RU2461877C1 - Способ нейросетевого анализа состояния сердца - Google Patents
Способ нейросетевого анализа состояния сердца Download PDFInfo
- Publication number
- RU2461877C1 RU2461877C1 RU2011104231/08A RU2011104231A RU2461877C1 RU 2461877 C1 RU2461877 C1 RU 2461877C1 RU 2011104231/08 A RU2011104231/08 A RU 2011104231/08A RU 2011104231 A RU2011104231 A RU 2011104231A RU 2461877 C1 RU2461877 C1 RU 2461877C1
- Authority
- RU
- Russia
- Prior art keywords
- heart
- neural network
- state
- network analysis
- analysis
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Изобретение относится к медицине, в частности к кардиологии, и может быть использовано для оценки состояния по данным электрокардиографического обследования пациента при скрининге или в условиях скорой и неотложной помощи. Техническим результатом является усовершенствование алгоритма нейросетевого анализа электрокардиосигнала. Способ содержит этапы, на которых осуществляют формирование обучающей выборки в виде множества (k-1)*m n-размерных векторов справочной информации, построение решающих правил и обучение k*L (L - количество отведений) нейронных сетей для анализа каждого из k состояний сердца в каждом отведении. Затем производят регистрацию электрокардиосигнала пациента, его предварительную обработку и представление в виде n-размерного вектора. Нейросетевой анализ осуществляют путем сравнения n-размерного вектора с множеством (k-1)*m n-размерных векторов справочной информации. По результатам нейросетевого анализа осуществляют выбор k-го состояния сердца, у которого выявлено максимальное количество признаков. 3 з.п. ф-лы, 11 ил., 2 табл.
Description
Предлагаемое изобретение относится к медицине, в частности к кардиологии, и может быть использовано в автоматическом режиме для дифференциальной диагностики инфаркта миокарда (ИМ) по данным электрокардиографического обследования пациента при скрининге или в условиях скорой и неотложной помощи.
Известен способ обработки электрокардиосигнала (ЭКС) для диагностики инфаркта миокарда [1], включающий автоматический съем ЭКС пациента в трех стандартных, трех усиленных и шести грудных отведениях, его регистрацию, оцифровку, выделение кардиоцикла и комбинированный анализ, при комбинированном анализе ЭКС во всех отведениях осуществляют выявление ЭКС признаков инфаркта миокарда, оценку состояния сердца по результатам анализа ЭКС в амплитудно-временной, частотно-временной и амплитудно-фазовой областях, а также по результатам контурного анализа ЭКС и нейросетевого анализа ЭКС, и формирование диагностического заключения.
При этом нейросетевой анализ ЭКС осуществляется путем построения нейронной сети для анализа ЭКС в каждом отведении и построения решающих правил для нейросетевого анализа ЭКС, причем количество нейронов в выходном слое нейронной сети равно количеству диагностируемых инфарктов миокарда.
Недостатком способа обработки электрокардиосигнала для диагностики инфаркта миокарда является невозможность формирования диагностического заключения по результатам нейросетевого анализа ЭКС для одного состояния сердца из k состояний сердца.
Наиболее близким по достигаемому результату к предлагаемому изобретению является способ контроля состояния сердца [2], заключающийся в том, что непрерывный элекгрокардиосигнал регистрируют, осуществляют предварительную обработку и представляют его в виде n-размерного вектора, создают m n-размерных векторов справочной информации, характеризующих одно из состояний сердца, сравнивают n-размерный вектор зарегистрированного электрокардиосигнала с созданным множеством m n-размерных векторов справочной информации, характеризующих одно из состояний сердца, решают, что n-размерный вектор находится в пределах или вне порогового диапазона векторов справочной информации, характеризующих одно из состояний сердца.
Недостатком способа контроля состояния сердца является невозможность формирования диагностического заключения по результатам нейросетевого анализа ЭКС для одного состояния сердца из k состояний сердца.
Как следует из формулы изобретения известного способа контроля состояния сердца, его суть заключается в «сравнении средствами нейронной сети Кохонена зарегистрированного ЭКС с базой данных справочной информации и определении степени близости зарегистрированного ЭКС к справочным данным».
На фигуре 1 приведен алгоритм известного способа контроля состояния сердца.
На фигуре 2 приведен алгоритм известного способа контроля состояния сердца для выявления k состояний сердца.
На фигуре 3 приведена структура нейронной сети Кохонена.
Главная задача электрокардиографической диагностики - не пропустить и определить патологическое состояние сердца. Ключевой особенностью известного способа контроля состояния сердца является создание m n-размерных векторов справочной информации, характеризующих одно состояние сердца. Например, в описании известного способа контроля состояния сердца [2] фигура 11 иллюстрирует выявление единственного состояния сердца. Из схемы алгоритма (см. фигуру 1) известного способа контроля состояния сердца также следует выявление только единственного состояния сердца. При этом n-размерные векторы справочной информации характеризуют инфаркт миокарда. Авторы известного способа контроля состояния сердца отмечают, что «этот подход может использоваться, чтобы определить множество различных состояний сердца». Если зарегистрированный электрокардиосигнал не относится к здоровому состоянию сердца, то можно определить, к какому из других состояний он относится. Но так как нейронная сеть Кохонена обучена только для выявления одного состояния сердца, то для выявления одного состояния сердца из k состояний сердца в известном способе контроля состояния сердца необходимо k нейронных сетей Кохонена. В результате применения k нейронных сетей Кохонена получают сигналы состояний сердца на k выходах. Авторами предлагаемого изобретения на фигуре 2 приведен алгоритм известного способа контроля состояния сердца для выявления k состояний сердца. При этом из описания известного способа контроля состояния сердца непонятно, каким образом осуществляется выбор одного из k выходов, соответствующего состоянию сердца пациента.
Нейронные сети Кохонена [3] - это отдельный класс нейронных сетей, используемых для решения различных задач классификации и производных от них.
Для применения нейронных сетей Кохонена в задачах классификации требуется некоторая формализация. Каждый объект, который требуется классифицировать, представляется в виде некоторого вектора, подающегося на вход нейронной сети. Количество нейронов во входном слое определяется количеством компонентов (n) этого входного вектора (см. фигуру 3) [4]. Количество же выходов определяется количеством классов, т.е. если всего М классов, то количество нейронов в выходном слое тоже будет М. Таким образом, каждый нейрон в выходном слое «отвечает» за свой класс. Значения, которые принимают нейроны в выходном слое, отображают, насколько вектор классифицируемого объекта на входе близок с точки зрения нейронной сети Кохонена к тому или иному классу. Чем больше «уверенность», что объект принадлежит к тому или иному классу, тем большее значение принимает нейрон соответствующего класса. Иногда применяют специальную функцию активации, которая делает сумму выходов со всех нейронов равной единице. В таком случае каждый выход можно трактовать как вероятность того, что объект принадлежит к данному классу.
Стоит отметить, что существует и более простая реализация нейронной сети Кохонена, которая называется «победитель забирает все». В таком случае каждый нейрон выходного слоя может принимать значение либо ноль либо единица. При этом для одного входного вектора единице может быть равен один и только один нейрон выходного слоя, т.е. один объект не может относиться сразу к двум классам.
Принцип работы уже обученной нейронной сети Кохонена следующий: нейроны входного слоя (см. фигуру 3) не выполняют никаких вычислений и служат лишь точками разветвления. Каждый нейрон входного слоя А соединен с каждым нейроном скрытого слоя В, который называют слоем Кохонена, отдельным весом, так, например, первый нейрон входного слоя соединен с первым нейроном слоя Кохонена весом wA1-B1. Нейроны слоя Кохонена складывают поступающие значения и подают их на нейроны выходного слоя с: один нейрон слоя Кохонена - один нейрон выходного слоя [3].
или
где - OUTK - это выход нейрона слоя Кохонена;
- x1…x3 - сигналы входного вектора x.
Как правило, на выходе нейронной сети еще устанавливают некоторый интерпретатор: нейроны слоя Кохонена генерируют сигналы OUTK, интерпретатор выбирает максимальный сигнал и выдает номер класса М, к которому следует отнести классифицируемый объект. При этом в описании известного способа контроля состояния сердца нет информации о наличии выходного интерпретатора.
Обучение нейронной сети Кохонена относится к алгоритмам обучением без учителя. При этом в описании известного способа контроля состояния сердца нет описания обучения нейронной сети Кохонена.
Согласно фигуре 1 в известном способе контроля состояния сердца выполняются следующие этапы:
Регистрация ЭКС. На этом этапе осуществляется съем и регистрация ЭКС с помощью устройства регистрации ЭКС. При регистрации ЭКС решаются вопросы:
- электрического взаимодействия между электродом и тканью кожи в месте расположения электродов;
- электрической безопасности пациента;
- аналоговой фильтрации и усиления ЭКС;
- дискретизации и оцифровки ЭКС;
- сопряжения устройства регистрации ЭКС с компьютером.
После этапа регистрации на вход компьютера поступают оцифрованные ЭКС.
Предварительная обработка ЭКС. Здесь решаются вопросы:
- цифровой фильтрации, включающей подавление помех и устранение артефактов. С помощью цифровой фильтрации удаляют нерегулярные биения из зарегистрированного ЭКС;
- выделения характерных особенностей ЭКС: амплитуды Р, Q, R, S, Т зубцов и значений средних точек между Р и Q зубцами, S и T зубцами;
- получения значений коэффициентов после выполнения преобразования Фурье и/или вейвлет.
После этапа предварительной обработки получаются данные, характеризующие особенности зарегистрированного ЭКС, необходимые для формирования n-размерного вектора.
Представление ЭКС в виде n-размерного вектора. На этом этапе из полученных значений формируют n-размерный вектор. Можно выделить два варианта формирования n-размерного вектора. В первом случае значениями n-размерного вектора являются характерные особенности ЭКС: амплитуды Р, Q, R, S, Т зубцов и значения средних точек между Р и Q зубцами, S и Т зубцами. Во втором случае значениями n-размерного вектора являются значения коэффициентов после выполнения преобразования Фурье и/или вейвлет-преобразования.
Формирование обучающей выборки. На этом этапе осуществляется формирование базы данных справочной информации из m n-размерных векторов, характеризующих одно состояние сердца. При этом m - это количество n-размерных векторов (см. предыдущий этап), необходимое для обучения нейронной сети. Из описания известного способа следует, что для формирования m n-размерных векторов используются ЭКС, относящиеся к классу «здоров» и зарегистрированные от большого числа людей, либо несколько ЭКС от одного пациента для получения индивидуальных особенностей его ЭКС.
Обучение нейронной сети. На этом этапе осуществляется обучение нейронной сети на основе сформированной базы данных из m n-размерных векторов.
В описании известного способа контроля состояния сердца не указано, какой именно используется алгоритм обучения нейронной сети Кохонена. Известно, что обучение нейронной сети Кохонена невозможно с использованием алгоритмов обучения с учителем [4]. В классическом алгоритме Кохонена сеть инициализируется путем приписывания нейронам определенных позиций в пространстве и связывания их с соседями на постоянной основе. В момент выбора победителя уточняются не только его веса, но также и веса его соседей, находящихся в ближайшей окрестности. Таким образом нейрон-победитель подвергается адаптации вместе со своими соседями. В классическом алгоритме Кохонена функция соседства G (i, x) определяется в виде [4]:
В этом выражении функция соседства определяется через эвклидово расстояние между векторами весов нейрона-победителя и векторами весов i-го нейрона. Коэффициент 1 выступает в роли уровня соседства, его значение уменьшается в процессе обучения до нуля. Соседство такого рода называется прямоугольным.
Другой тип соседства, часто применяемый в картах Кохонена, - это соседство гауссовского типа, при котором функция соседства G (i, x) определяется формулой:
Степень адаптации нейронов-соседей определяется не только эвклидовым расстоянием между i-м нейроном и победителем (w-м нейроном), но также уровнем соседства λ. В отличие от соседства прямоугольного типа, где каждый нейрон, находящийся в окрестности победителя, адаптировался в равной степени, при соседстве гауссовского типа уровень адаптации отличается и зависит от значения функции Гаусса. Как правило, гауссовское соседство дает лучшие результаты обучения и обеспечивает лучшую организацию сети, чем прямоугольное соседство.
Нейросетевой анализ. Согласно описанию известного способа контроля состояния сердца этот этап включает выполнение сравнения и определения различия между n-размерным вектором зарегистрированного ЭКС с n-размерными векторами справочной информации средствами нейронной сети Кохонена, суммирования различий и сравнения суммы всех различий с пороговым значением различия.
Вывод результата. На этом этапе на основе результата сравнения с пороговым значением различий определяется принадлежность зарегистрированного ЭКС к тому состоянию сердца, которое характеризует сформированная на этапе формирования обучающей выборки база данных справочной информации.
Из приведенного описания известного способа контроля состояния сердца следует, что в результате нейросетевого анализа осуществляется сравнение n-размерного вектора зарегистрированного ЭКС с m n-размерными векторами справочной информации. Затем определяются и суммируются отличия n-размерного вектора зарегистрированного ЭКС от каждого из m n-размерных векторов справочной информации. Полученная сумма отличий сравнивается с пороговым значением и определяется принадлежность зарегистрированного ЭКС к состоянию сердца, которое характеризуют m n-размерных векторов справочной информации.
В описании известного способа нет реализации контроля состояния сердца для выявления k состояний сердца (см. фигуру 2) и поэтому непонятно, каким образом осуществляется выбор одного из k выходов, соответствующего состоянию сердца пациента.
Таким образом, в известном способе контроля состояния сердца невозможно формирование диагностического заключения о состоянии сердца пациента, относящегося к одному из k состояний сердца
Очевидно, что для формирования диагностического заключения о состоянии сердца пациента, относящегося к одному из k состояний сердца, необходимо совершенствование алгоритма нейросетевого анализа ЭКС.
Изобретение направлено на формирование диагностического заключения о состоянии сердца пациента, относящегося к одному из k состояний сердца, по результатам нейросетевого анализа ЭКС.
Для этого в способе нейросетевого анализа состояния сердца, заключающемся в том, что непрерывный электрокардиосигнал регистрируют, осуществляют предварительную обработку и представляют его в виде n-размерного вектора, создают m n-размерных векторов справочной информации, характеризующих одно из состояний сердца, и сравнивают n-размерный вектор зарегистрированного электрокардиосигнала с созданным множеством m n-размерных векторов справочной информации, характеризующих одно из состояний сердца, решают, что n-размерный вектор находится в пределах или вне порогового диапазона векторов справочной информации, характеризующих одно из состояний сердца, дополнительно осуществляют нейросетевой анализ k состояний сердца, для этого создают (k-1)*m n-размерных векторов справочной информации, выполняют построение решающих правил, осуществляют нейросетевой анализ n-размерного вектора зарегистрированного электрокардиосигнала с учетом решающих правил, вывод результата, относящегося к одному из k состояний сердца.
При этом построение решающих правил осуществляют на основе прямых и реципрокных признаков топической диагностики для каждого из k состояний сердца.
При этом для выполнения нейросетевого анализа n-размерного вектора зарегистрированного электрокардиосигнала осуществляют построение k*L (L - количество отведении) нейронных сетей для анализа каждого из k состояний сердца в каждом отведении.
При этом вывод результата, относящегося к одному из k состояний сердца, осуществляют на основе выбора k-го состояния сердца, у которого выявлено максимальное количество признаков.
Введенные действия с их связями проявляют новые свойства, которые позволяют повысить качество диагностики состояния сердца.
При этом авторы предлагаемого изобретения для нейросетевого анализа ЭКС предлагают использовать НС LVQ, которая является развитием структуры сети Кохонена, и обладает возможностью обучения с учителем [3, 4]. Известно, что алгоритмы обучения с учителем более эффективны [4].
На фигуре 4 приведен алгоритм предлагаемого способа нейросетевого анализа состояния сердца.
На фигуре 5 приведена структура НС LVQ для анализа ЭКС.
На фигуре 6 приведена нейросетевая парадигма анализа ЭКС.
На фигуре 7 приведена схема усовершенствованного алгоритма обучения НС LVQ для анализа ЭКС [5].
На фигуре 8 приведена схема формирования диагностического заключения о состоянии сердца пациента, относящегося к одному из двух состояний сердца, по результатам нейросетевого анализа ЭКС.
На фигуре 9 приведена схема нейросетевого анализа ЭКС и вывода результата в виде номера диагностического заключения, реализованная в среде Mathlab 6.5 для пяти состояний сердца.
На фигуре 10 приведена схема блока вывода номера диагностического заключения, относящегося к одному из k состояний сердца.
На фигуре 11 приведено окно вывода диагностического заключения о состоянии сердца пациента.
Согласно формуле изобретения, предлагаемый способ нейросетевого анализа состояния сердца состоит (см. фигуру 4):
во-первых, из известных действий, таких как «Регистрация ЭКС», «Предварительная обработка ЭКС», «Представление ЭКС в виде n-размерного вектора», «Вывод результата»;
во-вторых, из введенных действий, таких как «Формирование обучающей выборки для k состояний сердца», «Обучение k нейронных сетей», «Нейросетевой анализ 1…k состояний сердца», «Построение решающих правил» и «Анализ выходов нейронных сетей 1…Б.
Описание известных действий «Регистрация ЭКС», «Предварительная обработка ЭКС», «Представление ЭКС в виде n-размерного вектора», «Вывод результата» приведено выше.
Рассмотрим описание введенных действий.
Формирование обучающей выборки для k состояний сердца основано на формировании для каждого k состояния сердца «своей» базы данных ЭКС и включает в себя:
1. Проведение анализа зарегистрированного ЭКС опытным врачом кардиологом и отнесение зарегистрированного ЭКС по результатам анализа к одному из k состояний сердца.
2. Статистическая обработка сформированной для каждого из k состояний сердца «своей» базы данных ЭКС. Для этого:
- количество ЭКС одного состояния сердца должно быть не менее 50;
- количество ЭКС одного состояния сердца делится на две равные выборки;
- выдвигается нулевая гипотеза о принадлежности рассматриваемых выборок к одной генеральной совокупности;
- рассчитываются параметры t-критерия [6];
- при условии tфакт>tтабл коэффициент корреляции признается значимым и принимается нулевая гипотеза о принадлежности рассматриваемых выборок к одной генеральной совокупности.
3. Разделение количества ЭКС одного состояния сердца на две части (обучающую и контрольную) в соотношении 4:1.
4. Разделение обучающей части количества ЭКС одного состояния сердца на две составляющие (без зашумления и зашумленную) в соотношении 3:1.
5. Зашумление ЭКС.
6. Использование полученных ЭКС (без зашумления и зашумленных) для обучения k нейронных сетей.
7. Использование контрольных ЭКС для проверки обучения k нейронных сетей.
Обучение k нейронных сетей. В ходе этого действия обучаются k*L (L - количество отведении) нейронных сетей, для каждой из которых используется «своя» база данных ЭКС, полученная в результате выполнения предыдущего действия.
Структура НС LVQ (см. фигуру 5) является базовой, ее параметры адаптируются для анализа ЭКС. По мнению авторов, адаптация структуры НС LVQ для анализа ЭКС заключается в изменении таких параметров НС, как:
- размерность входного вектора;
- количество нейронов в конкурирующем слое;
- количество внутренних слоев.
Парадигма нейросетевого анализа включает в себя дискретизацию ЭКС, выделение ЭКС признаков ИМ, обработку их в НС, оценку состояния сердца (см. фигуру 6).
Для каждого из 12 сигналов ЭКС в стандартных отведениях используется «своя» LVQ-сеть (см. фигуры 5 и 6). Исходный аналоговый сигнал ЭКС (имеется в виду сигнал ЭКС в каждом из 12 стандартных отведений) оцифровывается в соответствии со стандартом SCP-ECG для обмена цифровыми ЭКС [7] и представляется в виде 500 отсчетов на один кардиоцикл. Выделение одного кардиоцикла [8] является отличительной особенностью: для выявления инфаркта миокарда достаточно одного кардиоцикла [9]. В таблице 1 приведены наименования различных локализаций наиболее распространенных ИМ и их прямые и реципрокные признаки [10].
Значения отсчетов одного кардиоцикла ЭКС поступают на входы НС LVQ в виде входного вектора xh (см. фигуру 5).
Таблица 1 | ||
Локализация инфаркта миокарда | Отведения ЭКГ, в которых регистрируются | |
прямые признаки | реципрокные признаки | |
Передний и переднеперегородочный | V1-V4 | III, aVF |
Переднебазальный | aVL | III, aVF, V1-V2 |
Передний распространенный | I, II, aVL, V1-V6 | III, aVF |
Боковой | I, II, aVL, V5-V6 | V1 (V2, aVR) |
Боковой базальный | aVL | III (V1-V2) |
Заднедиафрагмальный (нижний) | II, III, aVF | I, aVL, V2-V5 |
Циркулярный | II, III, aVF, V3-V6 | aVR, V1-V2 |
Заднебазальный | V1-V3 |
Размерность входного вектора Nin определяется стандартом SCP-ECG для обмена цифровыми ЭКС [7] и равна Nin={1÷500}.
Значение сигнала на выходе НС LVQ определяется по следующей формуле:
где xi - i-й элемент входного вектора,
Fcompet - передаточная функция конкурирующего слоя, выявляющая нейрон-победитель,
Flin - линейная функция активации нейронов распределительного слоя,
S1 - размерность входного вектора НС,
S2 - количество нейронов в конкурирующем слое,
Yk - значение k-го выхода НС.
При анализе входных данных должна быть минимизирована суммарная евклидова мера:
где h - номер входного вектора,
c(h) - класс заболевания, соответствующий вектору xh.
Анализ выражения (6) показывает, что задача поиска минимума D эквивалентна поиску максимума выражения:
Количество нейронов в слое Кохонена Ncoh соответствует числу кластеров, на которые предполагается разделить входные данные. Для определения данного значения используется следующая формула:
где α - число кластеров, приходящийся на один класс заболеваний.
В результате исследования установлено, что α=5, поэтому Ncoh=45.
Выходной вектор каждой нейронной сети представляет одно кодированное значение, 1 - положительный ответ сети о принадлежности к k-состоянию, соответствующего заболеванию, 0 - принадлежность к классу здоровых.
В результате исследования установлено, что для анализа ЭКС в НС LVQ достаточно одного скрытого слоя Кохонена.
После определения параметров осуществляется обучение НС LVQ для каждого отведения. Обучение является важным этапом в разработке НС. Алгоритм обучения определяет эффективность обучения и эффективность работы сети.
При обучении сеть адаптируется для распознавания конкретного ЭКС. При этом выявляются закономерности, неявно выраженные в ЭКС. Целью обучения НС при анализе ЭКС является такое упорядочение нейронов (подбор значений их весов), которое минимизирует значение ожидаемого искажения, оцениваемого погрешностью аппроксимации входного вектора xh, значениями весов wx(h) нейрона-победителя в конкурентной борьбе. Эта погрешность (или ошибка распознавания) может быть представлена в виде:
где р - количество входных векторов,
wx(h) - вектор весов нейрона-победителя при предъявлении вектора xh.
Критерием завершения процесса обучения НС служит выполнение условия Eq<ε, где ε - величина погрешности, заданная пользователем перед началом обучения (например, ε=0,01). Время, за которое будет выполнено это условие, является временем обучения или временем сходимости алгоритма обучения.
Для обучения НС LVQ для анализа ЭКС используется метод «выпуклой комбинации» [11]. Схема усовершенствованного алгоритма обучения НС LVQ для анализа ЭКС приведена на фигуре 7.
Алгоритм работает следующим образом:
2. Выбирается из обучающей выборки очередной вектор xh.
3. Изменяются элементы вектора xh в соответствии в формулой (10):
где t - номер эпохи обучения,
β(t) - монотонно возрастающая функция, меняющаяся от 0 до 1 по мере обучения.
4. Определяется евклидово расстояние между вектором x' и каждым нейроном конкурирующего слоя по формуле (11):
5. Определяются 2 нейрона с наименьшим евклидовым расстоянием dm до входного вектора х'.
6. При выполнении условия (8) осуществляется переход к п.7, иначе происходит возврат к п.2:
где d1 - евклидово расстояние между вектором х' и весами первого найденного нейрона, d2 - евклидово расстояние между вектором х' и весами второго найденного нейрона, ε - значение, выбираемое из диапазона 0.2÷0.3 [4].
7. Изменяются веса найденных нейронов. При правильной классификации вектора х' выполняется корректировка по формуле (13). При ложной классификации выполняется «отторжение» по формуле (14):
где ηt - величина скорости обучения НС.
8. При минимизации ошибки обучения Eq (9) прекращается цикл обучения, иначе осуществляется переход к п.2.
Нейросетевой анализ 1…k состояний сердца производится одновременно путем параллельного анализа зарегистрированного ЭКС каждой нейронной сетью, в результате анализа получается массив данных с выходов нейронных сетей. На фигуре 8 приведена схема формирования диагностического заключения о состоянии сердца пациента, относящегося к одному из двух состояний сердца, по результатам нейросетевого анализа ЭКС. Для большего количества состояний сердца принцип работы схемы сохраняется. Нейросетевой анализ, соответствующий 1 диагнозу, выявляет ЭКС, относящиеся к здоровым пациентам, а нейросетевой анализ, соответствующий 2 диагнозу, выявляет ЭКС с передним и переднеперегородочным ИМ. Данные с выходов нейронных сетей поступают на логические блоки, предназначенные для выявления соответствующего состояния сердца, и далее на приоритетный шифратор, предназначенный для выделения соответствующего состояния сердца. Затем производится вывод результата нейросетевого анализа. Работа логических блоков основана на решающих правилах для каждого состояния сердца.
Построение решающих правил для анализа выходов нейронных сетей основано на том, что отклонения при каждой из локализаций ИМ проявляются не во всех отведениях. Для построения решающих правил выбора одного из k состояний сердца на основании таблицы 1 составлена таблица 2. В таблице 2 представлены сочетания наличия и отсутствия признаков ИМ различных локализаций.
Для анализа данных с выходов каждой из НС используются логические блоки (см. фигуру 8). Для каждого состояния сердца используется один логический блок. На входы блока поступают данные, полученные в результате НСА тех отведений, которые в соответствии с таблицей 2 «сигнализируют» о наличии ИМ, и данные, полученные в результате нейросетевого анализа отведений, которые не «сигнализируют» о наличии ИМ, т.е. соответствуют здоровым ЭКС.
Таблица 2 | ||||||||||||
Локализация инфаркта миокарда | отклонения в отведениях ЭКГ | |||||||||||
I | II | III | aVR | aVF | aVL | V1 | V2 | V3 | V4 | V5 | V6 | |
Передний и переднеперегородочный | - | - | + | - | + | - | + | + | + | 4- | - | - |
Переднебазальный | - | - | + | - | + | + | + | + | - | - | - | - |
Передний распространенный | + | + | + | - | + | + | + | + | + | +- | +- | + |
Боковой | + | + | - | + | - | + | + | + | - | - | + | + |
Боковой базальный | - | - | + | - | - | + | + | + | - | - | - | - |
Заднедиафрагмальный (нижний) | + | + | + | - | + | + | - | + | + | + | + | - |
Циркулярный | - | + | + | + | + | - | + | + | + | + | + | + |
Заднебазальный | - | - | - | - | - | - | + | + | + | - | - | - |
В соответствии с таблицей 2 построены решающие правила для восьми диагнозов:
1) Передний и переднеперегородочный ИМ
На фигуре 8 логический блок 2 реализует логическую функцию F
2) Переднебазальный ИМ
3) Передний распространенный ИМ
4) Боковой ИМ
5) Боковой базальный ИМ
6) Заднедиафрагмальный (нижний) ИМ
7) Циркулярный ИМ
8) Заднебазальный ИМ
Анализ выходов нейронных сетей (1…k). На этом этапе, на основании решающих правил (15÷22) принимается решение о состоянии сердца пациента. Одна из реализаций данного этапа приведена на фигуре 9, где представлена схема нейросетевого анализа ЭКС для пяти состояний сердца, реализованная в среде Mathlab 6.5. С помощью приоритетного шифратора осуществляется выбор одного из частных решений, полученных в результате анализа ЭКС k нейронными сетями. На выходе приоритетного шифратора формируется код номера входной линии, на который приходит положительный входной сигнал (сигнал логической единицы с выхода одной из k нейронных сетей, участвующих в анализе ЭКС). При одновременном поступлении нескольких входных сигналов формируется выходной код, соответствующий входу с наибольшим номером, т.е. старшие входы имеют приоритет перед младшими. Поэтому шифратор является приоритетным. Результатом выполнения работы данного этапа является номер диагностического заключения о состоянии сердца пациента, к которому отнесен анализируемый ЭКС (см. фигуру 10). Затем полученному номеру присваивается словесное описание диагностического заключения о состоянии сердца пациента, которое сообщается пользователю. На фигуре 11 представлена экранная форма с выводом диагностического заключения о состоянии сердца пациента.
В заключение следует отметить, что данное изобретение поможет врачу эффективнее оценить состояние сердца пациента. В распоряжении врача предоставляется инструмент, способный обучаться, что открывает врачу новые возможности для работы.
Источники информации
1. Патент РФ №2383295. Способ обработки электрокардиосигнала для диагностики инфаркта миокарда / Бодин О.Н., Зайцева О.А., Логинов Д.С., Моисеев А.Е. // Официальный бюллетень «Изобретения. Полезные модели». №7, 2010.
2. Патент США №5749367. Heart monitoring apparatus and method / Gamlyn Lee [GB]; O'Sullivan Siobhan [IE]; Needham Philip [GB]; Harris Tom [GB], 1998-05-12.
3. Kohonen, Т., Self-Organizing Maps, Second Edition, Berlin: Springer - Verlag, 1997.
4. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д.Рудинского. - М.: Финансы и статистика, 2002.
5. Бодин О.Н., Логинов Д.С. Адаптация структуры нейронной сети LVQ для анализа электрокардиосигнала // Нейрокомпьютеры: разработка, применение, 2008, №5-6, 88-92 с.
6. В.М.Симчер, А.В.Багат, М.М.Конкин и др. Под ред. В.М.Симчеры. Статистика. Учеб. пособие для вузов // М.: Финансы и статистика, 2005 г., 367 с.
7. Плотников А.В., Прилуцкий Д.А., Селищев С.В. Стандарт SCP-ECG для обмена цифровыми ЭКС // Тезисы докладов Международной конференции по биомедицинскому приборостроению "Биомедприбор-98" - Москва, ВНИИМП РАМН. - 6-8 октября 1998, 213÷215 с.
8. Патент РФ №2294139. Способ выделения начала кардиоцикла и устройство для его осуществления / Бодин О.Н., Жулев И.О., Логинов Д.С., Митрошин А.Н., Прошкин В.В. // Официальный бюллетень «Изобретения. Полезные модели». №6, 2007.
9. Зудбинов Ю.И. Азбука ЭКС. Изд. 4-е, испр. и доп., Ростов н/Д: Феникс, 2003, 240 с.
10. Г.Е.Ройтберг, А.В.Струтынский. Внутренние болезни. Сердечно-сосудистая система. - М.: Бином-пресс, 2007. - 856 с.
11. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1992, 240 с.
Claims (4)
1. Способ нейросетевого анализа состояния сердца, заключающийся в том, что непрерывный электрокардиосигнал регистрируют, осуществляют предварительную обработку и представляют его в виде n-размерного вектора, создают m n-размерных векторов справочной информации, характеризующих одно из состояний сердца, сравнивают n-размерный вектор зарегистрированного электрокардиосигнала с созданным множеством m n-размерных векторов справочной информации, отличающийся тем, что осуществляют нейросетевой анализ k состояний сердца, для этого дополнительно создают (k-1)*m n-размерных векторов справочной информации, выполняют построение решающих правил, осуществляют нейросетевой анализ n-размерного вектора зарегистрированного электрокардиосигнала с учетом решающих правил, вывод результата, относящегося к одному из k состояний сердца.
2. Способ нейросетевого анализа состояния сердца по п.1, отличающийся тем, что построение решающих правил осуществляют на основе прямых и реципрокных признаков топической диагностики k состояний сердца.
3. Способ нейросетевого анализа состояния сердца по п.1, отличающийся тем, что для выполнения нейросетевого анализа n-размерного вектора зарегистрированного электрокардиосигнала осуществляют построение k*L (L - количество отведений) нейронных сетей для анализа каждого из k состояний сердца в каждом отведении.
4. Способ нейросетевого анализа состояния сердца по п.1, отличающийся тем, что вывод результата, относящегося к одному из k состояний сердца, осуществляют на основе выбора k-го состояния сердца, у которого выявлено максимальное количество признаков.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2011104231/08A RU2461877C1 (ru) | 2011-02-08 | 2011-02-08 | Способ нейросетевого анализа состояния сердца |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2011104231/08A RU2461877C1 (ru) | 2011-02-08 | 2011-02-08 | Способ нейросетевого анализа состояния сердца |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2461877C1 true RU2461877C1 (ru) | 2012-09-20 |
Family
ID=47077584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2011104231/08A RU2461877C1 (ru) | 2011-02-08 | 2011-02-08 | Способ нейросетевого анализа состояния сердца |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2461877C1 (ru) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2571470C2 (ru) * | 2013-10-24 | 2015-12-20 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа данных телеметрии по фонду скважин |
RU2598786C2 (ru) * | 2014-08-27 | 2016-09-27 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов |
RU2704913C1 (ru) * | 2018-11-02 | 2019-10-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Пензенский государственный университет" (ФГБОУ ВО "Пензенский государственный университет") | Способ нейросетевого анализа состояния сердца |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0724750A1 (en) * | 1993-10-18 | 1996-08-07 | Miles, Inc. | Method for unsupervised neural network classification with back propagation |
US5749367A (en) * | 1995-09-05 | 1998-05-12 | Cardionetics Limited | Heart monitoring apparatus and method |
RU2257838C1 (ru) * | 2004-03-09 | 2005-08-10 | Пензенский государственный университет | Способ диагностики состояния сердечно-сосудистой системы |
EP1707110A1 (en) * | 2005-03-31 | 2006-10-04 | Q & S S.R.L. | Apparatus for detecting cardiac signals |
RU2383295C1 (ru) * | 2008-09-08 | 2010-03-10 | Общество с ограниченной ответственностью (ООО) "Кардиовид" | Способ обработки электрокардиосигнала для диагностики инфаркта миокарда |
-
2011
- 2011-02-08 RU RU2011104231/08A patent/RU2461877C1/ru not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0724750A1 (en) * | 1993-10-18 | 1996-08-07 | Miles, Inc. | Method for unsupervised neural network classification with back propagation |
US5749367A (en) * | 1995-09-05 | 1998-05-12 | Cardionetics Limited | Heart monitoring apparatus and method |
RU2257838C1 (ru) * | 2004-03-09 | 2005-08-10 | Пензенский государственный университет | Способ диагностики состояния сердечно-сосудистой системы |
EP1707110A1 (en) * | 2005-03-31 | 2006-10-04 | Q & S S.R.L. | Apparatus for detecting cardiac signals |
RU2383295C1 (ru) * | 2008-09-08 | 2010-03-10 | Общество с ограниченной ответственностью (ООО) "Кардиовид" | Способ обработки электрокардиосигнала для диагностики инфаркта миокарда |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2571470C2 (ru) * | 2013-10-24 | 2015-12-20 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа данных телеметрии по фонду скважин |
RU2598786C2 (ru) * | 2014-08-27 | 2016-09-27 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов |
RU2704913C1 (ru) * | 2018-11-02 | 2019-10-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Пензенский государственный университет" (ФГБОУ ВО "Пензенский государственный университет") | Способ нейросетевого анализа состояния сердца |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
Masetic et al. | Congestive heart failure detection using random forest classifier | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
Beritelli et al. | A novel training method to preserve generalization of RBPNN classifiers applied to ECG signals diagnosis | |
Azuaje et al. | Predicting coronary disease risk based on short-term RR interval measurements: A neural network approach | |
CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
EP4003147A1 (en) | Deep end-to-end classification of electrocardiogram data | |
Mandal et al. | Detection of Ventricular Arrhythmia by using Heart rate variability signal and ECG beat image | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN112826513B (zh) | 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统 | |
CN115486855B (zh) | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Papageorgiou et al. | Analysis of digitalized ECG signals based on artificial intelligence and spectral analysis methods specialized in ARVC | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
RU2704913C1 (ru) | Способ нейросетевого анализа состояния сердца | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
RU2461877C1 (ru) | Способ нейросетевого анализа состояния сердца | |
RU2383295C1 (ru) | Способ обработки электрокардиосигнала для диагностики инфаркта миокарда | |
Mehta et al. | IDENTIFICATION AND DELINEATION OF QRS COMPLEXES IN ELECTROCARDIOGRAM USING FUZZY C-MEANS ALGORITHM. | |
CN113712525A (zh) | 一种生理参数处理方法、装置及医疗设备 | |
Kovalchuk et al. | A novel feature vector for ECG classification using deep learning | |
Alagarsamy et al. | Performing the classification of pulsation cardiac beats automatically by using CNN with various dimensions of kernels | |
Jaworski et al. | Evaluation of Deep Machine Learning Methods for Analysis of ECG Stream Data | |
Alimbayeva et al. | Neural network analysis of electrocardiogram signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20140209 |