithm and the structure of the computer diagnostic system that implements the known method for diagnosing the condition of the patient. The following notation is used in the block diagram:
1 - ключевые слова;1 - keywords;
2 - база данных;2 - database;
3 - диагноз.3 - the diagnosis.
Как следует из описания, известный способ диагностики состояния сердечно-сосудистой системы предполагает построение базы данных по ключевым словам, характеризующим особенности состояния сердечно-сосудистой системы, обеспечение диагностики по введенным ключевым словам, использование компьютера для сравнения ключевых слов и определения по критерию максимального соответствия наиболее подходящего для данного ключевого слова диагноза.As follows from the description, a known method for diagnosing the state of the cardiovascular system involves building a database of keywords that characterize the characteristics of the state of the cardiovascular system, providing diagnostics for the entered keywords, using a computer to compare keywords and determining the most suitable criterion according to the criterion for a given diagnosis keyword.
Однако, по мнению авторов предлагаемого изобретения, известный способ диагностики состояния сердечно-сосудистой системы (см. фигуру 1) не предоставляет возможности повышения качества диагноза в смысле представления пользователю новой диагностической информации. Действительно, диагностика состояния сердечно-сосудистой системы определена заранее экспертами и заложена в базу данных. То есть пользователь компьютерной диагностической системы, реализованной по известному способу диагностики состояния сердечно-сосудистой системы, не имеет возможности получить достоверную диагностическую информацию, соответствующую конкретному состоянию сердечно-сосудистой системы, а только информацию, «имеющую самую высокую степень совпадения» этого конкретного состояния сердечно-сосудистой системы с предварительно введенным описанием. По мнению авторов предлагаемого изобретения, это является принципиальной отличительной особенностью известного способа.However, according to the authors of the present invention, the known method for diagnosing the state of the cardiovascular system (see figure 1) does not provide an opportunity to improve the quality of the diagnosis in the sense of presenting new diagnostic information to the user. Indeed, the diagnosis of the state of the cardiovascular system is determined in advance by experts and is included in the database. That is, the user of a computer diagnostic system implemented according to the known method for diagnosing the state of the cardiovascular system is not able to obtain reliable diagnostic information corresponding to a specific state of the cardiovascular system, but only information “having the highest degree of coincidence” of this particular state of the cardiovascular system. vascular system with a previously entered description. According to the authors of the invention, this is a fundamental distinguishing feature of the known method.
Изобретение направлено на повышение качества и расширение функциональных возможностей способа диагностики состояния сердечно-сосудистой системы путем моделирования состояния сердечно-сосудистой системы и синтеза реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями.The invention is aimed at improving the quality and expanding the functionality of a method for diagnosing the state of the cardiovascular system by modeling the state of the cardiovascular system and synthesizing a realistic three-dimensional image of the resulting state or feature of the model with characteristic features.
Это достигается тем, что в способ диагностики медицинских состояний, заключающийся в определении ключевых слов, описывающих характерные особенности каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, создании доступной для поиска компьютерной формы основной карты описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, используя ключевые слова, обеспечении доступа к основным картам базы данных в компьютере и сравнении введенных ключевых слов с ключевыми словами, связанными с каждой основной картой, и определении, какие состояния или признаки, представленные основными картами, имеют самую высокую степень совпадения с введенным описанием, и показе этих состояний или признаков на дисплее, введены моделирование выбранных состояний или признаков, сравнение информационных параметров характерных особенностей состояния или признака модели с информационными параметрами характерных особенностей исходного состояния или признака пациента, корректировка определения ключевых слов, создания основных карт описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков и параметров модели до обеспечения заданного уровня совпадения информационных параметров состояния или признака модели с характерными особенностями исходного состояния или признака пациента и синтез реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями.This is achieved by the fact that in a method for diagnosing medical conditions, which consists in identifying keywords that describe the characteristic features of each of the possible conditions or signs in the space of all possible states or signs, creating a computer-searchable form for the main map describing each of the possible states or signs in the space of all possible states or signs, using keywords, providing access to the main database cards in the computer and comparing the entered key words with keywords associated with each main map, and determining which states or signs represented by the main maps have the highest degree of coincidence with the entered description, and showing these states or signs on the display, modeling of the selected states or signs is introduced, comparison information parameters of the characteristic features of the state or symptom of the model with information parameters of the characteristic features of the initial state or symptom of the patient, adjustment of the definition words, creating basic maps describing each of the possible states or signs in the space of all possible states or signs and model parameters to ensure a given level of coincidence of the information parameters of the state or sign of the model with the characteristic features of the initial state or sign of the patient and the synthesis of a realistic three-dimensional image of the obtained state or feature model with salient features.
При этом при моделировании осуществляют получение информационных параметров характерных особенностей выбранного состояния или признака путем создания модели, параметры которой и параметры пациента находятся в определенных однозначных отношениях подобия.In this case, when modeling, information parameters are obtained for the characteristic features of the selected condition or symptom by creating a model whose parameters and patient parameters are in certain unambiguous similarity relations.
Кроме того, при корректировке осуществляют объективное соответствие информационных параметров выбранного состояния или признака информационным параметрам характерных особенностей исходного состояния или признака пациента путем сравнения и корректировки при необходимости начальных и граничных условий модели.In addition, when adjusting, an objective correspondence is made between the information parameters of the selected state or sign and the information parameters of the characteristic features of the initial state or sign of the patient by comparing and adjusting, if necessary, the initial and boundary conditions of the model.
А также синтез реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями осуществляют средствами компьютерной графики в реальном времени и наиболее удобном для восприятия виде.As well as the synthesis of a realistic three-dimensional image of the obtained state or feature of a model with characteristic features is carried out by means of computer graphics in real time and in the most convenient way for perception.
Введенные действия и их последовательность проявляют новые свойства, которые позволяют повысить качество диагноза и расширить функциональные возможности способа диагностики состояния сердечно-сосудистой системы.The introduced actions and their sequence exhibit new properties that can improve the quality of the diagnosis and expand the functionality of the method for diagnosing the state of the cardiovascular system.
Отличительной особенностью предлагаемого способа диагностики состояния сердечно-сосудистой системы является возможность получения новой диагностической информации. Реализация этой возможности осуществляется за счет моделирования состояния сердечно-сосудистой системы с новыми исходными данными. Модель является инструментом исследования и средством получения новой диагностической информации. «Основным свойством и характерным признаком модели является то, что она способна замещать объект на определенных этапах и давать при исследовании информацию о нем» [3, стр. 28].A distinctive feature of the proposed method for diagnosing the state of the cardiovascular system is the ability to obtain new diagnostic information. The realization of this possibility is carried out by modeling the state of the cardiovascular system with new initial data. The model is a research tool and a means of obtaining new diagnostic information. “The main property and characteristic feature of the model is that it is able to replace an object at certain stages and provide information about it during research” [3, p. 28].
На фиг.2 приведена блок-схема алгоритма, реализующего предлагаемый способ диагностики состояния пациента.Figure 2 shows a block diagram of an algorithm that implements the proposed method for diagnosing the condition of the patient.
На фиг.3 приведена классификация групп заболеваний.Figure 3 shows the classification of disease groups.
На фиг.4 показан пример составления ключевых слов.Figure 4 shows an example of compiling keywords.
На фиг.5 изображен двойной электрический слой S по поверхности электрически активного миокарда.Figure 5 shows a double electric layer S on the surface of an electrically active myocardium.
На фиг.6 показаны участки ЭКГ, сформированные на основании модели распространения возбуждения в сердце в данной модели.Figure 6 shows the sections of the ECG formed on the basis of the model of propagation of excitation in the heart in this model.
На фиг.7 показана предварительная локализация с помощью нейронной сети места повреждения миокарда.Figure 7 shows the preliminary localization using the neural network of the site of myocardial damage.
На фиг.8 представлена область Вороного.On Fig presents the Voronoi region.
На фиг.9 представлена экранная форма, поясняющая процесс распознавания сигнала ЭКГ и выдачи сформулированного предварительного диагноза о том, к какому заболеванию относится рассматриваемый сигнал ЭКГ.Figure 9 presents a screen form explaining the process of recognizing an ECG signal and issuing a formulated preliminary diagnosis of which disease the ECG signal is related to.
На фиг.10 изображена зависимость интервала сходимости НС при увеличении количества входных векторов, подаваемых при обучении НС.Figure 10 shows the dependence of the convergence interval of the NS with an increase in the number of input vectors supplied during the training of NS.
На фиг.11 изображена зависимость интервала сходимости НС по отношению ко всем классам заболеваний.Figure 11 shows the dependence of the interval of convergence of NS with respect to all classes of diseases.
На фиг.12 показана текстура.12 shows a texture.
На фиг.13 представлена визуализация повреждений миокарда на синтезированном изображении сердца.On Fig presents a visualization of myocardial damage in the synthesized image of the heart.
На фиг.14-21 представлены экранные формы компьютерной диагностической системы, реализующей предлагаемый способ диагностики состояния сердечно-сосудистой системы.On Fig-21 presents screen forms of a computer diagnostic system that implements the proposed method for diagnosing the state of the cardiovascular system.
На блок-схеме алгоритма, реализующего предлагаемый способ диагностики состояния пациента (фиг.2), приняты следующие обозначения:On the block diagram of the algorithm that implements the proposed method for diagnosing the condition of the patient (figure 2), the following notation:
1 - моделирование характерного состояния пациента,1 - modeling of the characteristic condition of the patient,
2 - диагноз,2 - the diagnosis
3 - ключевые слова,3 - keywords,
4 - поиск в базе данных,4 - search in the database,
5 - диагноз,5 - the diagnosis
6 - моделирование характерного состояния пациента,6 - modeling of the characteristic condition of the patient,
7 - сравнение информационных параметров характерных особенностей состояния или признака модели с информационными параметрами характерных особенностей исходного состояния или признака пациента,7 is a comparison of the information parameters of the characteristic features of the state or sign of the model with the information parameters of the characteristic features of the initial state or sign of the patient,
8 - синтез реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями,8 is a synthesis of a realistic three-dimensional image of the obtained state or feature of the model with characteristic features,
9 - корректировка определения ключевых слов, создания основных карт описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков и параметров модели до обеспечения заданного уровня совпадения информационных параметров состояния или признака модели с характерными особенностями исходного состояния или признака пациента.9 - adjustment of the definition of keywords, the creation of basic maps describing each of the possible states or signs in the space of all possible states or signs and parameters of the model to ensure a given level of coincidence of the information parameters of the state or sign of the model with the characteristic features of the initial state or sign of the patient.
Из анализа фигуры 2 следует, что моделирование характерного состояния пациента в предлагаемом способе осуществляется дважды (блоки 1 и 6).From the analysis of figure 2 it follows that the modeling of the characteristic condition of the patient in the proposed method is carried out twice (
В первом случае (блок 1) моделирование характерного состояния пациента направлено на решение обратной задачи моделирования: определение диагноза по введенным ключевым словам и предназначено для повышения достоверности диагноза. Действительно, с точки зрения теории надежности блоки 2 и 5 дублируют работу по определению диагноза. Допустим, что вероятности определения диагноза у блоков 2 и 5 соответственно равны p2=р7=0,5. Тогда вероятности определения ложного диагноза у блоков 2 и 5 равны:In the first case (block 1), the modeling of the patient’s characteristic state is aimed at solving the inverse modeling problem: determining the diagnosis using the entered keywords and is intended to increase the reliability of the diagnosis. Indeed, from the point of view of reliability theory,
q2=1-p2=0,5,q 2 = 1-p 2 = 0.5,
q7=1-p7=0,5,q 7 = 1-p 7 = 0.5,
и вероятность определения правильного диагноза в предлагаемом способе составитand the probability of determining the correct diagnosis in the proposed method is
P=[1-q2*q7/(q2+q7)]=0,75.P = [1-q 2 * q 7 / (q 2 + q 7 )] = 0.75.
Следовательно, в предлагаемом способе обеспечивается повышение достоверности и качества диагноза по сравнению с известным способом диагностики.Therefore, in the proposed method provides an increase in the reliability and quality of the diagnosis compared with the known method of diagnosis.
Таким образом, параллельная работа блоков 2 и 5 способствует повышению качества диагноза, тем более, что установление диагноза осуществляется разными методами:Thus, the parallel operation of
- блок 2 устанавливает диагноз с помощью моделирования;-
- блок 5 устанавливает диагноз с помощью накопленной базы данных.-
Во втором случае (блок 6) моделирование характерного состояния пациента направлено на решение прямой задачи моделирования: определение ключевых слов по введенному диагнозу и предназначено для получения первичной диагностической информации, вызвавшей полученный диагноз. Степень достоверности полученного диагноза определяется путем сравнения информационных параметров смоделированного состояния сердечно-сосудистой системы с информационными параметрами состояния сердечно-сосудистой системы пациента.In the second case (block 6), the modeling of the patient’s characteristic state is aimed at solving the direct modeling problem: determining keywords using the entered diagnosis and is intended to obtain primary diagnostic information that caused the diagnosis. The degree of reliability of the diagnosis is determined by comparing the information parameters of the simulated state of the cardiovascular system with the information parameters of the state of the cardiovascular system of the patient.
Причин, которые приведут к характерному состоянию пациента, может быть бесчисленное множество. Возможность для получения новой диагностической информации в предлагаемом способе принципиально существует.The reasons that lead to the characteristic state of the patient can be countless. The possibility for obtaining new diagnostic information in the proposed method fundamentally exists.
Для реализации предлагаемого способа диагностики состояния пациента необходимо выполнить следующие действия:To implement the proposed method for diagnosing a patient’s condition, it is necessary to perform the following steps:
- составить базовый словарь диагностических терминов из ключевых слов;- compile a basic dictionary of diagnostic terms from keywords;
- сформировать базу данных;- create a database;
- обеспечить доступ к данным;- provide access to data;
- разработать методы анализа первичной диагностической информации;- develop methods for the analysis of primary diagnostic information;
- зарегистрировать и определить параметры характерных особенностей состояния сердечно-сосудистой системы;- register and determine the parameters of the characteristic features of the state of the cardiovascular system;
- смоделировать характерные особенности состояния сердечно-сосудистой системы;- to model the characteristic features of the state of the cardiovascular system;
- синтезировать реалистичное трехмерное изображение полученного состояния или признака модели с характерными особенностями.- synthesize a realistic three-dimensional image of the obtained state or feature of the model with characteristic features.
Поясним особенности выполнения действий на каждом этапе. На первом этапе экспертами, врачами-кардиологами, определяются ключевые слова, которые однозначно и точно описывают то или иное характерное состояние или признак состояния сердечно-сосудистой системы человека из всех возможных состояний или признаков (составляется словарь базовых терминов). Затем эксперты разделяют ключевые слова на три различных класса слов:Let us explain the specifics of performing actions at each stage. At the first stage, experts, cardiologists, determine keywords that unambiguously and accurately describe a particular characteristic state or sign of a person’s cardiovascular system from all possible states or signs (a dictionary of basic terms is compiled). Then, the experts divide the keywords into three different classes of words:
- главные слова, которые описывают самую важную особенность характерного состояния или признака состояния сердечно-сосудистой системы человека;- the main words that describe the most important feature of a characteristic state or sign of a person's state of the cardiovascular system;
- дескрипторные слова, которые расширяют описание главного слова, добавляя характерные особенности характерного состояния или признака состояния сердечно-сосудистой системы человека;- descriptor words that expand the description of the main word, adding the characteristic features of a characteristic state or sign of a person's state of the cardiovascular system;
- дополнительные слова, которые расширяют описание дескрипторного слова, добавляя к дескриптору количественные характеристики информационных параметров характерных особенностей характерного состояния или признака состояния сердечно-сосудистой системы человека.- additional words that expand the description of the descriptor word, adding to the descriptor quantitative characteristics of information parameters of the characteristic features of a characteristic state or sign of the state of the human cardiovascular system.
Состояние сердечно-сосудистой системы человека можно классифицировать по типу заболевания на группы заболеваний (см. фигуру 3). Название группы является главным словом ключевого слова, описывающим самую важную особенность заболевания. К дескрипторным словам относится более подробное описание заболевания, а к дополнительным словам - количественные характеристики информационных параметров заболевания. Пример составления ключевых слов приведен на фигуре 4, где граф описания заболевания представлен в виде иерархической структуры, каждый уровень которой соответствует определенной степени детализации описания заболевания. Отличительной особенностью составления ключевых слов в предлагаемом способе является представление в дополнительных словах количественных характеристик информационных параметров заболевания для модели сердечно-сосудистой системы.The state of the human cardiovascular system can be classified by type of disease into groups of diseases (see figure 3). The name of the group is the main keyword word describing the most important feature of the disease. Descriptive words include a more detailed description of the disease, and additional words include quantitative characteristics of the informational parameters of the disease. An example of compiling keywords is shown in figure 4, where the graph describing the disease is presented in the form of a hierarchical structure, each level of which corresponds to a certain degree of detail of the description of the disease. A distinctive feature of the compilation of keywords in the proposed method is the presentation in additional words of the quantitative characteristics of the information parameters of the disease for the model of the cardiovascular system.
Сердечно-сосудистая система представляет собою сложную функциональную систему со многими уровнями иерархической организации отдельных подсистем и механизмов саморегуляции. В качестве отдельных подсистем можно выделить клеточную подсистему, проводящую подсистему и сократительную подсистему, которые обеспечивают основные свойства сердечно-сосудистой системы: автоматизм, проводимость, возбудимость и сократимость. В совокупности эти свойства выделенных подсистем сердечно-сосудистой системы направлены на выполнение основной функции сердца - насосной функции для обеспечения кровоснабжения.The cardiovascular system is a complex functional system with many levels of hierarchical organization of individual subsystems and self-regulation mechanisms. As separate subsystems, one can distinguish the cellular subsystem, the conducting subsystem and the contractile subsystem, which provide the basic properties of the cardiovascular system: automatism, conduction, excitability, and contractility. Together, these properties of the selected subsystems of the cardiovascular system are aimed at fulfilling the main function of the heart - the pumping function to ensure blood supply.
Таким образом, с учетом особенностей подсистем сердечно-сосудистой системы определяют ключевые слова, описывающие характерные особенности каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков сердечно-сосудистой системы.Thus, taking into account the characteristics of the subsystems of the cardiovascular system, keywords are defined that describe the characteristic features of each of the possible states or signs in the space of all possible states or signs of the cardiovascular system.
На этапе создания базы данных определяются структура базы данных, сущности, их атрибуты и взаимосвязи. В предлагаемой компьютерной диагностической системе из всего многообразия СУБД выбор сделан в пользу InterBase [4]. InterBase - это система управления реляционными базами данных, поставляемая корпорацией Borland для построения приложений с архитектурой клиент-сервер произвольного масштаба: от сетевой среды небольшой рабочей группы с сервером Novell NetWare, Linux или Windows NT на базе IBM PC до информационных систем крупного предприятия на базе серверов IBM, Hewlett-Packard и SUN.At the database creation stage, the database structure, entities, their attributes and relationships are determined. In the proposed computer diagnostic system from the whole variety of DBMSs, the choice was made in favor of InterBase [4]. InterBase is a relational database management system supplied by Borland Corporation for building applications with a client-server architecture of arbitrary scale: from the network environment of a small workgroup with a Novell NetWare server, Linux or Windows NT based on an IBM PC to large server-based information systems IBM, Hewlett-Packard, and SUN.
На этапе обеспечения доступа к данным сначала в предлагаемом способе диагностики состояния пациента доступ к медицинской информации в целях обеспечения безопасности осуществляется с помощью средств проверки полномочий и проверки подлинности [5]. В предлагаемой компьютерной диагностической системе хранится информация, относящаяся к разным классам безопасности - от полностью открытой до совершенно конфиденциальной. Часть пользователей (например, обычный пациент) не имеет доступа к информации с грифом «Совершенно конфиденциально». Поэтому средства доступа к данным организованы таким образом, что пользователь, имеющий низший уровень доступа, может пользоваться базой данных, содержащей конфиденциальные данные, но ни при каких обстоятельствах не имеет доступа к ним. После проверки полномочий и проверки подлинности пользователь компьютерной диагностической системы с помощью устройства ввода задает корректное описание состояния пациента. Это описание содержит ключевые слова, которые компьютер сравнивает с ключевыми словами, связанными с характерными особенностями каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков сердечно-сосудистой системы, и определяет, какие состояния или признаки имеют самую высокую степень совпадения с введенным описанием.At the stage of providing access to data, first, in the proposed method for diagnosing a patient’s condition, access to medical information in order to ensure security is carried out by means of authorization and authentication [5]. The proposed computer diagnostic system stores information related to different security classes - from completely open to completely confidential. Some users (for example, an ordinary patient) do not have access to information with the heading “Completely confidential”. Therefore, the means of accessing data are organized in such a way that a user with the lowest level of access can use a database containing confidential data, but under no circumstances have access to them. After authorization and authentication, the user of the computer diagnostic system using the input device sets the correct description of the patient's condition. This description contains keywords that the computer compares with keywords associated with the characteristic features of each of the possible conditions or signs in the space of all possible states or signs of the cardiovascular system, and determines which conditions or signs have the highest degree of coincidence with the entered description .
На этапе анализа первичной диагностической информации определяются методы анализа. В настоящее время при анализе ЭКГ применяются математические методы. Все многообразие методов исследования разделяется на три большие группы:At the stage of analysis of primary diagnostic information, analysis methods are determined. Currently, in the analysis of ECG mathematical methods are used. The whole variety of research methods is divided into three large groups:
- пространственно-временные и статистические методы;- spatio-temporal and statistical methods;
- пространственно-спектральные;- spatial spectral;
- нелинейные.- nonlinear.
Две первые группы методов применяются в комплексе. В частности, используются классические методы анализа временных рядов, например, для вычисления статистических параметров последовательности RR-интервалов, дисперсии QT-интервалов, спектрального распределения энергии и других традиционных характеристик ЭКГ. Появление третьей группы методов обусловлено развитием теории нелинейных динамических систем и хаоса, это направление продолжает оставаться предметом научных изысканий, оно ввело набор совершенно новых средств анализа ЭКГ: сечение Пуанкаре, реконструкция фазового портрета, вычисление показателя Ляпунова и энтропии Колмогорова и другие количественные характеристики нелинейных динамических систем. Авторами предлагаемого изобретения для анализа первичной диагностической информации используются методы вейвлет-преобразования [6], нелинейных динамических систем [7] и нейронных сетей [8]. Результаты анализа первичной диагностической информации используются для последующего моделирования характерного состояния или признака состояния сердечно-сосудистой системы пациента, а также для уточнения дополнительных слов в описании ключевых слов.The first two groups of methods are used in combination. In particular, classical methods of time series analysis are used, for example, to calculate the statistical parameters of the sequence of RR intervals, the dispersion of QT intervals, the spectral distribution of energy and other traditional ECG characteristics. The emergence of the third group of methods is due to the development of the theory of nonlinear dynamical systems and chaos, this area continues to be the subject of scientific research, it introduced a set of completely new ECG analysis tools: Poincare section, reconstruction of the phase portrait, calculation of the Lyapunov exponent and Kolmogorov entropy and other quantitative characteristics of nonlinear dynamical systems . The authors of the invention for the analysis of primary diagnostic information using the methods of wavelet transform [6], non-linear dynamic systems [7] and neural networks [8]. The results of the analysis of primary diagnostic information are used for subsequent modeling of a characteristic state or symptom of the patient's cardiovascular system, as well as to refine additional words in the description of keywords.
Использование конкретного метода анализа обусловлено удобством применения результатов анализа для последующего моделирования характерного состояния или признака состояния сердечно-сосудистой системы пациента.The use of a specific analysis method is due to the convenience of applying the results of the analysis for subsequent modeling of a characteristic state or sign of the patient's cardiovascular system.
Суть этапа регистрации заключается в получении качественных отсчетов, однозначно определяющих первичную диагностическую информацию. На этом этапе осуществляются усиление исходных сигналов, подавление помех, устранение артефактов и сопряжение источника исходных сигналов с компьютерной диагностической системой.The essence of the registration phase is to obtain high-quality readings that uniquely determine the primary diagnostic information. At this stage, amplification of the source signals, suppression of interference, elimination of artifacts and pairing of the source of the source signals with a computer diagnostic system are carried out.
Этап моделирования характерного состояния или признака состояния сердечно-сосудистой системы пациента является одним из основных этапов предлагаемого способа диагностики, определяющим диагноз, наряду с этапами анализа первичной диагностической информации и синтеза реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями. Модель позволяет оценить состояние сердечно-сосудистой системы пациента. Для моделирования электрической активности сердца используется мультидипольная модель [9]. Модель электрической активности сердца рассматривает его в виде двойного электрического слоя S по поверхности электрически активного миокарда (см. фигуру 5), теоретическую основу которой составляют дифференциальные уравнения для потенциала электрического поля стационарных токов, создаваемого сердцем в теле, как в объемном проводнике, а также концепция эквивалентного генератора сердца. Разность потенциалов между внешней и внутренней поверхностями мембраны составляет в покое около 90 мВ. Эта разность изменяется при возбуждении клетки в соответствии с поведением трансмембранного потенциала во времени, причем любой бесконечно малый элемент мембраны можно в этом случае считать точечным дипольным источником тока, работающим в окружающей проводящей среде.The stage of modeling the characteristic state or condition of the patient’s cardiovascular system is one of the main stages of the proposed diagnostic method, which determines the diagnosis, along with the steps of analyzing the primary diagnostic information and synthesizing a realistic three-dimensional image of the obtained state or symptom of the model with characteristic features. The model allows you to assess the condition of the patient's cardiovascular system. A multidipole model is used to simulate the electrical activity of the heart [9]. The model of the electrical activity of the heart considers it as a double electric layer S on the surface of an electrically active myocardium (see figure 5), the theoretical basis of which is the differential equations for the potential of the electric field of stationary currents created by the heart in the body, as in a volume conductor, as well as the concept equivalent heart generator. The potential difference between the outer and inner surfaces of the membrane is at rest about 90 mV. This difference changes when the cell is excited in accordance with the behavior of the transmembrane potential in time, and any infinitely small element of the membrane can be considered in this case as a point dipole current source operating in the surrounding conducting medium.
На фигуре 5 приняты следующие обозначения:In figure 5, the following notation:
а - физический двойной электрический слой S (толщина слоя, т.е. расстояние d между образующими слой поверхностями S+ и S-, пренебрежимо мала по сравнению с расстоянием R до точки наблюдения 1);а - physical double electric layer S (layer thickness, i.e. the distance d between the surfaces S + and S- forming the layer, is negligible compared to the distance R to observation point 1);
b - элемент ΔS мембраны возбудимой клетки миокарда, потенциал которого Δφ в точке 1 от элемента ΔS пропорционален величине трансмембранного потенциала U и телесному углу Δ Ω, под которым ΔS виден из точки 1: Δφ=ΔSKmΔSr-2cos(N, r);b is the element ΔS of the membrane of the excitable myocardial cell, whose potential Δφ at
с - модель электрической активности сердца в виде двойного электрического слоя S по поверхности эпикарда и эндокарда (дискретизация поверхности S приводит к мульти-дипольной модели эквивалентного генератора сердца).c is a model of the electrical activity of the heart in the form of a double electric layer S on the surface of the epicardium and endocardium (discretization of the surface S leads to a multi-dipole model of an equivalent heart generator).
Для сердца в норме поверхность двойного слоя совпадает с поверхностью эпикарда и эндокарда. Упрощенный дискретный аналог выражения, связывающего потенциал φ1(t) точки 1 среды (точка однополюсного отведения) с событиями на поверхности эпикарда и эндокарда, разделенной на элементарные площадки, выглядит следующим образом:For the heart, normally the surface of the double layer coincides with the surface of the epicardium and endocardium. A simplified discrete analogue of the expression connecting the potential φ 1 (t) of the medium point 1 (unipolar lead point) with events on the surface of the epicardium and endocardium, divided into elementary areas, looks as follows:
где Ui(t) - характеристика электрической активности i-го элемента двойного слоя, эквивалентная трансмембранному потенциалу (ТМП) действия, причем форма кривой ТМП(t) зависит от локальных физико-физиологических процессов в миокарде и, следовательно, может различаться для отдельных групп элементов;where U i (t) is the characteristic of the electrical activity of the ith element of the double layer, which is equivalent to the transmembrane potential (TMP) of the action, and the shape of the TMP curve (t) depends on local physical and physiological processes in the myocardium and, therefore, may vary for individual groups elements;
τI - задержка возбуждения каждого элемента относительно единого временного маркера;τ I is the excitation delay of each element relative to a single time marker;
n - число элементов разбиения поверхности S;n is the number of elements of the partition of the surface S;
KМ - коэффициент, учитывающий свойства среды;K M - coefficient taking into account the properties of the medium;
k1i - коэффициент передачи между i-м элементом и точкой отведения 1, определяющий парциальный вклад элемента в потенциал отведения. Величина k1i определяется, в частности, позиционными и ориентационными факторами (расстояние элемента поверхности и его ориентация относительно точки отведения) и может рассматриваться с некоторыми допущениями как телесный угол, под которым i-й элемент с учетом направления его внешней нормали виден из точки 1 (фиг.5b). Для поверхности S значения k1i разнятся по знаку и по своей величине (от некоторого максимума до нуля) и изменяются при изменении 1, т.е. от отведения к отведению.k 1i is the transfer coefficient between the ith element and
Чем больше площадь элемента ΔS и чем меньше расстояние r от него до точки отведения и угол между r и нормалью N к ΔS (что эквивалентно условию: «чем больше телесный угол W»), тем больше потенциал Δφ, создаваемый этим элементом в точке отведения. Знак Δφ, плюс или минус, зависит от того, какая сторона элемента двойного слоя видна из точки наблюдения (точка отведения). Для равномерно заряженного двойного слоя S произвольной формы величина потенциала определяется телесным углом, под которым из точки отведения виден край слоя, т.е. контур, на который этот двойной слой натянут.The larger the area of the element ΔS and the smaller the distance r from it to the point of abstraction and the angle between r and the normal N to ΔS (which is equivalent to the condition: "the greater the solid angle W"), the greater the potential Δφ created by this element at the point of abstraction. The sign of Δφ, plus or minus, depends on which side of the double layer element is visible from the observation point (lead point). For a uniformly charged double layer S of arbitrary shape, the potential value is determined by the solid angle at which the edge of the layer is visible from the point of abstraction, i.e. the contour over which this double layer is stretched.
На основании модели распространения возбуждения в сердце в данной модели формируются участки ЭКГ (см. фигуру 6). Параметрами модели являются такие электрофизиологические и анатомофизиологические характеристики сердца, как: геометрия желудочков и специализированной проводящей системы Гис-Пуркинье; скорость распространения процесса деполяризации по миокарду; отношение скоростей проведения возбуждения по элементам миокарда, Гиса и Пуркинье; форма трансмембранных потенциалов действия на эпикарде и эндокарде желудочков, т.е. на поверхности S модели; ориентация собственных анатомических осей сердца относительно исходной системы координат и некоторые другие биофизические характеристики миокарда.Based on the model of the propagation of excitation in the heart, ECG sections are formed in this model (see figure 6). The model parameters are such electrophysiological and anatomophysiological characteristics of the heart as: the geometry of the ventricles and the specialized conducting system of His-Purkinje; the rate of propagation of the process of depolarization in the myocardium; the ratio of the rates of excitation along the elements of the myocardium, His, and Purkinje; the form of transmembrane action potentials on the epicardium and endocardium of the ventricles, i.e. on the surface of the S model; orientation of the anatomical axis of the heart relative to the original coordinate system and some other biophysical characteristics of the myocardium.
Исходными данными для получения предварительного диагноза с помощью модели являются информационные параметры ЭКГ пациента. По известным информационным параметрам ЭКГ пациента определяется распределение трансмембранных потенциалов по поверхности сердца. В тех участках поверхности сердца, где трансмембранный потенциал будет вести себя аномально (т.е. отличаться от ТМП, представленных на фигуре 6), будет поврежденный миокард. По обнаруженной области поврежденного миокарда можно поставить диагноз. Анализ функционирования модели [9] показал принципиальное ограничение электрокардиографии как метода функциональной диагностики. В электрокардиографии сигнал ЭКГ снимается в 12 стандартных отведениях: в 6 стандартных отведениях от конечностей и 6 стандартных грудных отведениях [10]. Поэтому, имея ЭКГ в 12 отведениях, можно составить систему только из 12 уравнений:The initial data for obtaining a preliminary diagnosis using the model are the patient's ECG information parameters. The well-known information parameters of the patient's ECG determine the distribution of transmembrane potentials on the surface of the heart. In those parts of the surface of the heart where the transmembrane potential will behave abnormally (i.e., differ from the TMP shown in Figure 6), the damaged myocardium will be. The detected area of the damaged myocardium can be diagnosed. An analysis of the functioning of the model [9] showed a fundamental limitation of electrocardiography as a method of functional diagnostics. In electrocardiography, the ECG signal is recorded in 12 standard leads: in 6 standard leads from the limbs and 6 standard chest leads [10]. Therefore, having an ECG in 12 leads, you can compose a system of only 12 equations:
Каждое уравнение в качестве неизвестного члена содержит участок поверхности сердца. Для того чтобы найти зависимость ТМП от t, необходимо решить данную систему несколько раз для различных моментов времени. В каждый конкретный момент времени данная система имеет определенное решение.Each equation as an unknown term contains a portion of the surface of the heart. In order to find the dependence of the TMP on t, it is necessary to solve this system several times for different points in time. At any given moment in time, this system has a definite solution.
Таким образом, в рамках модели [9] с использованием электрокардиографического метода можно локализовать только 12 участков поврежденного миокарда на поверхности сердца. Очевидно, что такая локализация участков поврежденного миокарда на поверхности сердца не удовлетворяет современным требованиям диагностики состояния сердечно-сосудистой системы. Идеальным положением является локализация участка поврежденного миокарда на поверхности сердца отдельным кардиомиоцитом. Однако это пожелание невозможно реализовать в рамках метода электрокардиографии. Разрешающая способность метода электрокардиографии ограничена 1 мВ, а ТМП кардиомиоцита составляет 90 мкВ. Следовательно, даже теоретически, «в чистом виде», разрешающая способность метода электрокардиографии способна зафиксировать электрическую активность от 10 кардиомиоцитов. Реально это цифра возрастает еще на порядок. Электроды стандартных отведений расположены на поверхности тела человека, а не на поверхности сердца, поэтому фиксируются ТМП не только кардиомиоцитов сердца, но и электрическая активность клеток других органов. Известно, что количество кардиомиоцитов составляет приблизительно 1 миллион [10]. Тогда возможное количество областей локализации участка поврежденного миокарда на поверхности сердца, определяемое с помощью метода электрокардиографии, составляет около 100000.Thus, within the framework of the model [9] using the electrocardiographic method, only 12 sites of damaged myocardium can be localized on the surface of the heart. Obviously, such a localization of damaged myocardial sites on the surface of the heart does not meet the current requirements for diagnosing the state of the cardiovascular system. The ideal position is the localization of the damaged myocardium on the surface of the heart with a separate cardiomyocyte. However, this wish cannot be realized within the framework of the electrocardiography method. The resolution of the electrocardiography method is limited to 1 mV, and the TMP of the cardiomyocyte is 90 μV. Therefore, even theoretically, “in its pure form”, the resolution of the electrocardiography method is able to record the electrical activity of 10 cardiomyocytes. In reality, this figure is increasing by another order of magnitude. Standard lead electrodes are located on the surface of the human body, and not on the surface of the heart, therefore, TMP is recorded not only of cardiomyocytes of the heart, but also the electrical activity of cells of other organs. It is known that the number of cardiomyocytes is approximately 1 million [10]. Then the possible number of areas of localization of the damaged myocardium site on the surface of the heart, determined using the electrocardiography method, is about 100,000.
Таким образом, количество возможных областей локализации участка поврежденного миокарда на поверхности сердца гораздо больше (на 4 порядка) количества уравнений, описывающих состояние электрической активности сердца. Понижение размерности системы уравнений, описывающих состояние электрической активности сердца, по мнению авторов предлагаемого изобретения, возможно только с помощью нейронной сети, предварительно обученной на достаточно большой выборке пациентов с уже определенными и подтвержденными диагнозами. Суть процесса понижения размерности системы уравнений, описывающих состояние электрической активности сердца (2), заключается в предварительной локализации с помощью нейронной сети места повреждения миокарда и иллюстрируется на фигуре 7.Thus, the number of possible areas of localization of the damaged myocardium site on the surface of the heart is much larger (by 4 orders of magnitude) than the number of equations describing the state of electrical activity of the heart. The dimensionality reduction of the system of equations describing the state of the electrical activity of the heart, according to the authors of the present invention, is possible only with the help of a neural network, previously trained on a sufficiently large sample of patients with already defined and confirmed diagnoses. The essence of the process of lowering the dimension of the system of equations describing the state of the electrical activity of the heart (2) is the preliminary localization of the site of myocardial damage using the neural network and is illustrated in figure 7.
Главной особенностью электрокардиографической диагностики является неограниченный объем плохо структурированных сведений, содержащихся в ЭКГ и используемых при анализе [10]. Эта особенность является ответом на вопрос о трудности внедрения известных программных решений для диагностирования [1, 2]. Несомненно, здесь требуется не менее совершенная система, чем человеческий мозг.The main feature of electrocardiographic diagnosis is an unlimited amount of poorly structured information contained in the ECG and used in the analysis [10]. This feature is an answer to the question of the difficulty of introducing well-known software solutions for diagnosis [1, 2]. Undoubtedly, no less perfect system is required here than the human brain.
Нейронная сеть (НС) является вычислителем нового класса, позволяющим анализировать сигнал ЭКГ с необходимой точностью и достоверностью. Степень необходимой точности и достоверности области повреждения миокарда определяется алгоритмом обучения НС.Neural network (NS) is a new class of computers that allows you to analyze the ECG signal with the necessary accuracy and reliability. The degree of necessary accuracy and reliability of the area of myocardial damage is determined by the NS training algorithm.
Из всех типов НС (не учитывая специализированные НС, созданные для решения конкретной задачи) задачу классификации и распознавания образов способны выполнять радиальные НС типа PNN и самоорганизующиеся НС типа LVQ (Leaning Vector Quantization) [8].Of all the types of NSs (not taking into account the specialized NSs created for solving a specific problem), the radial NSs of the PNN type and self-organizing NSs of the LVQ type (Leaning Vector Quantization) are able to perform the classification and pattern recognition task [8].
Радиальная сеть, выполняющая задачи кластеризации и классификации, относится к типу LVQ-сети, в которой используется процесс самоорганизации. Процесс самоорганизации обучающих данных автоматически разделяет пространство на так называемые области Вороного, определяющие различающиеся группы данных (в нашем случае различные состояния сердечно-сосудистой системы человека). Пример такого разделения двухмерного пространства показан на фигуре 8. Данные, сгруппированные внутри кластера, представляются центральной точкой, определяющей среднее значение всех его элементов. Центр кластера в дальнейшем будет отождествляться с центром соответствующей радиальной функции. Разделение данных на кластеры можно выполнять с использованием одной из версий алгоритма Линде-Бузо-Грея, называемого алгоритмом К-усреднений [7]. Согласно этому алгоритму расчет центров производится после предъявления каждого очередного вектора х (множество отсчетов ЭКГ) из множества обучающих выборок (3). В накопительной версии алгоритма центры уточняются одновременно после предъявления всех элементов множества (4):A radial network that performs the tasks of clustering and classification is a type of LVQ network in which the self-organization process is used. The process of self-organization of training data automatically divides the space into the so-called Voronoi regions, which define different groups of data (in our case, various states of the human cardiovascular system). An example of such a separation of two-dimensional space is shown in Figure 8. The data grouped inside the cluster is represented by a central point that determines the average value of all its elements. The center of the cluster will be further identified with the center of the corresponding radial function. Separation of data into clusters can be performed using one of the versions of the Linde-Buso-Gray algorithm, called the K-averaging algorithm [7]. According to this algorithm, the calculation of the centers is performed after the presentation of each next vector x (multiple ECG samples) from the set of training samples (3). In the cumulative version of the algorithm, the centers are refined simultaneously after the presentation of all elements of the set (4):
где с - центр множества, n - коэффициент обучения, имеющий малое значение (обычно n≪1), причем уменьшающееся во времени, Ni - количество векторов x(k), x(k) - обучающая выборка. В качестве примера Ni=9, то есть выбраны для анализа 9 разновидностей сигнала ЭКГ (1 сигнал ЭКГ здорового человека и 8 сигналов ЭКГ людей с острым инфарктом миокарда) в 12 отведениях - всего 108 сигналов. Эти сигналы сохраняются в виде двумерного массива, состоящего из 101 элемента (отсчетов сигналов ЭКГ), в котором первый столбец - массив отсчетов через 0.01 миллисекунду, а второй столбец - амплитуда сигнала ЭКГ на данном отсчете.where c is the center of the set, n is the learning coefficient, which has a small value (usually n≪1), and decreases in time, Ni is the number of vectors x (k), x (k) is the training sample. As an example, Ni = 9, that is, 9 types of ECG signal were selected for analysis (1 ECG signal of a healthy person and 8 ECG signals of people with acute myocardial infarction) in 12 leads - a total of 108 signals. These signals are stored as a two-dimensional array of 101 elements (samples of ECG signals), in which the first column is an array of samples in 0.01 milliseconds, and the second column is the amplitude of the ECG signal in this sample.
Независимо от способов обучения самоорганизующихся сетей большое значение имеет избыточность данных, без которых обучение просто невозможно. Широкий спектр обучающих данных, включающий многократные повторения похожих друг на друга выборок, образует «базу знаний» для обучения сети, из которой путем соответствующих сопоставлений НС выводятся решения по формированию на выходе сети определенного вектора. В нашем случае обучающая выборка формируется путем создания некоторого числа аналогов (45) для каждого типа сигнала ЭКГ в каждом отведении. Делается это с помощью добавления шума в исходный сигнал.Regardless of how self-organizing networks are trained, data redundancy is essential, without which learning is simply impossible. A wide range of training data, including multiple repetitions of similar to each other samples, forms a “knowledge base” for training the network, from which, by means of appropriate comparisons of the NS, solutions are derived for the formation of a certain vector at the network output. In our case, the training sample is formed by creating a certain number of analogs (45) for each type of ECG signal in each lead. This is done by adding noise to the original signal.
После нормализации входных векторов при активации сети вектором х в конкурентной борьбе побеждает тот нейрон, вес которого в наименьшей степени отличается от соответствующих компонентов этого вектора. Для w-го нейрона-победителя выполняется отношениеAfter normalization of the input vectors when the network is activated by the vector x, that neuron wins the competition, the weight of which is the least different from the corresponding components of this vector. For the wth winning neuron, the relation
где d(x, w) - расстояние между векторами х и w. Вокруг нейрона-победителя образуется топологическая окрестность с определенной энергетикой, уменьшающейся с течением времени. Нейрон-победитель и все нейроны, лежащие в пределах его окрестности, подвергаются адаптации, в ходе которой их векторы весов изменяются в направлении вектора х по правилу Кохоненаwhere d (x, w) is the distance between the vectors x and w. Around the winning neuron, a topological neighborhood is formed with a certain energy that decreases over time. The winning neuron and all neurons lying within its vicinity undergo adaptation, during which their weight vectors change in the direction of the vector x according to the Kohonen rule
где w - весовые коэффициенты нейронов, n - коэффициент обучения.where w are the weights of neurons, n is the learning coefficient.
Процесс самоорганизации предполагает определение победителя каждого этапа, то есть нейрона, вектор весов которого в наименьшей степени отличается от поданного на вход сети вектора х. В этой ситуации важной проблемой становится выбор метрики, в которой будут измеряться расстояния между векторами х и wi. Чаще всего используется эвклидова мера:The process of self-organization involves determining the winner of each stage, that is, a neuron whose weight vector is the least different from the vector x fed to the input of the network. In this situation, the choice of a metric in which the distances between the vectors x and w i will be measured becomes an important problem. The most commonly used Euclidean measure:
При этом разбиение пространства на зоны доминирования нейронов равносильно мозаике Вороного.In this case, the division of space into zones of dominance of neurons is equivalent to Voronoi's mosaic.
Диагностика состояния сердечно-сосудистой системы с помощью НС предусматривает выполнение нескольких функций: обучение нейронной сети, распознавание сигнала ЭКГ из выбранной области локализации заболевания и анализ работы НС по двум характеристикам - анализ интервала сходимости в зависимости от количества векторов в обучающей выборке и анализ интервала сходимости по отношению ко всем классам заболеваний.Diagnosis of the state of the cardiovascular system with the help of NS involves performing several functions: training the neural network, recognizing the ECG signal from the selected area of the disease localization and analyzing the functioning of the NS according to two characteristics - analysis of the convergence interval depending on the number of vectors in the training sample and analysis of the convergence interval for in relation to all classes of diseases.
Экранная форма, поясняющая процесс распознавания сигнала ЭКГ и выдачи сформулированного предварительного диагноза о том, к какому заболеванию относится рассматриваемый сигнал ЭКГ, приведена на фигуре 9.The screen form explaining the process of recognizing the ECG signal and issuing a formulated preliminary diagnosis about which disease the ECG signal is considered is shown in Figure 9.
На фигуре 10 приведена зависимость интервала сходимости НС при увеличении количества входных векторов, подаваемых при обучении НС.The figure 10 shows the dependence of the interval of convergence of the NS with an increase in the number of input vectors supplied during the training of NS.
На фигуре 11 приведена зависимость интервала сходимости НС по отношению ко всем классам заболеваний. Построенный график отражает процесс соотнесения нейронной сетью сигнала к конкретному типу заболевания сердечно-сосудистой системы. Самый наименьший интервал сходимости является условием присвоения этого класса заболевания обрабатываемому сигналу ЭКГ. Для анализа был выбран сигнал ЭКГ одного из авторов предлагаемого изобретения. Как видно из фигуры 11, результатом анализа этого сигнала стал график, на котором четко отражено, что для тестируемого сигнала интервал сходимости в диапазоне 90-135 (сигналы ЭКГ здорового человека) наименьший, что свидетельствует о достоверности выводов, сделанных нейронной сетью о том, что сигнал ЭКГ относится к классу нормальных сигналов.The figure 11 shows the dependence of the interval of convergence of NS with respect to all classes of diseases. The constructed graph reflects the process of correlation of a signal by a neural network to a specific type of disease of the cardiovascular system. The smallest convergence interval is a condition for assigning this class of disease to the processed ECG signal. For analysis, an ECG signal was chosen by one of the authors of the invention. As can be seen from figure 11, the analysis of this signal resulted in a graph that clearly shows that for the test signal, the convergence interval in the range of 90-135 (ECG signals of a healthy person) is the smallest, which indicates the reliability of the conclusions made by the neural network that ECG signal belongs to the class of normal signals.
Таким образом, определив с помощью НС место повреждения миокарда, в систему (2) вводятся ТМП кардиомиоцитов только области повреждения (см. фигуру 7) и на основании решения системы (2) получается распределение ТМП по поверхности сердца в каждый момент кардиоцикла.Thus, having determined the site of myocardial damage using NS, TMP of cardiomyocytes of only the damage area is introduced into system (2) (see Figure 7) and based on the solution of system (2), the distribution of TMP over the surface of the heart at each moment of the cardiocycle is obtained.
Для уточнения и проверки диагноза на следующем этапе (блок 8 на фигуре 2) решается прямая задача моделирования, т.е. по известному распределению ТМП на поверхности сердца находится ЭКГ в 12 отведениях.To clarify and verify the diagnosis in the next step (block 8 in figure 2), the direct modeling problem is solved, i.e. according to the known distribution of TMP on the surface of the heart is an ECG in 12 leads.
На этапе сравнения ЭКГ пациента сравнивают с ЭКГ, полученной в результате моделирования и вычисляют расхождение параметров. Анализ этого расхождения позволяет определить изменения, которые необходимо внести в модель.At the stage of comparison, the patient's ECG is compared with the ECG obtained as a result of modeling and the discrepancy of the parameters is calculated. An analysis of this discrepancy allows us to determine the changes that need to be made to the model.
На этапе корректировки корректируются параметры модели для получения подобных ЭКГ. После получения в результате моделирования ЭКГ, идентичной ЭКГ пациента, выдается диагноз и определяются некоторые анатомические особенности строения сердца пациента, служащие параметрами модели сердца пациента при визуализации.At the adjustment stage, the model parameters are adjusted to obtain similar ECGs. After obtaining, as a result of ECG modeling, identical to the patient's ECG, a diagnosis is issued and some anatomical features of the patient’s heart structure are determined, which serve as parameters of the patient’s heart model during visualization.
На этапе синтеза реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями с помощью специальных алгоритмов компьютерной графики данные моделирования обрабатываются, интерпретируются и визуализируются. Другими словами, этот этап есть не что иное, как визуальное отображение результатов моделирования. К визуальному представлению состояния сердечно-сосудистой системы следует отнести визуальное отображение на реалистичном трехмерном изображении внешней и внутренней поверхностей сердца с локализацией места повреждения, электрическую (визуализация процессов возбуждения и распространения электромагнитных волн) и сократительную активности сердца, а также реализацию возможностей приближения/удаления и изменения точки наблюдения синтезированного изображения.At the stage of synthesis of a realistic three-dimensional image of the obtained state or feature of a model with characteristic features using special computer graphics algorithms, simulation data is processed, interpreted and visualized. In other words, this stage is nothing but a visual display of the simulation results. A visual representation of the state of the cardiovascular system should include a visual display on a realistic three-dimensional image of the external and internal surfaces of the heart with localization of the lesion site, electrical (visualization of the processes of excitation and propagation of electromagnetic waves) and contractile activity of the heart, as well as the implementation of the possibilities of approaching / removing and changing synth image observation points.
С точки зрения геометрического моделирования сердце представляет сложный трехмерный объект неправильной формы. Сам процесс синтеза реалистичного трехмерного изображения сердца разделяется на ряд подзадач, так называемый «технологический конвейер компьютерной графики». Поэтому разбиение сердца на составные анатомические части, например аорту, предсердия, левый желудочек, правый желудочек и т.д., производится для ускорения и удобства моделирования, а также для более точного построения модели в целом и более удобного ее анализа в последующем.From the point of view of geometric modeling, the heart represents a complex three-dimensional object of irregular shape. The process of synthesis of a realistic three-dimensional image of the heart is divided into a number of subtasks, the so-called "technological conveyor of computer graphics." Therefore, the heart is divided into anatomical components, such as the aorta, atria, left ventricle, right ventricle, etc., to accelerate and ease the modeling, as well as to more accurately build the model as a whole and analyze it more conveniently in the future.
Из множества способов синтеза трехмерной модели выбран способ построения сердца по точкам, принадлежащим поверхности сердца, и их последующего объединения с помощью триангуляции Вороного. Реализация метода осуществляется средствами OpenGL [11].Of the many methods for synthesizing a three-dimensional model, a method of constructing a heart from points belonging to the surface of the heart, and their subsequent combination using Voronoi triangulation, has been selected. The method is implemented using OpenGL tools [11].
Для каждого из объектов, составляющих сердце, используется материал, имитирующий поверхность реального сердца. Библиотека OpenGL позволяет использовать в качестве текстуры двумерные изображения, размеры которых по ширине и высоте должны быть кратны степени двойки, например 2, 4, 8, 16 и т. д. Кроме самого изображения текстуры, необходимо задание координат вершины текстуры для ее верного размещения на объекте. Каждая грань объекта, подлежащая текстурированию, т.е. наложению текстуры, имеет указанные вершины текстуры. При построении трехмерной модели сердца используется текстура размером 512×256 пикселей.For each of the objects that make up the heart, a material is used that simulates the surface of a real heart. The OpenGL library allows you to use two-dimensional images as a texture, the width and height of which must be a multiple of a power of two, for example, 2, 4, 8, 16, etc. In addition to the texture image itself, you need to specify the coordinates of the texture vertex for its correct placement on object. Each face of the object to be textured, i.e. texture overlay, has specified texture vertices. When constructing a three-dimensional model of the heart, a texture of 512 × 256 pixels is used.
Данный размер является наиболее оптимальным для модели, так как он обладает хорошим соотношением качество/размер. Изображение текстуры приведено на фигуре 12.This size is the most optimal for the model, as it has a good quality / size ratio. An image of the texture is shown in figure 12.
Для визуализации повреждений миокарда на синтезированном изображении сердца созданы 8 (по числу тестовых примеров нейронной сети) дополнительных текстурных карт, отражающих соответствующие заболевания. Каждая такая карта содержит изображение 3 зон повреждений, отмеченных соответствующим цветом. На фигуре 13 черным цветом обозначена зона некроза, темно-зеленым цветом - зона повреждения и сиреневым цветом - зона ишемии.To visualize myocardial damage in the synthesized image of the heart, 8 (by the number of test examples of the neural network) additional texture maps reflecting the corresponding diseases were created. Each such map contains an image of 3 damage zones marked with the corresponding color. In figure 13, the zone of necrosis is indicated in black, the area of damage in dark green and the area of ischemia in lilac.
Предусмотрены возможности: приближения/удаления и изменения точки наблюдения.Possibilities are provided for: approaching / removing and changing the observation point.
Предлагаемый способ диагностики состояния сердечно-сосудистой системы может применяться студентами-медиками при изучении сердца и его заболеваний, а также врачами-кардиологами для решения задач кардиологии, связанных с изучением взаимодействий между патологиями, естественными возмущениями и нагрузками на сердечно-сосудистую систему и реакций на них различных участков ЭКГ и соответствующих им изображений сердца. На фигурах 14-21 приведены экранные формы компьютерной диагностической системы, реализующей предлагаемый способ диагностики состояния сердечно-сосудистой системы.The proposed method for diagnosing the state of the cardiovascular system can be used by medical students in the study of the heart and its diseases, as well as cardiologists to solve cardiology problems related to the study of interactions between pathologies, natural disturbances and stresses on the cardiovascular system and reactions to them different sections of the ECG and their corresponding images of the heart. In figures 14-21 shows screen forms of a computer diagnostic system that implements the proposed method for diagnosing the state of the cardiovascular system.
Также к достоинствам предлагаемого авторами способа следует отнести наглядное представление состояния сердечно-сосудистой системы. Известно, что графическую информацию человек воспринимает лучше, поэтому в предлагаемом способе процессы возбуждения миокарда, электрической и сократительной активности сердца представлены в виде реалистичного изображения.Also, the advantages of the method proposed by the authors include a visual representation of the state of the cardiovascular system. It is known that a person perceives graphic information better, therefore, in the proposed method, the processes of myocardial excitation, electrical and contractile activity of the heart are presented in the form of a realistic image.
В заключении следует отметить, что полученные результаты подтверждают правомерность предложенного способа диагностики состояния сердечно-сосудистой системы пациента.In conclusion, it should be noted that the results confirm the validity of the proposed method for diagnosing the state of the patient's cardiovascular system.
ЛитератураLiterature
1. Электрокардиографы компьютерные. http://www.neurosoft.rn/1. Computer electrocardiographs. http: //www.neurosoft.rn/
2. Mouhkeibir Nabil W. Universal computer assisted diagnosis. Патент США 6021404, МПК7 G 06 F 17/00, 2000.2. Mouhkeibir Nabil W. Universal computer assisted diagnosis. U.S. Patent 6,021,404, IPC 7 G 06 F 17/00, 2000.
3. Веников В.А. Теория подобия и моделирования. Учеб. пособие для вузов. М.: «Высшая школа», 1976.3. Venikov V.A. Theory of similarity and modeling. Textbook manual for universities. M .: "Higher School", 1976.
4. Дунаев С.Б. Borland-технологии. - М.: Диалог - МИФИ, 1996.4. Dunaev S.B. Borland technology. - M .: Dialogue - MEPhI, 1996.
5. Саймон А.Р. Стратегические технологии баз данных: менеджмент на 2000 год: Пер. с англ./ Под ред. и с предисл. М.Р. Когаловского. - М,: Финансы и статистика. 1999.5. Simon A.R. Strategic database technologies: management for 2000: Per. from English / Ed. and with the foreword. M.R. Kogalovsky. - M: Finance and statistics. 1999.
6. Дьяконов В.П. Вейвлеты. От теории к практике. - М.: СОЛОН-Р, - 2002.6. Dyakonov V.P. Wavelets. From theory to practice. - M .: SOLON-R, - 2002.
7. Анищенко B.C., Янсон Н.Б., Павлов А.Н. Может ли режим сердца здорового человека быть регулярным. - Радиотехника и электроника, 1997, том 42, №8.7. Anischenko B.C., Yanson N.B., Pavlov A.N. Can a healthy person's heart regimen be regular. - Radio engineering and electronics, 1997, volume 42, No. 8.
8. Осовский С. Нейронные сети для обработки информации. / Пер. с польского И.Д.Рудинского.-М.: Финансы и статистика, 2002.8. Osovsky S. Neural networks for information processing. / Per. from Polish I.D. Rudinsky.-M.: Finance and Statistics, 2002.
9. Баум О.В., Попов Л.А, Волошин В.И., Муромцева Г.А. QT-дисперсия: модели и измерения. Вестник аритмологии, №20, 2000.9. Baum O.V., Popov L.A., Voloshin V.I., Muromtseva G.A. QT dispersion: models and measurements. Bulletin of Arrhythmology, No. 20, 2000.
10. Орлов В.Н. Руководство по электрокардиографии. - М.: Медицина, 1983.10. Orlov V.N. Guide to electrocardiography. - M.: Medicine, 1983.
11. Эйнджел Э. Интерактивная компьютерная графика. Вводный курс на базе OpenGL, 2 изд.:Пер. с англ. - М.: Издательский дом «Вильясм», 2001.11. Angel E. Interactive computer graphics. Introductory course based on OpenGL, 2nd ed.: Per. from English - M .: Publishing house "Villasma", 2001.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2004107011/14A RU2257838C1 (en) | 2004-03-09 | 2004-03-09 | Method for predicting the state of cardio-vascular system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2004107011/14A RU2257838C1 (en) | 2004-03-09 | 2004-03-09 | Method for predicting the state of cardio-vascular system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2257838C1 true RU2257838C1 (en) | 2005-08-10 |
Family
ID=35845028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2004107011/14A RU2257838C1 (en) | 2004-03-09 | 2004-03-09 | Method for predicting the state of cardio-vascular system |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2257838C1 (en) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2449281C1 (en) * | 2011-04-01 | 2012-04-27 | Маргарита Александровна Сидорова | Method of diagnosing pathologies of hemostasis system by means of neural network |
| WO2012070982A1 (en) * | 2010-11-23 | 2012-05-31 | Общество С Ограниченной Ответственностью "Правовое Сопровождение Бизнеса" | System for differentiation and analysis of recorded clinical data |
| RU2461877C1 (en) * | 2011-02-08 | 2012-09-20 | Олег Николаевич Бодин | Method for neural network analysis of cardial condition |
| RU2471304C2 (en) * | 2006-06-22 | 2012-12-27 | Конинклейке Филипс Электроникс, Н.В. | Improved control of access for medical special networks of physiological sensors |
| RU2496409C2 (en) * | 2011-04-27 | 2013-10-27 | Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Белгородский государственный национальный исследовательский университет" | Method of forming multidimensional image of cardiovascular system state and its visualisation |
| RU2727748C2 (en) * | 2018-09-04 | 2020-07-23 | Олег Вениаминович Фатенков | Method for complex analysis of cardiovascular biomechanics |
-
2004
- 2004-03-09 RU RU2004107011/14A patent/RU2257838C1/en not_active IP Right Cessation
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2471304C2 (en) * | 2006-06-22 | 2012-12-27 | Конинклейке Филипс Электроникс, Н.В. | Improved control of access for medical special networks of physiological sensors |
| WO2012070982A1 (en) * | 2010-11-23 | 2012-05-31 | Общество С Ограниченной Ответственностью "Правовое Сопровождение Бизнеса" | System for differentiation and analysis of recorded clinical data |
| RU2461877C1 (en) * | 2011-02-08 | 2012-09-20 | Олег Николаевич Бодин | Method for neural network analysis of cardial condition |
| RU2449281C1 (en) * | 2011-04-01 | 2012-04-27 | Маргарита Александровна Сидорова | Method of diagnosing pathologies of hemostasis system by means of neural network |
| RU2496409C2 (en) * | 2011-04-27 | 2013-10-27 | Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Белгородский государственный национальный исследовательский университет" | Method of forming multidimensional image of cardiovascular system state and its visualisation |
| RU2727748C2 (en) * | 2018-09-04 | 2020-07-23 | Олег Вениаминович Фатенков | Method for complex analysis of cardiovascular biomechanics |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11664125B2 (en) | System and method for deep learning based cardiac electrophysiology model personalization | |
| Wulan et al. | Generating electrocardiogram signals by deep learning | |
| US8553956B2 (en) | 3D current reconstruction from 2D dense MCG images | |
| Yang et al. | Identification of myocardial infarction (MI) using spatio-temporal heart dynamics | |
| US11501441B2 (en) | Biomarker determination using optical flows | |
| Wismüller et al. | The deformable feature map-a novel neurocomputing algorithm for adaptive plasticity in pattern analysis | |
| Huang et al. | A multiview feature fusion model for heartbeat classification | |
| Woo et al. | A sparse non-negative matrix factorization framework for identifying functional units of tongue behavior from MRI | |
| RU2257838C1 (en) | Method for predicting the state of cardio-vascular system | |
| Gillette et al. | MedalCare-XL: 16,900 healthy and pathological synthetic 12 lead ECGs from electrophysiological simulations | |
| CN115813409B (en) | Motion image electroencephalogram decoding method with ultralow delay | |
| Gillette et al. | Medalcare-xl: 16,900 healthy and pathological 12 lead ecgs obtained through electrophysiological simulations | |
| Bodin et al. | Visualization of a Digital Twin of the Heart | |
| Naseri et al. | A novel ICA-based clustering algorithm for heart arrhythmia diagnosis | |
| US11712189B2 (en) | Dipole group quantification method and dipole group display system | |
| Xie et al. | Non‐invasive reconstruction of dynamic myocardial transmembrane potential with graph‐based total variation constraints | |
| Rykunov et al. | FTViewer application for analysis and visualization of functional tomograms of complex systems | |
| Bergamasco et al. | A bipartite graph approach to retrieve similar 3D models with different resolution and types of cardiomyopathies | |
| US20030167013A1 (en) | Method and device of visualization of ECG-signals of standard leads with anatomic portrait of heart | |
| Bong | Discovery of Functional Predictivity across Brain Regions from Local Field Potentials | |
| Harnod et al. | A transferable in-silico augmented ischemic model for virtual myocardial perfusion imaging and myocardial infarction detection | |
| Amaral et al. | Backward renormalization-group inference of cortical dipole sources and neural connectivity efficacy | |
| Pereira et al. | Skin lesion classification using features of 3D border lines | |
| CN117398109B (en) | Cardiac electrophysiology imaging simulation method based on dense body surface electricity and trunk geometry | |
| Nagel | Multiscale Cohort Modeling of Atrial Electrophysiology: Risk Stratification for Atrial Fibrillation through Machine Learning on Electrocardiograms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20090310 |