RU2657384C2 - Method and system for noninvasive screening physiological parameters and pathology - Google Patents

Method and system for noninvasive screening physiological parameters and pathology Download PDF

Info

Publication number
RU2657384C2
RU2657384C2 RU2016146176A RU2016146176A RU2657384C2 RU 2657384 C2 RU2657384 C2 RU 2657384C2 RU 2016146176 A RU2016146176 A RU 2016146176A RU 2016146176 A RU2016146176 A RU 2016146176A RU 2657384 C2 RU2657384 C2 RU 2657384C2
Authority
RU
Russia
Prior art keywords
parameters
ecg signal
patient
module
neural network
Prior art date
Application number
RU2016146176A
Other languages
Russian (ru)
Other versions
RU2016146176A (en
RU2016146176A3 (en
Inventor
Александр Викторович Ежков
Александр Егорович Бекмачев
Сергей Павлович Садовский
Ольга Валерьевна Сунцова
Original Assignee
Александр Викторович Ежков
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Александр Викторович Ежков filed Critical Александр Викторович Ежков
Priority to RU2016146176A priority Critical patent/RU2657384C2/en
Priority to PCT/RU2017/000868 priority patent/WO2018106146A2/en
Publication of RU2016146176A publication Critical patent/RU2016146176A/en
Publication of RU2016146176A3 publication Critical patent/RU2016146176A3/ru
Application granted granted Critical
Publication of RU2657384C2 publication Critical patent/RU2657384C2/en

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25Bioelectric electrodes therefor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

FIELD: medicine.
SUBSTANCE: group of inventions relates to medical equipment, namely to means for screening pathologies that depend on cardiac activity of patients. Method comprises the steps of obtaining a user-defined pathology that depends on cardiac activity of a patient, and the pathology is selected by the user from the following options: chronic obstructive pulmonary disease, bronchial asthma, pulmonary tuberculosis, ischemic heart disease; forming a training and test sample of records of patients having a given pathology, depending on cardiac activity of a patient, and the training and test samples include records of patients of different sex and age, wherein each record contains at least one cardiac lead of the ECG signal and information about a patient; receiving a record from the training sample, wherein at least one cardiological ECG signal is processed for each record, heart rate variability (HRV) and averaged cardiac cycle parameters are calculated; training an artificial neural network to identify a given pathology, using the records of the training and test samples, comparing the parameters of the processed ECG signal, calculated parameters of heart rate variability and averaged cardiac cycle and patient information; preserving links and weight of the trained artificial neural network; obtaining at least one cardiological lead of the ECG signal and information about a diagnosed patient; processing the obtained at least one cardiological lead of the ECG signal, calculating the parameters of heart rate variability and averaged cardiac cycle; determining the presence of a given pathology by using the trained neural network, using the parameters of the processed ECG signal, calculated parameters of heart rate variability and averaged cardiac cycle and patient information. System comprises a diagnostic module configured to build and train a neural network to determine the presence of a given pathology by using the trained neural network and to receive, via the control diagnostic module processor, the data from the storage module, ECG signal processing module, HRV calculation module, module for calculating the averaged cycle and sending data to the data storage module configured to store the training and test samples of the artificial neural network, links and weights of the trained artificial neural network, patient records, ECG signals, to receive data from the data input/output module via the control processor, wherein the ECG signal processing module is configured to process at least one cardiological lead of the ECG signal obtained from the data storage module, HRV parameters calculation module is configured to calculate heart rate variability parameters, module for calculating the averaged cycle parameters is configured to calculate the parameters of the averaged cardiac cycle, and the data input/output module is configured to receive ECG signals and patient information and output data on the presence of a given pathology.
EFFECT: use of inventions provides increased accuracy of pathology detection in a patient based on neural network modeling.
17 cl, 6 dwg, 1 tbl

Description

ОБЛАСТЬ ТЕХНИКИFIELD OF TECHNOLOGY

[0001] Данное изобретение, относится к области вычислительной техники в медицине, а именно к способам и системам скрининговой диагностики различных патологий и определению физиологических параметров человека, и может быть использовано в области предиктивной, диагностической, профилактической и реабилитационной медицины.[0001] This invention relates to the field of computer technology in medicine, namely to methods and systems for screening diagnostics of various pathologies and determining physiological parameters of a person, and can be used in the field of predictive, diagnostic, preventive and rehabilitation medicine.

УРОВЕНЬ ТЕХНИКИBACKGROUND

[0002] В настоящее время в области медицины изобретаются множество приборов и способов для диагностики различных патологий и определения физиологических параметров, например, таких как ишемическая болезнь сердца, артериальное кровяное давление, хроническая обструктивная болезнь легких, бронхиальная астма, туберкулез, уровень глюкозы в крови и т.д. Как правило, это сложные диагностики, в рамках которых необходимо проводить клинические анализы, посещать несколько врачей различных специальностей, использовать комплексы оборудования высокой стоимости, требующих высокой квалификации обслуживающего персонала.[0002] Currently, many devices and methods are being invented in the field of medicine for diagnosing various pathologies and determining physiological parameters, for example, such as coronary heart disease, arterial blood pressure, chronic obstructive pulmonary disease, bronchial asthma, tuberculosis, blood glucose and etc. As a rule, these are complex diagnostics, within the framework of which it is necessary to conduct clinical tests, visit several doctors of various specialties, use complexes of high-cost equipment that require highly qualified staff.

[0003] Например, для сердечно-сосудистых заболеваний диагностические обследования включают в себя: амбулаторные электрографические исследования (ЭКГ), сцинтиграфические исследования, эхокардиографию, коронароангиографию, позитронно-эмиссионную томографию. В то же время самым надежным вариантом диагностики является процедура катетеризации. Следует отметить, что эти способы диагностики являются дорогостоящими, менее доступными, а в случае катетеризации - инвазивными и несут определенный риск для пациента.[0003] For example, for cardiovascular diseases, diagnostic examinations include: ambulatory electrographic examinations (ECG), scintigraphic examinations, echocardiography, coronary angiography, positron emission tomography. At the same time, the most reliable diagnostic option is the catheterization procedure. It should be noted that these diagnostic methods are expensive, less affordable, and in the case of catheterization - invasive and carry a certain risk to the patient.

[0004] ЭКГ - способ регистрации электрической активности сердца и может, например, выявить ряд кардиологических патологий и дает понятие о физическом состоянии сердца. Импульсы деятельности сердца регистрируются на бумажном носителе или в цифровом виде. Электрографическое исследование в состоянии покоя, как правило, включает в себя подготовку к процедуре и регистрацию ЭКГ-сигналов и занимает не менее 10 минут, проводятся в специально-подготовленном помещении, требует помощи медицинского персонала. Подготовка к процедуре и регистрация ЭКГ во время нагрузки пациента занимает порядка 20-25 минут, которая является более информативной. В другом варианте диагностики пациент проходит исследование с использованием холтеровского монитора: медицинский персонал устанавливает электроды на строго определенные участки тела пациента, запись проводится 12, 24 или 48 часов. Получается, что для повышения точности диагностики, необходимо увеличивать время диагностики и увеличивать количество используемых специальных приборов и методов диагностики.[0004] An ECG is a method of recording the electrical activity of the heart and can, for example, identify a number of cardiological pathologies and gives a concept of the physical condition of the heart. Impulses of the activity of the heart are recorded on paper or in digital form. An electrographic study at rest, as a rule, includes preparation for the procedure and registration of ECG signals and takes at least 10 minutes, is carried out in a specially prepared room, and requires the help of medical personnel. Preparation for the procedure and registration of the ECG during the patient's load takes about 20-25 minutes, which is more informative. In another diagnostic option, the patient undergoes a study using a Holter monitor: medical personnel install electrodes on strictly defined areas of the patient’s body, recording takes 12, 24 or 48 hours. It turns out that in order to increase the diagnostic accuracy, it is necessary to increase the diagnostic time and increase the number of special instruments and diagnostic methods used.

[0005] Важная задача современной практической медицины - упреждение и раннее выявление заболеваний. Разрабатываются неинвазивные способы диагностики, при которых за одно измерение регистрируется наибольшее количество показателей состояния организма человека и проводится их анализ-интерпретация. На практике в электрокардиографии используются два метода: оценка функционального состояния вегетативной нервной системы с помощью анализа кардиоинтервалограммы (КИГ) и сравнение электрокардиограммы (ЭКГ), вариабельности сердечного ритма (ВСР) больного и человека без патологии. Математический анализ данных, полученных этими методами, позволяет дать прогноз, определить характер кардиологического или иного заболевания, адаптационные возможности организма в условиях стресса или физических нагрузок.[0005] An important task of modern practical medicine is the prevention and early detection of diseases. Non-invasive diagnostic methods are being developed in which the largest number of indicators of the state of the human body are recorded in one measurement and their analysis-interpretation is carried out. In practice, two methods are used in electrocardiography: assessing the functional state of the autonomic nervous system using an analysis of a cardiointervalogram (CIG) and comparing an electrocardiogram (ECG), heart rate variability (HRV) of a patient and a person without pathology. A mathematical analysis of the data obtained by these methods allows one to make a forecast, determine the nature of a cardiological or other disease, the adaptive capabilities of the body under stress or physical exertion.

[0006] Из уровня техники известен патент № DE 4307545 (А1) «Device and method for determining the location and/or the extent of ischemias and/or infarcts in the heart of a patient», патентообладатель: SIEMENS AG, опубликовано: 15 сентября 1994. В данном техническом решении описывается устройство и способ для определения местоположения и/или степени ишемии и/или инфаркта в сердце пациента, которое содержит измерительную систему. Также в данном решении существует классификатор, который может обучаться посредством использования нейронной сети.[0006] Patent No. DE 4307545 (A1) “Device and method for determining the location and / or the extent of ischemias and / or infarcts in the heart of a patient”, patentee: SIEMENS AG, published: September 15, is known 1994. This technical solution describes a device and method for determining the location and / or degree of ischemia and / or heart attack in a patient’s heart, which contains a measuring system. Also in this solution there is a classifier that can be trained through the use of a neural network.

[0007] Также из уровня техники известен патент № KR 2006117546A «Device and method for diagnosing cardiac diseases based on ecg by training features extracted from ecg signal through neural network», патентообладатель: INHA INDUSTRY PARTNERSHIP INSTITUTE, опубликовано: 17 ноября 2006. Данное решение представляет собой устройство и способ диагностики сердечно-сосудистых заболеваний на основе ЭКГ посредством использования нейронной сети для автономной диагностики сердечных заболеваний путем обучения функции, выделенной из ЭКГ-сигнала через нейронную сеть.[0007] Also known in the prior art is patent No. KR 2006117546A "Device and method for diagnosing cardiac diseases based on ecg by training features extracted from ecg signal through neural network", patent holder: INHA INDUSTRY PARTNERSHIP INSTITUTE, published: November 17, 2006. This decision represents an apparatus and a method for diagnosing cardiovascular diseases based on an ECG by using a neural network for the autonomous diagnosis of heart disease by training a function isolated from an ECG signal through a neural network.

[0008] Недостатками известных из уровня техники решений является то, что, как правило, используют несколько способов для определения физиологических параметров или патологий, причем часто способы инвазивные, приборы не обладают высокой чувствительностью и специфичностью, причем имеют длительный период исследования и обработки результатов.[0008] The disadvantages of the solutions known from the prior art are that, as a rule, several methods are used to determine physiological parameters or pathologies, often invasive methods, devices do not have high sensitivity and specificity, and they have a long period of research and processing of results.

СУЩНОСТЬ ИЗОБРЕТЕНИЯSUMMARY OF THE INVENTION

[0009] Данное техническое решение направлено на устранение недостатков, присущих существующим решениям.[0009] This technical solution is aimed at eliminating the disadvantages inherent in existing solutions.

[00010] Технической проблемой (или другими словами задачей) в данном техническом решении является выявление на базе нейросетевого моделирования патологии или определение значений физиологических параметров у пациента.[00010] A technical problem (or, in other words, a task) in this technical solution is to identify pathologies based on neural network modeling or to determine the physiological parameters of a patient.

[00011] Техническим результатом, достигаемым при решении технической проблемы, является повышение точности выявления патологий или значений физиологических параметров у пациента на базе нейросетевого моделирования.[00011] The technical result achieved by solving the technical problem is to increase the accuracy of identifying pathologies or physiological parameters of a patient based on neural network modeling.

[00012] Причем патологии в данном техническом решении могут быть различные, например, патологии в сердечно-сосудистой системе, а также дыхательной, эндокринной, нервной, не ограничиваясь.[00012] Moreover, the pathology in this technical solution may be different, for example, pathology in the cardiovascular system, as well as respiratory, endocrine, nervous, not limited to.

[00013] Указанный технический результат достигается благодаря способу скринингового определения патологий, в котором формируют обучающую и тестовую выборку записей пациентов, имеющих заданную патологию или физиологические параметры, зависящие от сердечной деятельности пациентов, включающие записи о пациентах разного пола и возраста, причем каждая запись содержит, по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте; получают записи из обучающей выборки, причем для каждой записи производят обработку, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла; обучают искусственную нейронную сеть выявлению заданной патологии или физиологических параметров, используя записи обучающей и тестовой выборки, сопоставляя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациентах; сохраняют связи и веса
обученной искусственной нейронной сети; получают по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте; производят обработку полученного, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла; определяют физиологические параметры или наличие заданной патологии, при помощи обученной нейронной сети, используя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациенте.
[00013] This technical result is achieved through a method for screening pathologies, which form a training and test sample of patient records having a given pathology or physiological parameters, depending on the cardiac activity of patients, including records of patients of different sex and age, each record containing at least one cardiological derivation of the ECG signal and patient information; receive records from the training sample, and for each record, at least one cardiological derivation of the ECG signal is processed, parameters of heart rate variability and the average cardiac cycle are calculated; they teach an artificial neural network to identify a given pathology or physiological parameters using training and test samples, comparing the parameters of the processed ECG signal, the calculated parameters of heart rate variability and the average cardiac cycle, patient information; keep in touch and weight
trained artificial neural network; receive at least one cardiological derivation of the ECG signal and patient information; processing the obtained at least one cardiological derivation of the ECG signal, calculating the parameters of heart rate variability and the average cardiac cycle; determine physiological parameters or the presence of a given pathology, using a trained neural network, using the parameters of the processed ECG signal, calculated parameters of heart rate variability and an average cardiac cycle, information about the patient.

[00014] В некоторых вариантах реализации технического решения при формировании обучающей и тестовой выборки в случае патологии, выборка содержит записи пациентов априори имеющих данную патологию или не имеющих данную патологию.[00014] In some embodiments of the technical solution in the formation of the training and test samples in the case of pathology, the sample contains records of patients a priori having this pathology or not having this pathology.

[00015] В некоторых вариантах реализации технического решения информация о пациенте включает, по крайней мере, антропометрические показатели человека.[00015] In some embodiments of the technical solution, the patient information includes at least anthropometric indicators of a person.

[00016] В некоторых вариантах реализации технического решения информация о пациенте содержит сведения о заранее известных диагнозах у пациента на основании международной классификации болезней.[00016] In some embodiments of the technical solution, the patient information contains information about previously known diagnoses of the patient based on the international classification of diseases.

[00017] В некоторых вариантах реализации технического решения информация о пациенте содержит сведения о физиологических параметрах пациента.[00017] In some embodiments of the technical solution, the patient information contains information about the physiological parameters of the patient.

[00018] В некоторых вариантах реализации технического решения информация о пациенте включает сведения о наличии или отсутствии вредных привычек.[00018] In some embodiments of the technical solution, the patient information includes information about the presence or absence of bad habits.

[00019] В некоторых вариантах реализации технического решения ЭКГ-сигнал хранится в формате хранения электрокардиограмм SCP-ECG или DICOM-ECG, или HL7 aECG.[00019] In some embodiments of the technical solution, the ECG signal is stored in a storage format for electrocardiograms of SCP-ECG or DICOM-ECG, or HL7 aECG.

[00020] В некоторых вариантах реализации технического решения при обработке, по крайней мере, одного кардиологического отведения ЭКГ-сигнала используют аппаратные и программные средства подавления синфазных помех или фильтры высоких частот для устранения дрейфа нуля или фильтры низких частот для удаления высокочастотных помех или режекторные фильтры для удаления гармонических помех.[00020] In some embodiments of the technical solution, when processing at least one cardiological derivation of the ECG signal, hardware and software for suppressing common mode interference or high-pass filters to eliminate zero drift or low-pass filters to remove high-frequency interference or notch filters for remove harmonic interference.

[00021] В некоторых вариантах реализации технического решения при обработке, по крайней мере, одного кардиологического отведения ЭКГ-сигнала используют полосовые фильтры с нижним значением полосы пропускания 0,5 Гц.[00021] In some embodiments of the technical solution, when processing at least one cardiological derivation of the ECG signal, bandpass filters with a lower passband value of 0.5 Hz are used.

[00022] В некоторых вариантах реализации технического решения обучающая и тестовая выборка имеют равное количество записей.[00022] In some embodiments of the technical solution, the training and test samples have an equal number of records.

[00023] В некоторых вариантах реализации технического решения обучающая и тестовая выборка имеют различное количество записей.[00023] In some embodiments of the technical solution, the training and test samples have a different number of records.

[00024] В некоторых вариантах реализации технического решения параметром ВСР является частота пульса (PR) и/или количество экстрасистол (ЕС) и/или стандартное отклонение NN интервалов (SDNN) и/или коэффициент вариации (CV) и/или процент отклонений между интервалами (pNN50) и/или суммарная мощность спектра (TP) и/или мощность спектра очень низких частот (VLF) и/или мощность спектра низких частот (LF) и/или мощность спектра высоких частот (HF) и/или соотношение мощности спектра низких и высоких частот (LF/HF) В некоторых вариантах реализации технического решения и/или RR-интервалы и/или усредненный кардиоцикл и его параметры.[00024] In some embodiments of the technical solution, the HRV parameter is the heart rate (PR) and / or the number of extrasystoles (EC) and / or the standard deviation of NN intervals (SDNN) and / or the coefficient of variation (CV) and / or the percentage of deviations between intervals (pNN50) and / or total spectrum power (TP) and / or very low frequency spectrum power (VLF) and / or low frequency spectrum power (LF) and / or high frequency spectrum power (HF) and / or low power spectrum ratio and high frequencies (LF / HF) In some embodiments of the technical solution and / or RR intervals and / or averaged cardiocycle and its parameters.

[00025] В некоторых вариантах реализации технического решения параметром усредненного кардиоцикла является площадь под каждым сегментом и/или общая длина и/или длины по отдельности для каждого сегмента и/или амплитуды сегментов.[00025] In some embodiments of the technical solution, the parameter of the averaged cardiocycle is the area under each segment and / or the total length and / or length individually for each segment and / or amplitude of the segments.

[00026] В некоторых вариантах реализации технического решения при расчете параметров вариабельности сердечного ритма используют методы временной области или методы частотной области.[00026] In some embodiments of the technical solution, the time domain methods or the frequency domain methods are used in the calculation of heart rate variability parameters.

[00027] В некоторых вариантах реализации технического решения искусственной нейронной сетью является многослойный персептрон с 2 слоями сигмоидальных нейронов (SS).[00027] In some embodiments of the technical solution, the artificial neural network is a multilayer perceptron with 2 layers of sigmoid neurons (SS).

[00028] В некоторых вариантах реализации технического решения искусственной нейронной сетью является многослойный персептрон с 2 сужающимися слоями нейронов и линейным выходом (SSPD).[00028] In some embodiments of the technical solution, the artificial neural network is a multilayer perceptron with 2 tapering layers of neurons and a linear output (SSPD).

[00029] Также указанный технический результат может достигаться благодаря системе скринингового определения патологий или физиологических параметров, которая содержит модуль диагностики, выполненный с возможностью построения и обучения нейронной сети для определения наличия заданной патологии и значений физиологических параметров, при помощи обученной нейронной сети; модуль хранения данных, выполненный с возможностью хранения обучающей и тестовой выборки искусственной нейронной сети, связей и весов обученной искусственной нейронной сети, записей о пациентах, ЭКГ-сигналов; модуль обработки ЭКГ-сигнала, выполненный с возможностью обработки, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, полученного из базы данных; модуль вычисления параметров ВСР, выполненный с возможностью расчета параметров вариабельности сердечного ритма и усредненного кардиоцикла; модуль ввода/вывода данных, выполненный с возможностью получения ЭКГ-сигналов и информации о пациентах и вывода данных о наличии заданной патологии и значения физиологического параметра.[00029] Also, the specified technical result can be achieved thanks to a screening system for determining pathologies or physiological parameters, which contains a diagnostic module configured to build and train a neural network to determine the presence of a given pathology and physiological parameters using a trained neural network; a data storage module configured to store a training and test sample of an artificial neural network, connections and weights of a trained artificial neural network, patient records, ECG signals; an ECG signal processing module, configured to process at least one cardiological derivation of the ECG signal obtained from the database; a module for calculating HRV parameters, configured to calculate the parameters of heart rate variability and an average cardiac cycle; a data input / output module configured to receive ECG signals and patient information and output data about the presence of a given pathology and physiological parameter value.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙBRIEF DESCRIPTION OF THE DRAWINGS

[00030] Признаки и преимущества настоящего технического решения станут очевидными из приводимого ниже подробного описания и прилагаемых чертежей, на которых:[00030] The characteristics and advantages of this technical solution will become apparent from the following detailed description and the accompanying drawings, in which:

[00031] На Фиг. 1 показан пример осуществления способа скринингового определения патологий или физиологических параметров;[00031] In FIG. 1 shows an example implementation of a screening method for determining pathologies or physiological parameters;

[00032] На Фиг. 2 показан пример искусственной нейронной сети, которая может применяться в данном техническом решении и является многослойным персептроном с 2 слоями сигмоидальных нейронов;[00032] In FIG. 2 shows an example of an artificial neural network that can be used in this technical solution and is a multi-layer perceptron with 2 layers of sigmoid neurons;

[00033] На Фиг. 3 показан пример искусственной нейронной сети, которая может применяться в данном техническом решении и является многослойным персептроном с 2 сужающимися слоями нейронов и линейным выходом (SSPD);[00033] FIG. 3 shows an example of an artificial neural network that can be used in this technical solution and is a multi-layer perceptron with 2 tapering layers of neurons and a linear output (SSPD);

[00034] На Фиг. 4 показана блок-схема способа обработки ЭКГ-сигнала;[00034] FIG. 4 shows a flow diagram of a method for processing an ECG signal;

[00035] На Фиг. 5 показан пример осуществления системы скринингового определения патологий или физиологических параметров;[00035] In FIG. 5 shows an example implementation of a screening system for determining pathologies or physiological parameters;

[00036] На Фиг. 6 показан ЭКГ-сигнал одного кардиологического отведения.[00036] In FIG. 6 shows an ECG signal from one cardiac lead.

ПОДРОБНОЕ ОПИСАНИЕDETAILED DESCRIPTION

[00037] Данное техническое решение может быть реализовано на компьютере, в виде системы, устройства, программно-логического автомата или машиночитаемого носителя, содержащего инструкции для выполнения вышеупомянутого способа.[00037] This technical solution can be implemented on a computer, in the form of a system, device, logic or machine-readable medium containing instructions for performing the above method.

[00038] Техническое решение в некоторых вариантах осуществления может быть реализовано в виде распределенной компьютерной системы.[00038] The technical solution in some embodiments may be implemented as a distributed computer system.

[00039] В данном решении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, четко определенную последовательность операций (действий, инструкций).[00039] In this solution, a system means a computer system, a computer (electronic computer), CNC (numerical control), PLC (programmable logic controller), computerized control systems and any other devices that can perform a given, well-defined sequence of operations (actions, instructions).

[00040] Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы).[00040] An instruction processing device is understood to mean an electronic unit or an integrated circuit (microprocessor) that executes machine instructions (programs).

[00041] Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных. В роли устройства хранения данных могут выступать, но, не ограничиваясь, жесткие диски (HDD), флэш-память, ПЗУ (постоянное запоминающее устройство), твердотельные накопители (SSD), оптические приводы.[00041] An instruction processing device reads and executes machine instructions (programs) from one or more data storage devices. Storage devices may include, but are not limited to, hard disks (HDDs), flash memory, ROM (read only memory), solid state drives (SSDs), and optical drives.

[00042] Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.[00042] A program is a sequence of instructions for execution by a computer control device or an instruction processing device.

[00043] Ниже будут описаны термины и понятия, необходимые для осуществления настоящего технического решения.[00043] Below will be described the terms and concepts necessary for the implementation of this technical solution.

[00044] Неинвазивный - термин используется для характеристики методов исследования или лечения, во время которых на кожу не оказывается никакого воздействия с помощью игл или различных хирургических инструментов.[00044] Non-invasive - the term is used to describe methods of research or treatment, during which the skin is not exposed to any needles with the help of needles or various surgical instruments.

[00045] Скрининг - в медицине (англ. screening просеивание) - метод активного выявления лиц с какой-либо патологией или факторами риска ее развития, основанный на применении специальных диагностических исследований.[00045] Screening - in medicine (English screening screening) - a method for actively identifying individuals with any pathology or risk factors for its development, based on the use of special diagnostic studies.

[00046] Электрокардиография - методика регистрации и исследования электрических полей, образующихся при работе сердца.[00046] Electrocardiography is a technique for recording and studying the electric fields generated by the heart.

[00047] Кардиологическое отведение - участок на электрокардиограмме, получаемый от двух и более электродов, размещенных в соответствующей отведению части тела пациента. Каждое из них за счет различного расположения электродов на поверхности тела отражает различные аспекты электрической активности сердца и может облегчить врачу процесс выявления патологии и характера патологии сердечно-сосудистой системы.[00047] Cardiological lead is an area on an electrocardiogram obtained from two or more electrodes located in the corresponding lead of a part of the patient’s body. Each of them, due to the different arrangement of the electrodes on the surface of the body, reflects various aspects of the electrical activity of the heart and can make it easier for the doctor to identify the pathology and nature of the pathology of the cardiovascular system.

[00048] Антропометрические показатели - размеры (линейные, угловые, параметрические) тела человека и его отдельных частей. А. п. зависят от пола, возраста, профессии, этнонациональной принадлежности, социальных и других факторов.[00048] Anthropometric indicators - dimensions (linear, angular, parametric) of the human body and its individual parts. A. items depend on gender, age, profession, ethnicity, social and other factors.

[00049] Электрокардиограмма (ЭКГ) - запись электрической активности сердца, выполненная при помощи самописца на движущейся полосе бумаги или записью на устройство хранения данных с возможностью графического вывода данных на дисплей.[00049] Electrocardiogram (ECG) is a record of the electrical activity of the heart, made using a recorder on a moving strip of paper or written to a data storage device with the ability to graphically display data on a display.

[00050] Желудочковый комплекс электрокардиограммы - совокупность зубцов электрокардиограммы, отражающая биоэлектрические процессы, возникающие при распространении возбуждения по миокарду желудочков сердца. [00050] The ventricular complex of the electrocardiogram is a set of teeth of the electrocardiogram that reflects the bioelectrical processes that occur during the propagation of excitation through the myocardium of the ventricles of the heart.

[00051] Кардиограф - медицинский прибор, который измеряет биоэлектрическую активность сердца;[00051] A cardiograph is a medical device that measures the bioelectrical activity of the heart;

[00052] Анализ вариабельности сердечного ритма (ВСР) - метод оценки состояния механизмов регуляции физиологических функций в организме человека, в частности, общей активности регуляторных механизмов, нейрогуморальной регуляции сердца, соотношения между симпатическим и парасимпатическим отделами вегетативной нервной системы.[00052] Analysis of heart rate variability (HRV) is a method for assessing the state of the mechanisms of regulation of physiological functions in the human body, in particular, the total activity of regulatory mechanisms, neurohumoral regulation of the heart, the relationship between the sympathetic and parasympathetic parts of the autonomic nervous system.

[00053] Коэффициент вариации (coefficient of variation) - мера разброса значений вокруг среднего.[00053] Coefficient of variation (coefficient of variation) - a measure of the spread of values around the average.

[00054] Clinical Document Architecture (CDA) - один из стандартов HL7, разработанный для стандартизации структуры и обеспечения семантической совместимости медицинских систем при обмене медицинской информацией и/или мед документами.[00054] Clinical Document Architecture (CDA) is one of the HL7 standards designed to standardize the structure and ensure semantic compatibility of medical systems in the exchange of medical information and / or medical documents.

[00055] Интервал RR - промежуток времени между соседними зубцами R электрокардиограммы, равный продолжительности сердечного цикла; используется при определении частоты сердечных сокращений, в диагностике аритмий.[00055] The interval RR is the time interval between adjacent teeth R of the electrocardiogram, equal to the duration of the cardiac cycle; used in determining heart rate, in the diagnosis of arrhythmias.

[00056] ХОБЛ - хроническая обструктивная болезнь легких. [00056] COPD is a chronic obstructive pulmonary disease.

[00057] Машинное обучение (Machine Learning) - обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться.[00057] Machine Learning is an extensive subsection of artificial intelligence that studies methods for constructing learning-capable algorithms.

[00058] Перцептрон, или персептрон - математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга).[00058] A perceptron, or perceptron, is a mathematical and computer model for perceiving information by the brain (cybernetic model of the brain).

[00059] Нейрон сигмоидального типа - нейрон, который имеет структуру, подобную модели Мак-Каллока-Питтса, с той разницей, что функция активации является непрерывной и может быть выражена в виде сигмоидальной униполярной или биполярной функции.[00059] A sigmoidal type neuron is a neuron that has a structure similar to the McCallock-Pitts model, with the difference that the activation function is continuous and can be expressed as a sigmoidal unipolar or bipolar function.

[00060] ROC-кривая (англ. receiver operating characteristic, рабочая характеристика приемника) - график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных, как несущих признак, (англ. true positive rate, TPR, называемой чувствительностью алгоритма классификации) и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных, как несущих признак (англ. false positive rate, FPR, величина 1-FPR называется специфичностью алгоритма классификации) при варьировании порога решающего правила.[00060] ROC-curve (eng. Receiver operating characteristic, operating characteristic of the receiver) - a graph that allows you to evaluate the quality of the binary classification, displays the relationship between the share of objects from the total number of carriers of the characteristic, correctly classified as bearing the characteristic, (English true positive rate , TPR, called the sensitivity of the classification algorithm) and the fraction of objects from the total number of objects that do not carry a sign, erroneously classified as bearing a sign (English false positive rate, FPR, 1-FPR is called the specificity of the classification algorithm ation) by varying the threshold decision rule.

[00061] Предиктор - программная или аппаратная реализация сопоставления образцам данных определенных объектов (например, меток класса, скалярных или векторных значений), которая зависит от большого количества параметров, обученных с помощью процедуры машинного обучения на тренировочном множестве. В качестве примера предиктора можно привести дерево решений, нейронную сеть, набор деревьев решений. В зависимости от предиктора параметрами могут быть, например, веса нейронной сети, пороговые значения в деревьях решений.[00061] A predictor is a software or hardware implementation for matching data samples of certain objects (for example, class labels, scalar or vector values), which depends on a large number of parameters trained using the machine learning procedure on the training set. An example of a predictor is a decision tree, a neural network, a set of decision trees. Depending on the predictor, the parameters can be, for example, neural network weights, threshold values in decision trees.

[00062] Внутреннее состояние предиктора - набор значений параметров предиктора, обуславливающий его предсказания.[00062] The internal state of a predictor is a set of predictor parameter values that determines its predictions.

[00063] Специфичность - характеристика диагностического теста; доля лиц без заболевания, имеющих отрицательный результат теста, («доля здоровых, признанных здоровыми»).[00063] Specificity is a characteristic of a diagnostic test; the proportion of people without disease who have a negative test result (“the proportion of healthy people recognized as healthy”).

[00064] Площадь под ROC-кривой - площадь под характеристической кривой диагностического теста. Изменяется в пределах от 0,5 (абсолютно неинформативный тест) до 1 (идеально точный тест).[00064] The area under the ROC curve is the area under the characteristic curve of the diagnostic test. Varies from 0.5 (completely uninformative test) to 1 (perfectly accurate test).

[00065] Чувствительность - характеристика диагностического теста; доля лиц с заболеванием, имеющих позитивный результат диагностического теста («доля больных, признанных больными»).[00065] Sensitivity is a characteristic of a diagnostic test; the proportion of people with the disease who have a positive diagnostic test result (“the proportion of patients recognized as patients”).

[00066] Сигмоидная функция - функция, график которой имеет S-образную форму, дающая приблизительно линейный отклик в середине входного диапазона и эффект насыщения на его концах.[00066] A sigmoid function is a function whose graph is S-shaped, giving an approximately linear response in the middle of the input range and a saturation effect at its ends.

[00067] Выборка - в нейронных сетях часть популяции, полученная путем отбора. По результатам анализа выборки делают выводы о всей популяции, что правомерно только в случае, если отбор был случайным. Поскольку случайный отбор из популяции осуществить практически невозможно, следует стремиться к тому, чтобы выборка была по крайней мере репрезентативна по отношению к популяции.[00067] Sample - in neural networks, part of the population obtained by selection. According to the results of the analysis of the sample, conclusions are drawn about the entire population, which is only valid if the selection was random. Since random sampling from a population is practically impossible, one should strive to ensure that the sample is at least representative of the population.

[00068] Функция активации нейронной сети - функция, которая используется для преобразования уровня активации элемента (нейрона) в выходной сигнал.[00068] Neural network activation function is a function that is used to convert the activation level of an element (neuron) into an output signal.

[00069] Предварительно могут получать из хранилища данных или, например, из блока ввода/вывода данных патологию, болезнь или физиологический параметр, введенные пользователем, которые зависят от сердечной деятельности пациента. Пользователем может являться, не ограничиваясь, врач, администратор и т.д.[00069] Preliminarily, a pathology, disease, or physiological parameter entered by a user that depends on the patient’s cardiac activity can be obtained from a data store or, for example, from a data input / output unit. The user can be, without limitation, a doctor, administrator, etc.

[00070] Фиг. 1 представляет собой блок-схему, показывающую способ скринингового определения патологий или физиологических параметров, который содержит следующие шаги:[00070] FIG. 1 is a flowchart showing a screening method for determining pathologies or physiological parameters, which comprises the following steps:

[00071] Шаг 101: формируют обучающую и тестовую выборку записей пациентов, имеющих заданную патологию или физиологические параметры, зависящие от сердечной деятельности пациентов, включающие записи о пациентах разного пола и возраста, причем каждая запись содержит, по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте;[00071] Step 101: form a training and test sample of patient records having a given pathology or physiological parameters, depending on the cardiac activity of patients, including records of patients of different sex and age, and each record contains at least one ECG- signal and patient information;

[00072] В случае патологии выборка содержит записи пациентов априори имеющих данную патологию, так и не имеющих данную патологию.[00072] In the case of pathology, the sample contains records of patients a priori having this pathology, and not having this pathology.

[00073] В некоторых вариантах реализации информация о пациенте включает, по крайней мере, антропометрические показатели человека (возраст, пол, вес, рост, группа крови).[00073] In some embodiments, the patient information includes at least anthropometric indicators of a person (age, gender, weight, height, blood type).

[00074] В некоторых вариантах реализации информация о пациенте может содержать сведения о заранее известных диагнозах у пациента на основании международной классификации болезней (например, МКБ-10, SNOMED, МКБ-0 и т.д., не ограничиваясь).[00074] In some embodiments, the patient information may include information about previously known diagnoses for the patient based on the international classification of diseases (for example, ICD-10, SNOMED, ICD-0, etc., without limitation).

[00075] В некоторых вариантах реализации информация о пациенте может содержать сведения о физиологических параметрах.[00075] In some embodiments, the patient information may include physiological parameters.

[00076] В некоторых вариантах реализации физиологическими показателями является частота сердечных сокращений, частота дыхания, температура тела, артериальное давление, концентрация глюкозы в крови и т.д., не ограничиваясь. [00076] In some embodiments, physiological parameters are heart rate, respiratory rate, body temperature, blood pressure, blood glucose concentration, etc., without limitation.

[00077] В некоторых вариантах реализации информация о пациенте включает сведения о наличии или отсутствии вредных привычек (курение, употребление алкоголя, употребление наркотических веществ). [00077] In some embodiments, the patient information includes information about the presence or absence of bad habits (smoking, alcohol, drug use).

[00078] Антропометрические параметры как правило более устойчивы и мало меняются с течением времени. Физиологические же параметры оцениваются при каждом осмотре и регистрации ЭКГ пациента.[00078] Anthropometric parameters are generally more stable and change little over time. Physiological parameters are evaluated at each examination and registration of the patient's ECG.

[00079] Шаг 102: получают записи из обучающей и тестовой выборки, причем для каждой записи производят обработку, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла;[00079] Step 102: obtain records from the training and test samples, and for each record, at least one cardiological derivation of the ECG signal is processed, the parameters of heart rate variability and the average cardiac cycle are calculated;

[00080] В некоторых вариантах реализации сформированная выборка представляет собой набор записей, отобранных по определенному критерию из одного или более источника данных. Данные при этом могут быть изначально не структурированы.[00080] In some embodiments, the generated sample is a set of records selected by a certain criterion from one or more data sources. The data may not be initially structured.

[00081] В некоторых вариантах реализации обучающая или тестовая выборка хранится в ОЗУ (оперативное запоминающее устройство) или ВЗУ (внешнее запоминающее устройство) или ПЗУ (постоянное запоминающее устройство). [00081] In some embodiments, the training or test sample is stored in RAM (random access memory) or RAM (external memory) or ROM (read-only memory).

[00082] В некоторых вариантах реализации ЭКГ-сигнал одного (и более) кардиологического отведения регистрируют с использованием кардиографа, после чего к каждой записи добавляют данные, содержащие антропометрические показатели человека: возраст, пол, вес, рост, группа крови, сведения о заранее известных диагнозах и физиологических параметрах пациентов.[00082] In some embodiments, the ECG signal of one (or more) cardiological leads is recorded using a cardiograph, after which data containing anthropometric indicators of a person are added to each record: age, gender, weight, height, blood type, information about previously known diagnoses and physiological parameters of patients.

[00083] В некоторых вариантах реализации ЭКГ-сигнал хранится в следующих форматах хранения электрокардиограмм, не ограничиваясь, SCP-ECG, DICOM-ECG и HL7 aECG (Annotated ECG).[00083] In some embodiments, the ECG signal is stored in the following formats for storing electrocardiograms, but not limited to, SCP-ECG, DICOM-ECG, and HL7 aECG (Annotated ECG).

[00084] В некоторых вариантах реализации после добавления антропометрических показателей человека формируется CDA-документ, включающий заголовок и тело, которое в свою очередь может включать две секции: первая секция содержит антропометрические показатели человека, вторая секция содержит графическое представление ЭКГ в виде растрового изображения, векторного изображения либо документа PDF и т.п.[00084] In some embodiments, after adding the anthropometric indicators of a person, a CDA document is generated comprising a heading and a body, which in turn can include two sections: the first section contains anthropometric indicators of a person, the second section contains a graphical representation of an ECG in the form of a raster image, vector image or PDF document, etc.

[00085] В некоторых вариантах реализации ранее зарегистрированную ленту ЭКГ-сигнала оцифровывают путем сканирования и сохраняют на устройство хранения данных.[00085] In some embodiments, a previously recorded ECG signal tape is digitized by scanning and stored on a data storage device.

[00086] В некоторых вариантах реализации при обработке, по крайней мере, одного кардиологического отведения ЭКГ-сигнала используют, не ограничиваясь, аппаратные и программные средства подавления синфазных помех, фильтры высоких частот для устранения дрейфа нуля, фильтры низких частот для удаления высокочастотных помех, режекторные фильтры для удаления гармонических помех. Для снижения искусственных искажений типового кардиоцикла может использоваться следующий способ обработки (Фиг. 4): фильтруют сигнал цифровым фильтром в диапазоне 0.05…100 Гц; далее осуществляют локализацию R-зубцов (Фиг. 6) алгоритмом Пана-Томпкинса; затем вырезают временное окно, соответствующее кардиоциклу (КЦ); после чего центрируют кардиоцикл относительно среднего для выравнивания изоэлектрической линии электрокардиосигнала без утраты информации об амплитудных параметрах кардиоцикла; далее строят временный усредненный кардиоцикл, построенный по ансамблю из всех кардиоциклов; затем осуществляют контроль самоподобия всех кардиоциклов путем их сравнения с временным усредненным кардиоциклом. При выявленном несовпадении данный кардиоцикл убирают из усредняющей выборки; осуществляют усреднение по ансамблю, прошедших контроль кардиоциклов. В результате формируется усредненный кардиоцикл, состоящий только из допустимых по качеству кардиоциклов, не подвергшихся дополнительным искажениям.[00086] In some embodiments, when processing at least one cardiological derivation of the ECG signal, hardware, software, and common mode noise suppression, high-pass filters to eliminate zero drift, low-pass filters to remove high-frequency interference, notch are used filters to remove harmonic interference. To reduce the artificial distortions of a typical cardiocycle, the following processing method can be used (Fig. 4): filter the signal with a digital filter in the range 0.05 ... 100 Hz; then localization of the R-waves (Fig. 6) is carried out by the Pan-Tompkins algorithm; then cut out the time window corresponding to the cardiocycle (CC); then center the cardiocycle relative to the average to align the isoelectric line of the electrocardiogram without losing information about the amplitude parameters of the cardiocycle; then build a temporary averaged cardiocycle, built on an ensemble of all cardiocycles; then control the self-similarity of all cardiocycles by comparing them with a temporary averaged cardiocycle. If a mismatch is detected, this cardiocycle is removed from the averaging sample; carry out averaging over the ensemble that have passed the control of cardiocycles. As a result, an averaged cardiocycle is formed, consisting only of cardiocycles acceptable in quality and not subjected to additional distortions.

[00087] В некоторых вариантах реализации при обработке, по крайней мере, одного отведения ЭКГ-сигнала используют полосовые фильтры с нижним значением полосы пропускания 0,5 Гц.[00087] In some embodiments, when processing at least one assignment of the ECG signal, bandpass filters with a lower passband value of 0.5 Hz are used.

[00088] В некоторых вариантах реализации обучающая и тестовая выборка имеют равное количество записей.[00088] In some embodiments, the training and test samples have an equal number of records.

[00089] В некоторых вариантах реализации обучающая и тестовая выборка имеют различное количество записей.[00089] In some embodiments, the training and test samples have a different number of records.

[00090] В некоторых вариантах реализации при формировании тестовой и обучающей выборки создают тестовую и обучающую базы данных, включающие данные выборки.[00090] In some embodiments, when generating a test and training sample, test and training databases are created that include sample data.

[00091] В некоторых вариантах реализации формируют тестовую и обучающую выборку из базы данных записей о пациентах разного пола и возраста, имеющих заданную патологию, зависящую от сердечной деятельности пациента.[00091] In some embodiments, a test and training sample is formed from a database of records of patients of different sexes and ages having a given pathology depending on the patient’s cardiac activity.

[00092] После получения записей из выборки и обработки, по крайней мере, одного отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма (ВСР) для данного обработанного ЭКГ-сигнала для каждой записи и усредненный кардиоцикл с его параметрами.[00092] After obtaining records from the sample and processing at least one derivation of the ECG signal, the heart rate variability (HRV) parameters for this processed ECG signal are calculated for each record and the average cardiac cycle with its parameters.

[00093] Параметром ВСР может быть частота пульса (PR), количество экстрасистол (ЕС), стандартное отклонение NN интервалов (SDNN), коэффициент вариации (CV), процент отклонений между интервалами (pNN50), суммарная мощность спектра (TP), мощность спектра очень низких частот (VLF), мощность спектра низких частот (LF), мощность спектра высоких частот (HF), соотношение мощности спектра низких и высоких частот (LF/HF), RR-интервалы (сердечные циклы).[00093] The HRV parameter can be heart rate (PR), number of extrasystoles (EC), standard deviation of NN intervals (SDNN), coefficient of variation (CV), percentage of deviations between intervals (pNN50), total spectrum power (TP), spectrum power very low frequencies (VLF), low-frequency spectrum power (LF), high-frequency spectrum power (HF), low-to-high frequency spectrum power ratio (LF / HF), RR intervals (cardiac cycles).

[00094] Параметрами усредненного кардиоцикла являются площадь под каждым сегментом, общая длина, длины по отдельности для каждого сегмента, амплитуды сегментов.[00094] The parameters of the averaged cardiocycle are the area under each segment, the total length, the individual lengths for each segment, the amplitude of the segments.

[00095] При расчете параметров вариабельности сердечного ритма могут использовать, не ограничиваясь, методы временной области, методы частотной области и различные нелинейные методы. Например, при использовании методов оценки во временной области в расчет берутся либо значения ЧСС, вычисленные в каждый момент времени, либо интервалы между последовательными комплексами. В непрерывной записи ЭКГ детектируется каждый QRS комплекс (Фиг. 6) и вычисляются так называемые нормальный к нормальному интервалы (NN), т.е. интервалы между смежными комплексами QRS, являющимися результатом деполяризации клеток синусового узла, либо определяется мгновенная ЧСС. Простейшие переменные, которые могут быть вычислены: средний NN интервал, средняя ЧСС, разница между самым длинным и самым коротким NN интервалом, отличие между дневной и ночной ЧСС и т.д. Наиболее удобная для вычисления переменная - стандартное отклонение NN интервалов -(SDNN) - квадратный корень из разброса NN. Поскольку величина под корнем математически эквивалентна общей мощности в спектральном анализе, SDNN отражает все циклические компоненты, ответственные за вариабельность в течение периода записи.[00095] In calculating heart rate variability parameters, methods may be used, but not limited to, time domain methods, frequency domain methods, and various non-linear methods. For example, when using time-domain estimation methods, either heart rate values calculated at each moment of time or intervals between successive complexes are taken into account. In the continuous ECG recording, each QRS complex is detected (Fig. 6) and the so-called normal to normal intervals (NN) are calculated, i.e. intervals between adjacent QRS complexes resulting from depolarization of sinus node cells, or instantaneous heart rate is determined. The simplest variables that can be calculated are: average NN interval, average heart rate, the difference between the longest and shortest NN interval, the difference between day and night heart rate, etc. The most convenient variable for calculation is the standard deviation of NN intervals - (SDNN) - the square root of the NN scatter. Since the value under the root is mathematically equivalent to the total power in the spectral analysis, the SDNN reflects all the cyclic components responsible for the variability during the recording period.

[00096] Шаг 103: обучают искусственную нейронную сеть выявлению заданной патологии, используя записи обучающей и тестовой выборки, сопоставляя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациентах;[00096] Step 103: train an artificial neural network to identify a given pathology using training and test samples, comparing the parameters of the processed ECG signal, the calculated parameters of heart rate variability and the average cardiac cycle, patient information;

[00097] Сначала осуществляют инициализацию нейронной сети, при которой весовым коэффициентам и смещениям сети присваивают случайные значения, равномерно распределенным в диапазоне [-а, а].[00097] First, the neural network is initialized, in which random weights are assigned to the network weights and offsets uniformly distributed in the range [-a, a].

[00098] В некоторых вариантах реализации искусственной нейронной сетью является многослойный персептрон с 2 слоями сигмоидальных нейронов (Фиг. 2) (SS), где элементом 201 изображен входной слой, 202 - нелинейные слои, а 203 - матрица связей. Причем количество слоев сигмоидальных нейронов может быть увеличено.[00098] In some embodiments, the artificial neural network is a multilayer perceptron with 2 layers of sigmoidal neurons (Fig. 2) (SS), where element 201 represents the input layer, 202 are non-linear layers, and 203 is a communication matrix. Moreover, the number of layers of sigmoidal neurons can be increased.

[00099] В некоторых вариантах реализации многослойный персептрон с 2 слоями сигмоидальных нейронов обладает следующими характеристиками:[00099] In some embodiments, a multilayer perceptron with 2 layers of sigmoidal neurons has the following characteristics:

[000100] входной слой используется для хранения и передачи входного образа и не содержит пороговых элементов;[000100] the input layer is used to store and transmit the input image and does not contain threshold elements;

[000101] скрытый и выходной слой содержит логистические нелинейные элементы для моделирования потенциала действия нейронов;[000101] the hidden and output layer contains non-linear logistic elements for modeling the action potential of neurons;

[000102] в выходном слое находится один нейрон, сигнал которого напрямую подключен к выходу.[000102] there is one neuron in the output layer, the signal of which is directly connected to the output.

[000103] выходной сигнал ограничен диапазоном от 0 до 1 или от -1 до 1 (в зависимости от выбранной функции активации).[000103] the output signal is limited to a range of 0 to 1 or -1 to 1 (depending on the selected activation function).

[000104] Функция активации может быть непрерывной и может быть выражена в виде сигмоидальной униполярной (логистической) или биполярной (гиперболический тангенс) функции. Причем она должна быть нелинейной.[000104] The activation function may be continuous and may be expressed as a sigmoidal unipolar (logistic) or bipolar (hyperbolic tangent) function. Moreover, it should be non-linear.

[000105] Униполярная функция, как правило, представляется формулой:[000105] The unipolar function is typically represented by the formula:

[000106]

Figure 00000001
[000106]
Figure 00000001

[000107] тогда как биполярная функция задается в виде[000107] while the bipolar function is defined as

[000108]

Figure 00000002
[000108]
Figure 00000002

[000109] или[000109] or

[000110]

Figure 00000003
[000110]
Figure 00000003

[000111][000111]

[000112] Также функция активации может быть кусочно-линейной или жесткой пороговой функцией активации. Значение функции активации есть выход нейрона.[000112] Also, the activation function may be a piecewise linear or hard threshold activation function. The value of the activation function is the output of the neuron.

[000113] В некоторых вариантах реализации искусственной нейронной сетью является многослойный персептрон (Фиг. 3) с 2 сужающимися слоями нейронов и линейным выходом (SSPD). В качестве элемента 301 изображен входной слой, 302, 304 - нелинейные слои, 303 - матрица связей, а 305 - линейный слой.[000113] In some embodiments, the artificial neural network is a multilayer perceptron (FIG. 3) with 2 tapering layers of neurons and a linear output (SSPD). An input layer is shown as element 301, 302, 304 are non-linear layers, 303 is a matrix of bonds, and 305 is a linear layer.

[000114] В некоторых вариантах реализации многослойный персептрон с 2 сужающимися слоями нейронов и линейным выходом (SSPD) обладает следующими характеристиками:[000114] In some embodiments, a multi-layer perceptron with 2 tapering layers of neurons and a linear output (SSPD) has the following characteristics:

[000115] входной слой используется для хранения и передачи входного образа и не содержит пороговых элементов;[000115] the input layer is used to store and transmit the input image and does not contain threshold elements;

[000116] Как правило нейроны не срабатывают (не выдают выходной сигнал) до тех пор, пока уровень входного сигнала не достигнет некоторого порогового значения, т.е. на вход нейрона поступает сумма взвешенных сигналов минус некоторая величина. Полученное значение проходит через активационную функцию. Каждый слой нейронов базируется на выходе предыдущего слоя (за исключением входного слоя, базирующегося непосредственно на предъявляемых сети входных данных). Это значит, что значения входного слоя должны быть полностью рассчитаны до вычисления значений скрытого слоя, которые в свою очередь, должны быть рассчитаны до вычисления значений выходного слоя.[000116] Typically, neurons do not fire (do not produce an output signal) until the level of the input signal reaches a certain threshold value, i.e. the input of the neuron receives the sum of the weighted signals minus some value. The resulting value passes through the activation function. Each layer of neurons is based on the output of the previous layer (with the exception of the input layer, based directly on the presented input network). This means that the values of the input layer must be fully calculated before calculating the values of the hidden layer, which, in turn, must be calculated before calculating the values of the output layer.

[000117] скрытые слои нейронов содержат логистические нелинейные элементы;[000117] hidden layers of neurons contain logistic nonlinear elements;

[000118] количество скрытых слоев может быть не ограничено;[000118] the number of hidden layers may not be limited;

[000119] в выходном слое находится один линейный элемент, формирующий[000119] in the output layer there is one linear element forming

один выход от нескольких нейронов;one output from several neurons;

[000120] выходной сигнал не ограничен и может принимать отрицательные значения.[000120] the output signal is not limited and may take negative values.

[000121] Таким образом, выход каждого нейрона может принимать как положительные, так и отрицательные значения из, например, интервала [-1,1] и с более высокой вероятностью будет иметь нулевое среднее.[000121] Thus, the output of each neuron can take both positive and negative values from, for example, the interval [-1,1] and with a higher probability will have a zero average.

[000122] В некоторых вариантах реализации размер первого скрытого слоя многослойного персептрона задается заранее или определяется в результате исследования.[000122] In some embodiments, the size of the first hidden layer of the multilayer perceptron is predetermined or determined as a result of the study.

[000123] В некоторых вариантах реализации обучение нейронной сети происходит следующим образом:[000123] In some embodiments, the training of a neural network is as follows:

[000124] Производят обучение ИНС используя обучающую выборку алгоритмом обратного распространения ошибки (методика RProp).[000124] An ANN is trained using the training set by the back propagation algorithm (RProp technique).

[000125] В некоторых вариантах осуществления могут модифицировать алгоритм обратного распространения ошибки посредством использования различных функций ошибки, различных процедур определения направления и величины шага.[000125] In some embodiments, the implementation may modify the error back propagation algorithm by using various error functions, various procedures for determining the direction and magnitude of the step.

[000126] Функции ошибки могут использоваться следующие:[000126] The error functions may be used as follows:

[000127] интегральные функции ошибки по всей совокупности обучающих примеров; функции ошибки целых и дробных степеней.[000127] integral error functions throughout the totality of training examples; error functions of integer and fractional degrees.

[000128] Процедуры определения величины шага на каждой итерации могут быть следующие:[000128] Procedures for determining the magnitude of the step at each iteration can be as follows:

- дихотомия;- dichotomy;

- инерционные соотношения;- inertial relations;

- отжиг.- annealing.

[000129] Процедуры определения направления шага на каждой итерации могут быть следующие:[000129] The procedures for determining the step direction at each iteration can be as follows:

- с использованием матрицы производных второго порядка (метод Ньютона и др.)- using a matrix of second-order derivatives (Newton's method, etc.)

- с использованием направлений на нескольких шагах (партан метод и тд.).- using directions at several steps (partan method, etc.).

[000130] Затем тестируют ИНС на тестовой выборке. Для проверки правильности обучения построенной нейронной сети, в нее вводят сигналы, которые как правило не совпадают ни с одним из входных сигналов обучающей выборки.[000130] An ANN is then tested on a test sample. To verify the correct training of the constructed neural network, signals are introduced into it that, as a rule, do not coincide with any of the input signals of the training sample.

[000131] Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке из базы данных, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар (<вход>, <требуемый выход>). В некоторых вариантах осуществления обучающая и тестовая выборка не совпадают.[000131] Testing the trained network can be carried out either on a single input signal or on a test sample from a database that has a structure similar to the training sample and also consists of pairs (<input>, <required output>). In some embodiments, the training and test samples do not match.

[000132] Далее определяют критерий остановки: градиент среднеквадратичной ошибки обучения на тестовой выборке <= 0.0000001 (синапсы ИНС стабилизированы) или повышение ошибки тестирования более чем 10 эпох (начало переобучения). В качестве функции ошибки, численно определяющей сходство всех текущих выходных сигналов сети и соответствующих требуемых выходных сигналов обучающей выборки, в большинстве случаем используется среднеквадратичное отклонение. В некоторых вариантах осуществления можно задать другую функцию ошибки.[000132] Next, the stopping criterion is determined: the gradient of the root-mean-square error of learning on the test sample <= 0.0000001 (ANS synapses are stabilized) or increasing the testing error of more than 10 epochs (the beginning of retraining). As a function of the error, numerically determining the similarity of all the current output signals of the network and the corresponding required output signals of the training sample, in most cases the standard deviation is used. In some embodiments, another error function may be defined.

[000133] Затем рассчитывают показатели эффективности обучения: точность, полнота, чувствительность (Ч), специфичность (С), информативность (И), F-мера положительных заключений (F+), F-мера отрицательных заключений (F-), предсказательная значимость положительного результата (ПЗПР), предсказательная значимость отрицательного результата (ПЗОР), вероятность ошибки 1 рода (Р1), вероятность ошибки 2 рода (Р2) для разных значений порога отсечения, далее производят поиск оптимального порога отсечения по критерию минимизации разницы |Ч-С|.[000133] Then, training effectiveness indicators are calculated: accuracy, completeness, sensitivity (H), specificity (C), information content (I), F-measure of positive conclusions (F +), F-measure of negative conclusions (F-), predictive significance of positive result (PZPR), the predictive value of a negative result (PZOR), the probability of an error of the 1st kind (P1), the probability of an error of the 2nd kind (P2) for different values of the cutoff threshold, then search for the optimal cutoff threshold by the criterion of minimizing the difference | H-C |.

[000134] Точность (precision) и полнота (recall) являются метриками, которые используются при оценке большей части алгоритмов. Иногда они используются сами по себе, иногда в качестве базиса для производных метрик, таких как F-мера или R-Precision. Точность в пределах класса - это доля элементов действительно принадлежащих данному классу относительно всех элементов, которые нейронная сеть отнесла к этому классу. Полнота - это доля найденных классификатором элементов, принадлежащих классу относительно всех элементов этого класса в тестовой выборке. Чем выше точность и полнота, тем лучше. Однако на практике максимальная точность и полнота не достижимы одновременно. F-мера представляет собой гармоническое среднее между точностью и полнотой. Она стремится к нулю, если точность или полнота стремится к нулю.[000134] Precision and recall are metrics that are used to evaluate most algorithms. Sometimes they are used on their own, sometimes as a basis for derived metrics such as F-measure or R-Precision. Accuracy within a class is the proportion of elements that actually belong to a given class relative to all elements that the neural network has assigned to this class. Completeness is the proportion of elements found by the classifier that belong to the class with respect to all elements of this class in the test sample. The higher the accuracy and completeness, the better. However, in practice, maximum accuracy and completeness are not achievable at the same time. The F-measure is the harmonic mean between accuracy and completeness. It tends to zero if accuracy or completeness tends to zero.

[000135] Порог отсечения может быть задан, например, в диапазоне от 0 до 1. При нахождении вероятности ошибки 1 рода (Р1) и вероятности ошибки 2 рода (Р2) могут менять значение порога отсечения dx (например, 0.01) например в диапазоне от 0 до 1. В некоторых вариантах реализации исследование определяющее размер первого скрытого слоя включает следующие шаги: [000135] The cutoff threshold can be set, for example, in the range from 0 to 1. When finding the probability of an error of the 1st kind (P1) and the probability of an error of the 2nd kind (P2), they can change the value of the cutoff threshold dx (for example, 0.01) for example in the range from 0 to 1. In some embodiments, the study determining the size of the first hidden layer includes the following steps:

[000136] 1. установка значения размера первого скрытого слоя; [000136] 1. setting the size value of the first hidden layer;

[000137] Данный размер задается произвольно или подбирается эмпирически. Например, размер может быть от 10 до 100 с шагом 10 нейронов, или от 5 до 150 с шагом 5, не ограничиваясь.[000137] This size is set arbitrarily or selected empirically. For example, the size may be from 10 to 100 in increments of 10 neurons, or from 5 to 150 in increments of 5, not limited to.

[000138] 2. создание ИНС с заданными параметрами и случайно распределенными синапсическими связями;[000138] 2. creating an ANN with predetermined parameters and randomly distributed synapsic connections;

[000139] 3. обучение ИНС на обучающей выборке алгоритмом обратного распространения ошибки (методика RProp);[000139] 3. training ANN on the training set by the back propagation algorithm of error (RProp technique);

[000140] 4. тестирование ИНС на тестовой выборке;[000140] 4. testing ANN on a test sample;

[000141] 5. определение критерия остановки: градиент среднеквадратичной ошибки обучения на тестовой выборке <=0.0000001 (синапсы ИНС стабилизированы) или повышение ошибки тестирования более чем 10 эпох (начало переобучения);[000141] 5. determination of the stopping criterion: gradient of the standard error of learning on the test sample <= 0.0000001 (ANS synapses are stable) or increasing the testing error of more than 10 epochs (the beginning of retraining);

[000142] 6. расчет показателей эффективности (чувствительность (Ч), специфичность (С), информативность (И), F-мера положительных заключений (F+), F-мера отрицательных заключений (F-), предсказательная значимость положительного результата (ПЗПР), предсказательная значимость отрицательного результата (ПЗОР), вероятность ошибки 1 рода (Р1) и вероятность ошибки 2 рода (Р2) для разных значений порога отсечения;[000142] 6. calculation of performance indicators (sensitivity (H), specificity (C), information content (I), F-measure of positive conclusions (F +), F-measure of negative conclusions (F-), predictive significance of a positive result (PPR) , the predictive value of the negative result (PZOR), the probability of an error of the 1st kind (P1) and the probability of an error of the 2nd kind (P2) for different values of the cutoff threshold;

[000143] 7. построение ROC-кривой;[000143] 7. plotting the ROC curve;

[000144] ROC-кривая - кривая, которая наиболее часто используется для представления результатов бинарной классификации в машинном обучении. Поскольку классов два, один из них называется классом с положительными исходами, второй - с отрицательными исходами. ROC-кривая показывает зависимость количества верно классифицированных положительных примеров от количества неверно классифицированных отрицательных примеров. В терминологии ROC-анализа первые называются истинно положительным, вторые - ложно отрицательным множеством. При этом предполагается, что у классификатора имеется некоторый параметр, варьируя который, мы будем получать то или иное разбиение на два класса. Этот параметр часто называют порогом, или точкой отсечения. В зависимости от него будут получаться различные величины ошибок I и II рода.[000144] The ROC curve is the curve that is most often used to represent the results of binary classification in machine learning. Since there are two classes, one of them is called a class with positive outcomes, and the second with negative outcomes. The ROC curve shows the dependence of the number of correctly classified positive examples on the number of incorrectly classified negative examples. In the terminology of ROC analysis, the former are called true positive, while the latter are called a false negative set. It is assumed that the classifier has a certain parameter, varying which, we will get one or another partition into two classes. This parameter is often called a threshold, or cutoff point. Depending on it, various error values of the first and second kind will be obtained.

[000145] 8. повторение пунктов 1-6 для всего диапазона размеров скрытого слоя ИНС;[000145] 8. Repeat steps 1-6 for the entire size range of the hidden ANN layer;

[000146] 9. поиск оптимального порога отсечения по критерию минимизации разницы |Ч-С|;[000146] 9. the search for the optimal cutoff threshold by the criterion of minimizing the difference | H-C |;

[000147] 10. выбор размера скрытого слоя ИНС при наилучшем сочетании значений чувствительности, специфичности и минимальному отклонению порога отсечения от середины (0.5).[000147] 10. selection of the size of the hidden ANN layer with the best combination of sensitivity, specificity and minimal deviation of the cutoff threshold from the middle (0.5).

[000148] Шаг 104: сохраняют связи и веса обученной искусственной нейронной сети;[000148] Step 104: maintain the connections and weights of the trained artificial neural network;

[000149] В некоторых вариантах реализации искусственную нейронную сеть сохраняют в ОЗУ или ПЗУ, или ВЗУ.[000149] In some embodiments, the artificial neural network is stored in RAM or ROM, or ROM.

[000150] Под сохранением искусственной нейронной сети подразумевается сохранение итоговых значений весов и связей обученной нейронной сети, архитектуру сети, пороговые значения нейронов, обучающую выборку данных.[000150] By preserving an artificial neural network, it is meant to store the totals of the weights and connections of a trained neural network, network architecture, threshold values of neurons, training data sample.

[000151] Определяют параметры, наиболее влияющие на результат работы обученной искусственной нейронной сети. Данные параметры могут определяться автоматически либо посредством оператора однократно в течение работы искусственной нейронной сети, либо периодически.[000151] Determine the parameters that most affect the result of the trained artificial neural network. These parameters can be determined automatically either by the operator once during the operation of the artificial neural network, or periodically.

[000152] Шаг 105: получают по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте.[000152] Step 105: at least one cardiological derivation of the ECG signal and patient information are obtained.

[000153] В некоторых вариантах реализации ЭКГ-сигнал одного (и более) кардиологического отведения регистрируют с использованием кардиографа, после чего к каждой записи добавляют данные, содержащие антропометрические показатели человека: возраст, пол, вес, рост, группа крови, сведения о заранее известных диагнозах и физиологических параметрах пациентов.[000153] In some embodiments, the ECG signal of one (or more) cardiological leads is recorded using a cardiograph, after which data containing anthropometric indicators of a person are added to each record: age, gender, weight, height, blood type, information about previously known diagnoses and physiological parameters of patients.

[000154] В некоторых вариантах реализации ЭКГ-сигнал хранится в следующих форматах хранения электрокардиограмм, не ограничиваясь, SCP-ECG, DICOM-ECG и HL7 aECG (Annotated ECG).[000154] In some embodiments, the ECG signal is stored in the following electrocardiogram storage formats, but not limited to, SCP-ECG, DICOM-ECG, and HL7 aECG (Annotated ECG).

[000155] В некоторых вариантах реализации после добавления антропометрических показателей человека формируется CDA-документ, включающий заголовок и тело, которое в свою очередь может включать две секции: первая секция содержит антропометрические показатели человека, вторая секция содержит графическое представление ЭКГ в виде растрового изображения, векторного изображения либо документа PDF и т.п.[000155] In some embodiments, after adding anthropometric indicators of a person, a CDA document is generated including a title and a body, which in turn can include two sections: the first section contains anthropometric indicators of a person, the second section contains a graphical representation of the ECG in the form of a raster image, vector image or PDF document, etc.

[000156] В некоторых вариантах реализации ранее зарегистрированную ленту ЭКГ-сигнала оцифровывают путем сканирования и сохраняют на устройство хранения данных.[000156] In some embodiments, a previously recorded ECG signal tape is digitized by scanning and stored on a data storage device.

[000157] Шаг 106: производят обработку полученного, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла.[000157] Step 106: processing the obtained at least one cardiological derivation of the ECG signal, calculating the parameters of heart rate variability and the average cardiac cycle.

[000158] В некоторых вариантах реализации при обработке, по крайней мере, одного кардиологического отведения ЭКГ-сигнала используют, не ограничиваясь, аппаратные и программные средства подавления синфазных помех, фильтры высоких частот для устранения дрейфа нуля, фильтры низких частот для удаления высокочастотных помех, режекторные фильтры для удаления гармонических помех.[000158] In some embodiments, when processing at least one cardiological ECG signal, hardware, software, and common mode noise suppression, high-pass filters to eliminate zero drift, low-pass filters to remove high-frequency interference, notch are used filters to remove harmonic interference.

[000159] В некоторых вариантах реализации при обработке, по крайней мере, одного отведения ЭКГ-сигнала используют полосовые фильтры с нижним значением полосы пропускания 0,5 Гц.[000159] In some embodiments, when processing at least one ECG lead, bandpass filters with a lower passband value of 0.5 Hz are used.

[000160] В некоторых вариантах реализации обучающая и тестовая выборка имеют равное количество записей.[000160] In some embodiments, the training and test samples have an equal number of records.

[000161] В некоторых вариантах реализации обучающая и тестовая выборка имеют различное количество записей.[000161] In some embodiments, the training and test samples have a different number of records.

[000162] После обработки, по крайней мере, одного отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма (ВСР) для данного обработанного ЭКГ-сигнала и усредненного кардиоцикла.[000162] After processing at least one derivation of the ECG signal, heart rate variability (HRV) parameters are calculated for the processed ECG signal and the averaged cardiocycle.

[000163] Параметром ВСР может быть частота пульса (PR), количество экстрасистол (ЕС), стандартное отклонение NN интервалов (SDNN), коэффициент вариации (CV), процент отклонений между интервалами (pNN50), суммарная мощность спектра (TP), мощность спектра очень низких частот (VLF), мощность спектра низких частот (LF), мощность спектра высоких частот (HF), соотношение мощности спектра низких и высоких частот (LF/HF), RR-интервалы (сердечные циклы).[000163] The HRV parameter can be heart rate (PR), number of extrasystoles (EC), standard deviation of NN intervals (SDNN), coefficient of variation (CV), percentage of deviations between intervals (pNN50), total spectrum power (TP), spectrum power very low frequencies (VLF), power of the low frequency spectrum (LF), power of the high frequency spectrum (HF), the ratio of the power of the spectrum of low and high frequencies (LF / HF), RR-intervals (cardiac cycles).

[000164] Параметрами усредненного кардиоцикла являются площадь под каждым сегментом, общая длина кардиоцикла, длины по отдельности для каждого сегмента, амплитуды сегментов.[000164] The parameters of the averaged cardiocycle are the area under each segment, the total length of the cardiocycle, the individual lengths for each segment, the amplitude of the segments.

[000165] При расчете параметров вариабельности сердечного ритма могут использовать, не ограничиваясь, методы временной области, методы частотной области и различные нелинейные методы. Например, при использовании методов оценки во временной области в расчет берутся либо значения ЧСС, вычисленные в каждый момент времени, либо интервалы между последовательными комплексами. В непрерывной записи ЭКГ детектируется каждый QRS комплекс и вычисляются так называемые нормальный к нормальному интервалы (NN), т.е. интервалы между смежными комплексами QRS, являющимися результатом деполяризации клеток синусового узла, либо определяется мгновенная ЧСС. Простейшие переменные, которые могут быть вычислены: средний NN интервал, средняя ЧСС, разница между самым длинным и самым коротким NN интервалом, отличие между дневной и ночной ЧСС и т.д. Наиболее удобная для вычисления переменная - стандартное отклонение NN интервалов - (SDNN) - квадратный корень из разброса NN. Поскольку величина под корнем математически эквивалентна общей мощности в спектральном анализе, SDNN отражает все циклические компоненты, ответственные за вариабельность в течение периода записи.[000165] In calculating heart rate variability parameters, one may use, but are not limited to, time domain methods, frequency domain methods, and various non-linear methods. For example, when using time-domain estimation methods, either heart rate values calculated at each moment of time or intervals between successive complexes are taken into account. In the continuous ECG recording, each QRS complex is detected and the so-called normal to normal intervals (NN) are calculated, i.e. intervals between adjacent QRS complexes resulting from depolarization of sinus node cells, or instantaneous heart rate is determined. The simplest variables that can be calculated are: average NN interval, average heart rate, the difference between the longest and shortest NN interval, the difference between day and night heart rate, etc. The most convenient variable for calculation is the standard deviation of NN intervals - (SDNN) - the square root of the NN scatter. Since the value under the root is mathematically equivalent to the total power in the spectral analysis, the SDNN reflects all the cyclic components responsible for the variability during the recording period.

[000166] Шаг 107: определяют наличие заданной патологии или физиологического параметра при помощи обученной нейронной сети, используя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациенте.[000166] Step 107: determine the presence of a given pathology or physiological parameter using a trained neural network using the parameters of the processed ECG signal, calculated parameters of heart rate variability and average cardiac cycle, patient information.

[000167] Параметрами обработанного ЭКГ-сигнала могут являться результаты кардиоинтервалографии, амплитуды сегментов, временные характеристики зубцов, комплексов и интервалов, полученные ранее.[000167] The parameters of the processed ECG signal may be the results of cardiointervalography, segment amplitudes, temporal characteristics of the teeth, complexes and intervals obtained previously.

[000168] На входной слой обученной искусственной нейронной сети подают параметры обработанного ЭКГ-сигнала, параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациенте.[000168] The processed ECG signal parameters, heart rate variability and averaged cardiocycle, and patient information are supplied to the input layer of a trained artificial neural network.

[000169] При получении результата выхода (который может представлять собой численное значение или набор численных значений) искусственной нейронной сети, для интерпретации полученных численных значений и определения наличия патологии или физиологического параметра, проверяют соответствие численного значение (набора) выхода искусственной нейронной сети значению ранее заданных значений или таблиц значений. Причем на области заранее заданных значений для патологий или физиологических параметров могут накладывать ограничения, связанные с определяемой патологией или физиологическим параметром. Например, численные значения уровня глюкозы в крови от 0 до 30, курение - либо 0 (пациент не курит), либо 1 (пациент курит), ХОБЛ - 0 или 1, ИБС от - 0.5 до 2. Также указанным диапазонам может ставится в соответствие вероятность верного диагностирования наличия/отсутствия патологии или физиологического параметра. Например, вероятности и диапазоны могут быть заданы как показано в Таблице 1.[000169] Upon receipt of the output result (which may be a numerical value or a set of numerical values) of an artificial neural network, to interpret the obtained numerical values and determine the presence of a pathology or physiological parameter, check whether the numerical value (set) of the output of the artificial neural network matches the value previously set values or value tables. Moreover, restrictions can be imposed on the areas of predetermined values for pathologies or physiological parameters associated with a determined pathology or physiological parameter. For example, numerical values of the blood glucose level are from 0 to 30, smoking is either 0 (the patient does not smoke), or 1 (the patient smokes), COPD is 0 or 1, coronary heart disease is from 0.5 to 2. Also, the indicated ranges can be assigned the probability of a correct diagnosis of the presence / absence of a pathology or physiological parameter. For example, probabilities and ranges can be specified as shown in Table 1.

Figure 00000004
Figure 00000004

Figure 00000005
Figure 00000005

[000170] Указанные значения можно определять по заранее заданным сводным таблицам. В случае выхода численного значения за заранее заданный диапазон значений, вероятность верного определения патологии или физиологического параметра понижается. Соответственно, чем сильнее значение выходит за диапазон, тем меньше вероятность определения.[000170] These values can be determined from predefined pivot tables. If the numerical value goes beyond a predetermined range of values, the probability of correctly determining the pathology or physiological parameter is reduced. Accordingly, the stronger the value is out of range, the less likely it is to determine.

[000171] Параметрам обработанного ЭКГ-сигнала, параметрам вариабельности сердечного ритма и усредненного кардиоцикла заранее также в соответствие могут поставить диапазоны значений, которые могут принимать параметры. Например, стандартное отклонение NN интервалов SDNN ∈ [0; 200], коэффициент вариации CV ∈ [0; 20], процент отклонений между интервалами pNN50 ∈ [0; 200], суммарная мощность спектра TP ∈ [0; 30000], мощность спектра очень низких частот VLF ∈ [0; 10000], мощность спектра низких частот LF ∈ [0; 5000], мощность спектра высоких частот HF ∈ [0; 5000], соотношение мощности спектра низких и высоких частот LF/HF ∈ [0; 10].[000171] The parameters of the processed ECG signal, the parameters of the heart rate variability and the averaged cardiocycle can also be assigned ranges of values that the parameters can take. For example, the standard deviation of NN intervals SDNN ∈ [0; 200], coefficient of variation CV ∈ [0; 20], the percentage of deviations between intervals pNN50 ∈ [0; 200], the total power of the spectrum TP ∈ [0; 30000], the power of the spectrum of very low frequencies VLF ∈ [0; 10000], the power of the low-frequency spectrum LF ∈ [0; 5000], the power of the high-frequency spectrum HF ∈ [0; 5000], the ratio of the power of the spectrum of low and high frequencies LF / HF ∈ [0; 10].

[000172] Система скринингового определения патологий или физиологических параметров, включает одно или более устройств хранения данных, которое хранит все данные способа, описанные выше; одно или более устройств обработки данных; одну или более программ, где одна или более программ хранятся на одном или более устройстве хранения данных и исполняются на одном и более устройстве обработки данных, причем одна или более программ включает инструкции для выполнения способа скринингового определения патологий или физиологических параметров, подробно описанного выше.[000172] A screening system for determining pathologies or physiological parameters, includes one or more data storage devices that stores all of the method data described above; one or more data processing devices; one or more programs, where one or more programs are stored on one or more data storage devices and executed on one or more data processing devices, and one or more programs includes instructions for performing the screening method for determining pathologies or physiological parameters described in detail above.

[000173] Фиг. 2 представляет собой блок-схему, показывающую систему 500 скринингового определения патологий или физиологических параметров, содержащую:[000173] FIG. 2 is a block diagram showing a screening system 500 for determining pathologies or physiological parameters, comprising:

[000174] модуль 504 диагностики, выполненный с возможностью построения и обучения нейронной сети для определения наличия заданной патологии и значений физиологических параметров, при помощи обученной нейронной сети;[000174] a diagnostic module 504, configured to build and train a neural network to determine the presence of a given pathology and physiological parameter values, using a trained neural network;

[000175] модуль 503 хранения данных, выполненный с возможностью хранения обучающей и тестовой выборки искусственной нейронной сети, связей и весов обученной искусственной нейронной сети, записей о пациентах, ЭКГ-сигналов;[000175] a data storage module 503, configured to store a training and test sample of an artificial neural network, connections and weights of a trained artificial neural network, patient records, ECG signals;

[000176] модуль 501 обработки ЭКГ-сигнала, выполненный с возможностью обработки, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, полученного из базы данных;[000176] an ECG signal processing module 501, configured to process at least one cardiological derivation of the ECG signal obtained from the database;

[000177] модуль 505 вычисления параметров ВСР, выполненный с возможностью расчета параметров вариабельности сердечного ритма;[000177] HRV parameter calculation module 505, configured to calculate heart rate variability parameters;

[000178] модуль 506 вычисления параметров усредненного цикла, выполненный с возможностью расчета параметров усредненного кардиоцикла;[000178] module 506 calculating the parameters of the averaged cycle, configured to calculate the parameters of the averaged cardiocycle;

[000179] модуль 507 ввода/вывода данных, выполненный с возможностью получения ЭКГ-сигналов и информации о пациентах и вывода данных о наличии заданной патологии и значений физиологически параметров.[000179] a data input / output module 507, configured to receive ECG signals and patient information and output data about the presence of a given pathology and physiological parameter values.

[000180] Система 500 может быть реализована с помощью мобильного телефона, персонального или портативного компьютера или с помощью иного вычислительного средства, пригодного для выполнения необходимых программно-логических функций.[000180] The system 500 may be implemented using a mobile phone, a personal or laptop computer, or using other computing means suitable for performing the necessary program-logic functions.

[000181] В некоторых вариантах реализации, процессор 502 в основном управляет всеми операциями системы 500, например, отображением и считыванием данных с модуля 507 ввода/вывода данных, передачей данных, операциями записи и чтения данных с модуля 503 хранения данных. Процессор реализует инструкции для завершения всех или части шагов из указанных выше способов. В некоторых вариантах реализации процессор может быть центральным или графическим. Также в некоторых вариантах реализации в системе 500 может использоваться несколько процессоров для повышения производительности, что не влияет на сущность технического решения.[000181] In some embodiments, the processor 502 mainly controls all operations of the system 500, for example, displaying and reading data from the data input / output module 507, data transmission, data write and read operations from the data storage module 503. The processor implements instructions for completing all or part of the steps of the above methods. In some embodiments, the processor may be central or graphic. Also, in some embodiments, the system 500 may use multiple processors to increase performance, which does not affect the nature of the technical solution.

[000182] Модуль 504 диагностики может быть выполнен с возможностью построения, обучения и применения искусственной нейронной сети. Основные функциональные особенности данного модуля, включая инициализацию нейронной сети, ее настройку, обучение и применение описаны выше в шагах 103 и 107 способа скринингового определения патологий или физиологических параметров.[000182] Diagnostic module 504 may be configured to build, train, and use an artificial neural network. The main functional features of this module, including the initialization of the neural network, its configuration, training and application are described above in steps 103 and 107 of the screening method for determining pathologies or physiological parameters.

[000183] Модуль 503 хранения данных может быть выполнен с возможностью хранения различных данных для поддержки работы системы. Примеры таких данных включают в себя инструкции способа, описанного выше, а также изображения, ЭКГ-сигналы, параметры ВСР и усредненного цикла, данные искусственной нейронной сети, обучающую и тестовую выборку и т.д. Память может быть реализована в виде любого типа энергозависимого запоминающего устройства, энергонезависимого запоминающего устройства или их комбинации, например, Статического Оперативного Запоминающего Устройства (СОЗУ), Электрически Стираемого Программируемого Постоянного Запоминающего Устройства (ЭСППЗУ), Стираемого Программируемого Постоянного Запоминающего Устройства (СППЗУ), Программируемого Постоянного Запоминающего Устройства (ППЗУ), Постоянного Запоминающего Устройства (ПЗУ), магнитной памяти, флэш-памяти, магнитного или оптического диска. В модуле 503 хранения данных может храниться база данных пациентов, кардиологических отведений, физиологических параметров, патологий и их свойств и т.д., не ограничиваясь.[000183] The data storage module 503 may be configured to store various data to support system operation. Examples of such data include instructions for the method described above, as well as images, ECG signals, HRV and average cycle parameters, artificial neural network data, training and test samples, etc. The memory may be implemented in the form of any type of non-volatile memory, non-volatile memory or a combination thereof, for example, Static Random Access Memory (RAM), Electrically Erasable Programmable Read-Only Memory (EEPROM), Erasable Programmable Read-Only Memory (EPROM), Programmable Read-Only Memory (EPROM) Storage Device (ROM), Permanent Storage Device (ROM), magnetic memory, flash memory, magnetic and whether an optical disk. In the data storage module 503, a database of patients, cardiological leads, physiological parameters, pathologies and their properties, etc., may be stored, not limited to.

[000184] Модуль 501 обработки ЭКГ-сигнала выполнен с возможностью получения сигналов из модуля 503 хранения данных, либо посредством кардиографа, либо посредством оцифровки ЭКГ-сигнала. ЭКГ-сигнал может храниться в модуле 503 хранения данных в следующих форматах хранения электрокардиограмм, не ограничиваясь, SCP-ECG, DICOM-ECG и HL7 aECG (Annotated ECG). Основные функциональные особенности модуля 501 обработки кардиологических отведений ЭКГ-сигнала описаны выше в шагах 102 и 107 способа скринингового определения патологий или физиологических параметров.[000184] The ECG signal processing module 501 is configured to receive signals from the data storage module 503, either by means of a cardiograph or by digitizing the ECG signal. The ECG signal may be stored in the data storage unit 503 in the following electrocardiogram storage formats, without limitation, SCP-ECG, DICOM-ECG and HL7 aECG (Annotated ECG). The main functional features of the ECG signal cardiological signal processing module 501 are described above in steps 102 and 107 of the screening method for determining pathologies or physiological parameters.

[000185] Модуль 505 вычисления параметров ВСР выполнен с возможностью расчета параметров вариабельности сердечного ритма.[000185] The HRV parameter calculation module 505 is configured to calculate heart rate variability parameters.

[000186] Модуль 506 вычисления параметров усредненного цикла выполнен с возможностью расчета параметров усредненного кардиоцикла.[000186] The averaged cycle parameter calculating module 506 is configured to calculate averaged cardiac cycle parameters.

[000187] Функциональные особенности данных модулей подробно описаны выше в шаге 106 способа скринингового определения патологий или физиологических параметров.[000187] The functional features of these modules are described in detail above in step 106 of a screening method for determining pathologies or physiological parameters.

[000188] Модуль 507 ввода/вывода данных может представлять (или включать в себя) собой экран, обеспечивающий выходной интерфейс между системой 500 и пользователем. В некоторых вариантах осуществления, экран может быть жидкокристаллическим дисплеем (ЖКД) или сенсорной панелью (СП). Если экран включает в себя сенсорную панель, экран может быть реализован в виде сенсорного экрана для приема инструкций от пользователя. Сенсорная панель включает один или более сенсорных датчиков, отслеживающих жесты, прикосновения и скольжения по сенсорной панели. Сенсорный датчик может не только чувствовать прикосновение или жест перелистывания, но и определять длительность времени и давления, связанные с режимом работы прикосновения и скольжения. Также модуль 507 ввода/вывода данных может включать в себя либо представлять собой в различных вариантах реализации технического решения компьютерную мышь, клавиатуру, средство дополненной реальности, трехмерный сенсор и т.д., не ограничиваясь.[000188] The data input / output module 507 may be (or include) a screen providing an output interface between the system 500 and the user. In some embodiments, the implementation of the screen may be a liquid crystal display (LCD) or touch panel (SP). If the screen includes a touch panel, the screen may be implemented as a touch screen to receive instructions from the user. The touch panel includes one or more touch sensors that track gestures, touches, and sliding along the touch panel. The touch sensor can not only feel the touch or the gesture of turning over, but also determine the length of time and pressure associated with the operation mode of the touch and slip. Also, the data input / output module 507 may include, or in various embodiments of a technical solution, include a computer mouse, keyboard, augmented reality tool, three-dimensional sensor, etc., without limitation.

[000189] Предварительно накапливают данные в модуле 503 хранения данных, которые могут получать из внешнего устройства, например кардиографа, либо модуля 507 ввода/вывода данных. Также в модуль 503 хранения данных загружают международную классификацию болезней, например такую как МКБ-10 или SNOMED, или МКБ-0 и т.д., не ограничиваясь. Данными, которые получают из вышеописанных источников, являются антропометрические показатели пациентов (возраст, пол, вес, рост, группа крови), данные о диагнозах пациентов, сведения о их физиологических параметрах, данные о наличии или отсутствии вредных привычек, данные об ЭКГ-сигналах пациентов. ЭКГ-сигналы пациентов могут храниться в модуле 503 хранения данных в следующих форматах хранения электрокардиограмм, не ограничиваясь, SCP-ECG, DICOM-ECG и HL7 aECG (Annotated ECG). Далее в модуле 503 хранения данных формируют обучающую и тестовую выборку записей пациентов. Обе выборки содержат записи о пациентах разного пола и возраста, причем каждая запись содержит, по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте.[000189] Pre-accumulate data in the data storage module 503, which can be obtained from an external device, such as a cardiograph, or data input / output module 507. Also, an international classification of diseases, such as, for example, ICD-10 or SNOMED, or ICD-0, etc., is loaded into data storage module 503, without limitation. The data obtained from the above sources are the anthropometric indicators of patients (age, gender, weight, height, blood type), data on patient diagnoses, information on their physiological parameters, data on the presence or absence of bad habits, data on ECG signals from patients . Patient ECG signals may be stored in the data storage unit 503 in the following electrocardiogram storage formats, without limitation, SCP-ECG, DICOM-ECG and HL7 aECG (Annotated ECG). Next, in the data storage module 503, a training and test sample of patient records is generated. Both samples contain records of patients of different sexes and ages, each record containing at least one cardiological derivation of the ECG signal and information about the patient.

[000190] Затем модуль 501 обработки ЭКГ-сигнала получает набор записей из обучающей и тестовой выборки модуля 503 хранения данных, после чего для каждой записи производит обработку, по крайней мере, одного кардиологического отведения ЭКГ-сигнала. Модуль 501 обработки ЭКГ-сигнала может использовать аппаратные и программные средства подавления синфазных помех, фильтры высоких частот для устранения дрейфа нуля, фильтры низких частот для удаления высокочастотных помех, режекторные фильтры для удаления гармонических помех. Более подробно обработка ЭКГ-сигнала описана выше в шаге 102 способа.[000190] Then, the ECG signal processing module 501 obtains a set of records from the training and test samples of the data storage module 503, after which, for each record, it processes at least one cardiological derivation of the ECG signal. The ECG signal processing module 501 can use hardware and software for suppressing common mode noise, high-pass filters to eliminate zero drift, low-pass filters to remove high-frequency interference, notch filters to remove harmonic interference. In more detail, the processing of the ECG signal is described above in step 102 of the method.

[000191] После получения записей из обучающей выборки модулем 501 и их обработки, модуль 505 вычисления параметров ВСР сначала получает обработанный ЭКГ-сигнал от модуля 501 и рассчитывает параметры вариабельности сердечного ритма (ВСР) для данного ЭКГ-сигнала для каждой записи, после чего модуль 506 вычисления параметров усредненного цикла соответственно также получает от модуля 501 ЭКГ-сигнал и рассчитывает его усредненный кардиоцикл с параметрами. Параметром ВСР может быть частота пульса (PR), количество экстрасистол (ЕС), стандартное отклонение NN интервалов (SDNN), коэффициент вариации (CV), процент отклонений между интервалами (pNN50), суммарная мощность спектра (TP), мощность спектра очень низких частот (VLF), мощность спектра низких частот (LF), мощность спектра высоких частот (HF), соотношение мощности спектра низких и высоких частот (LF/HF), RR-интервалы (сердечные циклы).[000191] After receiving the records from the training sample by the module 501 and processing them, the HRV parameter calculation module 505 first receives the processed ECG signal from module 501 and calculates the heart rate variability (HRV) parameters for this ECG signal for each record, after which the module 506 calculating the parameters of the averaged cycle, respectively, also receives an ECG signal from module 501 and calculates its averaged cardiocycle with parameters. HRV parameters can be heart rate (PR), number of extrasystoles (EC), standard deviation of NN intervals (SDNN), coefficient of variation (CV), percentage of deviations between intervals (pNN50), total spectrum power (TP), very low frequency spectrum power (VLF), power of a spectrum of low frequencies (LF), power of a spectrum of high frequencies (HF), ratio of power of a spectrum of low and high frequencies (LF / HF), RR-intervals (cardiac cycles).

[000192] Параметрами усредненного кардиоцикла являются площадь под каждым сегментом, общая длина, длины по отдельности для каждого сегмента, амплитуды сегментов.[000192] The parameters of the averaged cardiocycle are the area under each segment, the total length, the individual lengths for each segment, the amplitude of the segments.

[000193] Затем модуль 504 диагностики осуществляет инициализацию нейронной сети, при которой весовым коэффициентам и смещениям сети присваивают случайные числовые значения. Модуль 504 диагностики выбирает модель используемой искусственной нейронной сети, которой, например, может быть многослойный персептрон с 2 слоями сигмоидальных нейронов (Фиг. 2). Сначала модуль 504 диагностики получает из модуля 503 хранения данных обучающую выборку и используя ее осуществляет обучение ИНС, например, алгоритмом обратного распространения ошибки. Затем модуль 504 диагностики получает из модуля 503 хранения данных тестовую выборку и тестируют ИНС на тестовой выборке. Для проверки правильности обучения построенной нейронной сети, в нее вводят сигналы, которые как правило не совпадают ни с одним из входных сигналов обучающей выборки. Процедура инициализации ИНС, обучения и тестирования более подробно описана выше в шаге 103 способа.[000193] Then, the diagnostic module 504 initializes the neural network, in which random numerical values are assigned to the weights and offsets of the network. Diagnostic module 504 selects the model of the artificial neural network used, which, for example, can be a multilayer perceptron with 2 layers of sigmoid neurons (Fig. 2). First, the diagnostic module 504 receives a training set from the data storage module 503 and, using it, provides training for the ANN, for example, by the error back propagation algorithm. Then, the diagnostic module 504 obtains a test sample from the data storage module 503 and ANNs are tested on the test sample. To verify the correct training of the constructed neural network, signals are introduced into it that, as a rule, do not coincide with any of the input signals of the training sample. The procedure for initializing the ANN, training and testing is described in more detail above in step 103 of the method.

[000194] После обучения и тестирования ИНС модуль 503 хранения данных получает итоговые значения весов и связей обученной нейронной сети, архитектуру сети, пороговые значения нейронов от модуля 504 диагностики и сохраняет их.[000194] After training and testing the ANN, the data storage module 503 receives the final values of the weights and connections of the trained neural network, the network architecture, threshold values of the neurons from the diagnostic module 504 and saves them.

[000195] Далее ЭКГ-сигнал одного (и более) кардиологического отведения текущего пациента получают и регистрируют посредством модуля 507 ввода/вывода данных, например, такого как кардиограф, после чего к каждой записи добавляют данные, содержащие антропометрические показатели человека: возраст, пол, вес, рост, группа крови, сведения о заранее известных диагнозах и физиологических параметрах пациентов.[000195] Next, the ECG signal of one (or more) cardiological leads of the current patient is received and recorded using a data input / output module 507, for example, such as a cardiograph, after which data containing anthropometric indicators of a person are added to each record: age, gender, weight, height, blood type, information about previously known diagnoses and physiological parameters of patients.

[000196] Также в некоторых вариантах осуществления системы 500 зарегистрированную ленту ЭКГ-сигнала текущего пациента, хранящуюся в модуле 503 хранения данных оцифровывают путем сканирования каким-нибудь внешним устройством, не ограничиваясь.[000196] Also, in some embodiments of the system 500, a registered ECG signal tape of a current patient stored in the data storage unit 503 is digitized by scanning with some external device, not limited to.

[000197] Затем модуль 501 обработки ЭКГ-сигнала получает ЭКГ-сигнал от модуля 507 ввода/вывода данных и производит обработку, по крайней мере, одного кардиологического отведения ЭКГ-сигнала текущего пациента, которая более подробно описана выше в шаге 105 способа. Модуль 501 обработки ЭКГ-сигнала может использовать аппаратные и программные средства подавления синфазных помех, фильтры высоких частот для устранения дрейфа нуля, фильтры низких частот для удаления высокочастотных помех, режекторные фильтры для удаления гармонических помех.[000197] Then, the ECG signal processing module 501 receives the ECG signal from the data input / output module 507 and processes at least one cardiological derivation of the ECG signal of the current patient, which is described in more detail above in step 105 of the method. The ECG signal processing module 501 can use hardware and software for suppressing common mode noise, high-pass filters to eliminate zero drift, low-pass filters to remove high-frequency interference, notch filters to remove harmonic interference.

[000198] Далее модуль 505 вычисления параметров ВСР получает обработанный ЭКГ-сигнал от модуля 501 и рассчитывает параметры вариабельности сердечного ритма (ВСР) для данного ЭКГ-сигнала, после чего модуль 506 вычисления параметров усредненного цикла соответственно также получает от модуля 501 ЭКГ-сигнал и рассчитывает усредненный кардиоцикл с его параметрами. Параметром ВСР может быть частота пульса (PR), количество экстрасистол (ЕС), стандартное отклонение NN интервалов (SDNN), коэффициент вариации (CV), процент отклонений между интервалами (pNN50), суммарная мощность спектра (TP), мощность спектра очень низких частот (VLF), мощность спектра низких частот (LF), мощность спектра высоких частот (HF), соотношение мощности спектра низких и высоких частот (LF/HF), RR-интервалы (сердечные циклы).[000198] Next, the HRV parameter calculating module 505 receives the processed ECG signal from the module 501 and calculates the heart rate variability (HRV) parameters for the given ECG signal, after which the average cycle parameter calculating module 506 also accordingly receives the ECG signal from the module 501 and calculates the averaged cardiocycle with its parameters. HRV parameters can be heart rate (PR), number of extrasystoles (EC), standard deviation of NN intervals (SDNN), coefficient of variation (CV), percentage of deviations between intervals (pNN50), total spectrum power (TP), very low frequency spectrum power (VLF), power of a spectrum of low frequencies (LF), power of a spectrum of high frequencies (HF), ratio of power of a spectrum of low and high frequencies (LF / HF), RR-intervals (cardiac cycles).

[000199] Параметрами усредненного кардиоцикла являются площадь под каждым сегментом, общая длина, длины по отдельности для каждого сегмента, амплитуды сегментов.[000199] The parameters of the averaged cardiocycle are the area under each segment, the total length, the individual lengths for each segment, the amplitude of the segments.

[000200] В итоге модуль 504 диагностики получает от модулей 501, 505 и 506 параметры обработанного ЭКГ-сигнала, параметры вариабельности сердечного v ритма и усредненного кардиоцикла, а также информацию о пациенте, и подает их на входной слой обученной искусственной нейронной сети. Более подробно данная процедура описана в шаге 106 способа.[000200] As a result, the diagnostic module 504 receives from the modules 501, 505 and 506 the parameters of the processed ECG signal, the parameters of the heart rate v and the average cardiac cycle, as well as patient information, and feeds them to the input layer of the trained artificial neural network. This procedure is described in more detail in step 106 of the method.

[000201] Модуль 504 диагностики получает результат выхода (который может представлять собой численное значение или набор численных значений) искусственной нейронной сети, для интерпретации полученных численных значений и определения наличия патологии или физиологического параметра, проверяет соответствие численного значение (набора) выхода искусственной нейронной сети значению ранее заданных значений или таблиц значений. Причем на области заранее заданных значений для патологий или физиологических параметров могут накладывать ограничения, связанные с определяемой патологией или физиологическим параметром. Например, численные значения уровня глюкозы в крови от 0 до 30, курение - либо 0 (пациент не курит), либо 1 (пациент курит), ХОБЛ - 0 или 1, ИБС от -0.5 до 2. Также указанным диапазонам может ставится в соответствие вероятность верного диагностирования наличия/отсутствия патологии или физиологического параметра, показанные выше в Таблице 1. Таким образом, определяют наличие заданной патологии или физиологического параметра при помощи обученной нейронной сети, используя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациенте. Полученные данные модуль 507 диагностики передает модулю 507 ввода/вывода данных, который их отображает для врача или пациента.[000201] Diagnostic module 504 obtains an output result (which may be a numerical value or a set of numerical values) of an artificial neural network, for interpreting the obtained numerical values and determining the presence of a pathology or physiological parameter, checks whether the numerical value (set) of the output of the artificial neural network matches the value previously set values or value tables. Moreover, restrictions can be imposed on the areas of predetermined values for pathologies or physiological parameters associated with a determined pathology or physiological parameter. For example, numerical values of the blood glucose level are from 0 to 30, smoking is either 0 (the patient does not smoke), or 1 (the patient smokes), COPD is 0 or 1, coronary heart disease is from -0.5 to 2. Also, the indicated ranges can be assigned the probability of a correct diagnosis of the presence / absence of a pathology or physiological parameter shown in Table 1 above. Thus, the presence of a given pathology or physiological parameter is determined using a trained neural network using the parameters of the processed ECG signal, calculated parameters of the variability of ser echnogo rate and the average of the cardiac, information about the patient. The received data, the diagnostic module 507 transmits to the data input / output module 507, which displays them for the doctor or patient.

[000202] Также система 500 может содержать коммуникационный компонент (компонент передачи данных), который выполнен с возможностью осуществления проводной или беспроводной связи между системой и другими внешними устройствами. Система 500 может получать доступ к беспроводной сети на основе стандартов связи, но не ограничиваясь, таких как WiFi, 2G или 3G, или их комбинации. В некоторых вариантах осуществления компонент передачи данных может содержать модуль коммуникации ближнего поля (NFC), чтобы облегчить ближнюю беспроводную связь, или модуль для радиочастотной идентификации (RFID), а также модуль передачи данных в инфракрасном диапазоне (IrDA), или модуль сверхширокополосной (UWB) технологии, либо Bluetooth модуль (ВТ) или иное средство, пригодное для беспроводной передачи данных.[000202] Also, the system 500 may include a communication component (data transmission component) that is configured to provide wired or wireless communication between the system and other external devices. System 500 may access a wireless network based on communication standards, but not limited to, such as WiFi, 2G, or 3G, or a combination thereof. In some embodiments, the data transmission component may comprise a near field communication module (NFC) to facilitate near-field wireless communication, or a radio frequency identification (RFID) module, as well as an infrared data transmission module (IrDA) or ultra-wideband (UWB) module technology, either a Bluetooth module (BT) or other means suitable for wireless data transmission.

[000203] Модули, используемые в системе, могут быть реализованы с помощью электронных компонентов, используемых для создания цифровых интегральных схем. Не ограничиваюсь, могут использоваться микросхемы, логика работы которых определяется при изготовлении, или программируемые логические интегральные схемы (ПЛИС), логика работы которых задается посредством программирования. Для программирования используются программаторы и отладочные среды, позволяющие задать желаемую структуру цифрового устройства в виде принципиальной электрической схемы или программы на специальных языках описания аппаратуры: Verilog, VHDL, AHDL и др. Альтернативой ПЛИС являются: программируемые логические контроллеры (ПЛК), базовые матричные кристаллы (БМК), требующие заводского производственного процесса для программирования; ASIC - специализированные заказные большие интегральные схемы (БИС), которые при мелкосерийном и единичном производстве существенно дороже.[000203] The modules used in the system can be implemented using electronic components used to create digital integrated circuits. Not limited to, can be used microcircuits, the logic of which is determined during manufacture, or programmable logic integrated circuits (FPGA), the logic of which is set by programming. For programming, programmers and debugging environments are used that allow you to specify the desired structure of a digital device in the form of a circuit diagram or programs in special equipment description languages: Verilog, VHDL, AHDL, etc. Alternative FPGAs are: programmable logic controllers (PLCs), base matrix crystals ( BMK) requiring a factory production process for programming; ASIC - specialized custom large integrated circuits (LSI), which are much more expensive in small-scale and single-unit production.

[000204] Также модули могут быть реализованы с помощью постоянных запоминающих устройств (см. Лебедев О.Н. Микросхемы памяти и их применение. - М.: Радио и связь, 1990. - 160 с; Большие интегральные схемы запоминающих устройств: Справочник/ А.Ю. Горденов и др. - М.: Радио и связь, 1990. - 288 с).[000204] Also, modules can be implemented using read-only memory devices (see ON Lebedev. Memory microcircuits and their application. - M.: Radio and communications, 1990. - 160 s; Large integrated circuits of memory devices: Reference / A .U. Gordenov et al. - M.: Radio and Communications, 1990. - 288 s).

[000205] Таким образом, реализация всех используемых блоков достигается стандартными средствами, базирующимися на классических принципах реализации основ вычислительной техники.[000205] Thus, the implementation of all used blocks is achieved by standard means based on the classical principles of implementation of the foundations of computer technology.

[000206] Специалист в данной области техники может легко понять и реализовать другие варианты технического решения из рассмотренного описания. Это описание предназначено для того, чтобы покрыть любые варианты использования или применения следующих общих принципов технического решения, и включая такие отклонения, которые появляются в пределах известной или обычной практики в уровне техники. Предполагается, что описание рассматривается только как примерное, с сущностью и объемом настоящего технического решения, обозначенного формулой изобретения.[000206] A person skilled in the art can easily understand and implement other technical solutions from the above description. This description is intended to cover any use or application of the following general principles of a technical solution, and including those deviations that appear within the known or usual practice in the prior art. It is assumed that the description is considered only as an example, with the essence and scope of the present technical solution indicated by the claims.

[000207] Следует принимать во внимание, что настоящее решение не ограничивается точными конструкциями, которые были описаны выше и проиллюстрированы на прилагаемых чертежах, а также что различные модификации и изменения могут быть сделаны без отхода от области его применения. Предполагается, что объем данного технического решения ограничен только прилагаемой формулой.[000207] It should be appreciated that the present solution is not limited to the precise designs that have been described above and illustrated in the accompanying drawings, and also that various modifications and changes can be made without departing from its scope. It is assumed that the scope of this technical solution is limited only by the attached formula.

Claims (25)

1. Способ скринингового определения патологий, зависящих от сердечной деятельности пациентов, включающий следующие шаги: 1. A method for screening the determination of pathologies depending on the cardiac activity of patients, comprising the following steps: - получают заданную пользователем патологию, зависящую от сердечной деятельности пациента, причем патология выбирается пользователем из следующих вариантов: хроническая обструктивная болезнь легких, бронхиальная астма, туберкулез легких, ишемическая болезнь сердца;- receive a user-defined pathology, depending on the patient’s cardiac activity, and the pathology is selected by the user from the following options: chronic obstructive pulmonary disease, bronchial asthma, pulmonary tuberculosis, coronary heart disease; - формируют обучающую и тестовую выборку записей пациентов, имеющих заданную патологию, зависящую от сердечной деятельности пациента, причем обучающая и тестовая выборки включают записи о пациентах разного пола и возраста, причем каждая запись содержит по крайней мере одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте;- form a training and test sample of patient records having a predetermined pathology, depending on the patient’s cardiac activity, and the training and test sample include records of patients of different sex and age, each record containing at least one cardiological ECG signal and patient information ; - получают записи из обучающей выборки, причем для каждой записи производят обработку по крайней мере одного кардиологического ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма (ВСР) и усредненного кардиоцикла;- receive records from the training sample, and for each record, at least one cardiological ECG signal is processed, the parameters of heart rate variability (HRV) and the average cardiac cycle are calculated; - обучают искусственную нейронную сеть выявлению заданной патологии, используя записи обучающей и тестовой выборки, сопоставляя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла и информацию о пациентах;- they teach the artificial neural network to identify a given pathology using training and test samples, comparing the parameters of the processed ECG signal, the calculated parameters of heart rate variability and the average cardiac cycle and patient information; - сохраняют связи и веса обученной искусственной нейронной сети;- retain the connections and weights of the trained artificial neural network; - получают по крайней мере одно кардиологическое отведение ЭКГ-сигнала и информацию о диагностируемом пациенте;- receive at least one cardiological assignment of the ECG signal and information about the diagnosed patient; - производят обработку полученного по крайней мере одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла;- they process the obtained at least one cardiological derivation of the ECG signal, calculate the parameters of heart rate variability and the average cardiac cycle; - определяют наличие заданной патологии при помощи обученной нейронной сети, используя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла и информацию о пациенте.- determine the presence of a given pathology using a trained neural network using the parameters of the processed ECG signal, calculated parameters of heart rate variability and an average cardiac cycle, and information about the patient. 2. Способ по п. 1, отличающийся тем, что при формировании обучающей и тестовой выборки в случае патологии выборка содержит записи пациентов, априори имеющих данную патологию и не имеющих данную патологию.2. The method according to p. 1, characterized in that when forming a training and test sample in the case of pathology, the sample contains records of patients a priori having this pathology and not having this pathology. 3. Способ по п. 1, отличающийся тем, что информация о пациенте включает по крайней мере антропометрические показатели человека.3. The method according to p. 1, characterized in that the patient information includes at least anthropometric indicators of a person. 4. Способ по п. 1, отличающийся тем, что информация о пациенте содержит сведения о заранее известных диагнозах у пациента на основании международной классификации болезней.4. The method according to p. 1, characterized in that the patient information contains information about previously known diagnoses of the patient based on the international classification of diseases. 5. Способ по п. 1, отличающийся тем, что информация о пациенте содержит сведения о физиологических параметрах пациента.5. The method according to p. 1, characterized in that the patient information contains information about the physiological parameters of the patient. 6. Способ по п. 1, отличающийся тем, что информация о пациенте включает сведения о наличии или отсутствии вредных привычек.6. The method according to p. 1, characterized in that the patient information includes information about the presence or absence of bad habits. 7. Способ по п. 1, отличающийся тем, что ЭКГ-сигнал хранится в формате хранения электрокардиограмм SCP-ECG, или DICOM-ECG, или HL7 aECG.7. The method according to claim 1, characterized in that the ECG signal is stored in a storage format for electrocardiograms of SCP-ECG, or DICOM-ECG, or HL7 aECG. 8. Способ по п. 1, отличающийся тем, что при обработке по крайней мере одного кардиологического отведения ЭКГ-сигнала используют аппаратные и программные средства подавления синфазных помех или фильтры высоких частот для устранения дрейфа нуля или фильтры низких частот для удаления высокочастотных помех или режекторные фильтры для удаления гармонических помех.8. The method according to p. 1, characterized in that when processing at least one cardiological derivation of the ECG signal, hardware and software for suppressing common mode interference or high-pass filters to eliminate zero drift or low-pass filters to remove high-frequency interference or notch filters are used to remove harmonic interference. 9. Способ по п. 1, отличающийся тем, что при обработке по крайней мере одного кардиологического отведения ЭКГ-сигнала используют полосовые фильтры с нижним значением полосы пропускания 0,5 Гц.9. The method according to p. 1, characterized in that when processing at least one cardiological derivation of the ECG signal, bandpass filters with a lower passband value of 0.5 Hz are used. 10. Способ по п. 1, отличающийся тем, что обучающая и тестовая выборка имеют равное количество записей.10. The method according to p. 1, characterized in that the training and test samples have an equal number of records. 11. Способ по п. 1, отличающийся тем, что обучающая и тестовая выборка имеют различное количество записей.11. The method according to p. 1, characterized in that the training and test samples have a different number of records. 12. Способ по п. 1, отличающийся тем, что параметром ВСР является частота пульса (PR), и/или количество экстрасистол (ЕС), и/или стандартное отклонение NN интервалов (SDNN), и/или коэффициент вариации (CV), и/или процент отклонений между интервалами (pNN50), и/или суммарная мощность спектра (TP), и/или мощность спектра очень низких частот (VLF), и/или мощность спектра низких частот (LF), и/или мощность спектра высоких частот (HF), и/или соотношение мощности спектра низких и высоких частот (LF/HF), и/или RR-интервалы, и/или усредненный кардиоцикл и его параметры.12. The method according to p. 1, characterized in that the HRV parameter is the pulse rate (PR), and / or the number of extrasystoles (EC), and / or the standard deviation of NN intervals (SDNN), and / or the coefficient of variation (CV), and / or the percentage of deviations between the intervals (pNN50), and / or the total spectrum power (TP), and / or the power of the very low frequency spectrum (VLF), and / or the power of the low frequency spectrum (LF), and / or the power of the high spectrum frequencies (HF), and / or the ratio of the power of the spectrum of low and high frequencies (LF / HF), and / or RR-intervals, and / or the average cardiac cycle and its parameters. 13. Способ по п. 1, отличающийся тем, что параметром усредненного кардиоцикла является площадь под каждым сегментом и/или общая длина и/или длины по отдельности для каждого сегмента и/или амплитуды сегментов.13. The method according to p. 1, characterized in that the parameter of the averaged cardiocycle is the area under each segment and / or the total length and / or length separately for each segment and / or amplitude of the segments. 14. Способ по п. 1, отличающийся тем, что при расчете параметров вариабельности сердечного ритма используют методы временной области или методы частотной области.14. The method according to p. 1, characterized in that when calculating the parameters of heart rate variability using methods of the time domain or methods of the frequency domain. 15. Способ по п. 1, отличающийся тем, что искусственной нейронной сетью является многослойный персептрон с 2 слоями сигмоидальных нейронов (SS).15. The method according to p. 1, characterized in that the artificial neural network is a multilayer perceptron with 2 layers of sigmoid neurons (SS). 16. Способ по п. 1, отличающийся тем, что искусственной нейронной сетью является многослойный персептрон с 2 сужающимися слоями нейронов и линейным выходом (SSPD).16. The method according to p. 1, characterized in that the artificial neural network is a multilayer perceptron with 2 tapering layers of neurons and a linear output (SSPD). 17. Система скринингового определения патологий, зависящих от сердечной деятельности пациентов, включающая модуль диагностики, выполненный с возможностью построения и обучения нейронной сети для определения наличия заданной патологии, при помощи обученной нейронной сети, получения через управляющий процессор модуля диагностики данных от модуля хранения данных, модуля обработки ЭКГ-сигнала, модуля вычисления параметров ВСР, модуля вычисления параметров усредненного цикла и отправки данных в модуль хранения данных, выполненный с возможностью хранения обучающей и тестовой выборки искусственной нейронной сети, связей и весов обученной искусственной нейронной сети, записей о пациентах, ЭКГ-сигналов, получения через управляющий процессор данных из модуля ввода/вывода данных, при этом модуль обработки ЭКГ-сигнала выполнен с возможностью обработки по крайней мере одного кардиологического отведения ЭКГ-сигнала, полученного из модуля хранения данных, модуль вычисления параметров ВСР выполнен с возможностью расчета параметров вариабельности сердечного ритма, модуль вычисления параметров усредненного цикла выполнен с возможностью расчета параметров усредненного кардиоцикла, а модуль ввода/вывода данных выполнен с возможностью получения ЭКГ-сигналов и информации о пациентах и вывода данных о наличии заданной патологии.17. A system for screening the determination of pathologies depending on the cardiac activity of patients, including a diagnostic module, configured to build and train a neural network to determine the presence of a given pathology, using a trained neural network, to receive, through the control processor, a diagnostic module from the data storage module, the module processing the ECG signal, the module for calculating the HRV parameters, the module for calculating the parameters of the averaged cycle and sending data to the data storage module, made with the possibility the storage capacity of the training and test samples of the artificial neural network, the connections and weights of the trained artificial neural network, patient records, ECG signals, receiving data from the data input / output module through the control processor, while the ECG signal processing module is capable of processing at least one cardiological derivation of the ECG signal obtained from the data storage module, the HRV parameter calculation module is configured to calculate heart rate variability parameters, the subtract module lized cycle averaged parameters is adapted to calculate the average of the cardiac parameters and the data input / output module is configured to receive the ECG signals and patient information and outputting a predetermined data on the presence of pathology.
RU2016146176A 2016-11-24 2016-11-24 Method and system for noninvasive screening physiological parameters and pathology RU2657384C2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
RU2016146176A RU2657384C2 (en) 2016-11-24 2016-11-24 Method and system for noninvasive screening physiological parameters and pathology
PCT/RU2017/000868 WO2018106146A2 (en) 2016-11-24 2017-11-21 Method and system for the non-invasive screening of physiological parameters and pathologies

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2016146176A RU2657384C2 (en) 2016-11-24 2016-11-24 Method and system for noninvasive screening physiological parameters and pathology

Publications (3)

Publication Number Publication Date
RU2016146176A RU2016146176A (en) 2018-05-24
RU2016146176A3 RU2016146176A3 (en) 2018-05-24
RU2657384C2 true RU2657384C2 (en) 2018-06-13

Family

ID=62202248

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016146176A RU2657384C2 (en) 2016-11-24 2016-11-24 Method and system for noninvasive screening physiological parameters and pathology

Country Status (2)

Country Link
RU (1) RU2657384C2 (en)
WO (1) WO2018106146A2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2761741C1 (en) * 2020-11-26 2021-12-13 Открытое акционерное общество "НПО "Геофизика-НВ" Method for noninvasive determination of biophysical signals
RU2814004C1 (en) * 2023-05-18 2024-02-21 Федеральное государственное бюджетное научное учреждение "Центральный научно-исследовательский институт туберкулеза" Method of differential diagnosis of arrhythmias in adolescents with respiratory tuberculosis

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3102591B1 (en) * 2019-10-24 2022-10-07 A Tiny Wave State prediction and control of a device based on an estimated state
CN110811591A (en) * 2019-10-31 2020-02-21 太原理工大学 Heart failure grading method based on heart rate variability
CN112022144B (en) * 2020-09-09 2022-05-24 生物岛实验室 Network training method for detecting electrocardio abnormality, electrocardio abnormality early warning method and device
CN112401903B (en) * 2020-11-03 2023-12-22 沈阳东软智能医疗科技研究院有限公司 Electrocardiogram data identification method and device, storage medium and electronic equipment
CN115281676B (en) * 2022-10-08 2023-01-31 齐鲁工业大学 Fatigue detection method based on GRU neural network and ECG signal
CN115316985B (en) * 2022-10-13 2023-04-18 华南师范大学 Heart information detection method, device and equipment based on physiological signals

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060117546A (en) * 2005-05-11 2006-11-17 인하대학교 산학협력단 Apparatus and method for a cardiac diseases diagnoses based on ecg using neural network
US20140330334A1 (en) * 2013-01-15 2014-11-06 ElectroCore, LLC Mobile phone for treating a patient with seizures
US20160139045A1 (en) * 2014-09-29 2016-05-19 Zyomed Corp. Systems and methods for noninvasive blood glucose and other analyte detection and measurement using collision computing
US20160135702A1 (en) * 2013-06-21 2016-05-19 The Board Of Trustees Of The Leland Stanford Junior University Techniques for Predicting Cardiac Arrhythmias Based on Signals from Leads of Electrocardiography
US20160206236A1 (en) * 2005-12-28 2016-07-21 Cyberonics, Inc. Methods and systems for managing epilepsy and other neurological disorders

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8968195B2 (en) * 2006-05-12 2015-03-03 Bao Tran Health monitoring appliance
RU82536U1 (en) * 2008-11-19 2009-05-10 Виктор Анатольевич Монич MEDICAL AND BIOLOGICAL COMPLEX FOR REMOTE MONITORING OF PHYSIOLOGICAL PARAMETERS

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060117546A (en) * 2005-05-11 2006-11-17 인하대학교 산학협력단 Apparatus and method for a cardiac diseases diagnoses based on ecg using neural network
US20160206236A1 (en) * 2005-12-28 2016-07-21 Cyberonics, Inc. Methods and systems for managing epilepsy and other neurological disorders
US20140330334A1 (en) * 2013-01-15 2014-11-06 ElectroCore, LLC Mobile phone for treating a patient with seizures
US20160135702A1 (en) * 2013-06-21 2016-05-19 The Board Of Trustees Of The Leland Stanford Junior University Techniques for Predicting Cardiac Arrhythmias Based on Signals from Leads of Electrocardiography
US20160139045A1 (en) * 2014-09-29 2016-05-19 Zyomed Corp. Systems and methods for noninvasive blood glucose and other analyte detection and measurement using collision computing

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Jos L. Willems et al. The Diagnostic Performance of Computer Programs for the Interpretation of Electrocardiograms, Engl J Med 1991; 325:1767-1773.. *
Kornel Papik et al, Diagnostics and Medical Technology, Application of neural networks in medicine - a review, Med Sci Monit, 1998; 4(3): 538-546. *
Kornel Papik et al, Diagnostics and Medical Technology, Application of neural networks in medicine - a review, Med Sci Monit, 1998; 4(3): 538-546. Jos L. Willems et al. The Diagnostic Performance of Computer Programs for the Interpretation of Electrocardiograms, Engl J Med 1991; 325:1767-1773.. *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2761741C1 (en) * 2020-11-26 2021-12-13 Открытое акционерное общество "НПО "Геофизика-НВ" Method for noninvasive determination of biophysical signals
RU2814004C1 (en) * 2023-05-18 2024-02-21 Федеральное государственное бюджетное научное учреждение "Центральный научно-исследовательский институт туберкулеза" Method of differential diagnosis of arrhythmias in adolescents with respiratory tuberculosis

Also Published As

Publication number Publication date
WO2018106146A3 (en) 2018-08-16
WO2018106146A2 (en) 2018-06-14
RU2016146176A (en) 2018-05-24
RU2016146176A3 (en) 2018-05-24

Similar Documents

Publication Publication Date Title
RU2657384C2 (en) Method and system for noninvasive screening physiological parameters and pathology
JP7367099B2 (en) System for screening for the presence of encephalopathy in delirium patients
JP7393947B2 (en) Mechanical identification of anomalies in bioelectromagnetic fields
US20220093216A1 (en) Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions
Wu et al. Evaluating physiological dynamics via synchrosqueezing: Prediction of ventilator weaning
US10925502B2 (en) Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease
US20220093215A1 (en) Discovering genomes to use in machine learning techniques
Sowmya et al. Contemplate on ECG signals and classification of arrhythmia signals using CNN-LSTM deep learning model
US9549681B2 (en) Matrix-based patient signal analysis
Cannard et al. BrainBeats: an open-source EEGLAB plugin to jointly analyze EEG and cardiovascular (ECG/PPG) signals
JP7394133B2 (en) System and method for diagnosing cardiac ischemia and coronary artery disease
Bansal et al. Algorithm for online detection of HRV from coherent ECG and carotid pulse wave
Georgieva-Tsaneva et al. Cardio-diagnostic assisting computer system
Koteska et al. Machine learning based SpO2 prediction from PPG signal's characteristics features
Wadhwani et al. IOT based biomedical wireless sensor networks and machine learning algorithms for detection of diseased conditions
Pramanik et al. Cardiovascular Diseases: Artificial Intelligence Clinical Decision Support System
Raju et al. DNN-BP: a novel framework for cuffless blood pressure measurement from optimal PPG features using deep learning model
ROMAISSA Automated Heartbeat Classification and Cardiovascular Disease Detection Using Deep Learning
Gunduz Heart Failure Detection with Deep Networks Based on Electrocardiography and Impedance Cardiography Signals
Sun Enhancing Atrial Fibrillation Detection Using Adaptive Template Matching
JP2023544895A (en) Detection and reduction of intracardiac ECG noise
BR112018011326B1 (en) SYSTEM FOR TRACKING PATIENT DELIRIUM