WWW.KONF.X-PDF.RU
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Авторефераты, диссертации, конференции
 

Pages:   || 2 | 3 | 4 |

«МЕТОДЫ И АЛГОРИТМЫ КЛАССИФИКАЦИИ ЭЛЕКТРОКАРДИОСИГНАЛОВ НА ОСНОВЕ СИНГУЛЯРНОГО АНАЛИЗА И НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ...»

-- [ Страница 1 ] --

Юго-Западный государственный университет

На правах рукописи

Яа Зар До

МЕТОДЫ И АЛГОРИТМЫ КЛАССИФИКАЦИИ

ЭЛЕКТРОКАРДИОСИГНАЛОВ НА ОСНОВЕ СИНГУЛЯРНОГО

АНАЛИЗА И НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность 05.13.01 - Системный анализ, управление и обработка информации

(приборостроение, биотехнические системы и технологии)



Диссертация на соискание учной степени кандидата технических наук

Научный руководитель:

доктор технических наук, профессор Филист Сергей Алексеевич Курск – 2015 Оглавление Введение

1 Обзор достижений в области автоматизации обработки и классификации сложноструктурированных сигналов в медицинских приложениях

1.1 Методы обработки сложноструктурированных сигналов в автоматизированной диагностике ишемической болезни сердца

1.1.1 Системы на основе обработки цифровых сигналов

1.1.2 Системы на основе решающих правил

1.1.3 Системы на основе нечеткой логики

1.1.4 Искусственные нейросетевые решающие модули

1.2 Методы анализа и классификации электрокардиосигналов, основанные на сингулярном разложении

1.3 Цели и задачи исследования

Разработка методов и средств для сингулярного анализа 2 электрокардиосигнала

2.1 Структурно-функциональные решения для классификации сложных систем

2.2 Селекция сингулярных составляющих электрокардиосигнала на основе спектрального анализа электрокардиосигнала

2.2.1 Формирование базы данных образцов электрокардиосигналов....... 52 2.2.2 Исследование спектральных характеристик образцов электрокардиосигналов и способов их классификации

2.3 Метод формирования пространства информативных признаков на основе мультиметода, включающего сингулярное разложение и спектральный анализ электрокардиосигнала

2.4 Выводы второго раздела

3 Способы, модели и алгоритмы анализа и селекции сингулярных составляющих электрокардиосигнала

3.1 Классификация сингулярных составляющих электрокардиосигнала....... 79

3.2 Разработка метода и алгоритмов селекции медленных волн сингулярного разложения электрокардиосигнала

3.3 Формирование пространства информативных признаков на основе анализа тренда и медленных волн сингулярного разложения

3.4 Выводы третьего раздела

4 Экспериментальные исследования средств автоматической диагностики ишемической болезни сердца

4.1 Построение интеллектуальной системы диагностики ИБС на основе нейронных сетей для классификации электрокардиосигналов

4.2 Автоматизированная программная среда для выполнения диагностики ишемической болезни сердца

4.3 Сравнительный анализ показателей качества диагностики ишемической болезни сердца различными решающими модулями

4.4 Выводы четвертого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Введение

Актуальность темы исследования. Основную проблему для современного здравоохранения представляют сердечнососудистые заболевания (ССЗ). При классификации функционального состояния сердечно сосудистой системы (ССС) важное место занимают методы исследования электрокардиосигнала (ЭКС). ЭКС является сложноструктурированным сигналом, связанным с жизнедеятельностью важных систем организма.

С точки зрения теории системного анализа, регистрируемый ЭКС рассматривается как выходной сигнал сложной системы, характеризуемой различными системными ритмами. Знание особенностей этих ритмов принципиально важно для построения автоматических анализаторов ЭКС, позволяющих выделить анормальные кардиоциклы заданного класса. Однако линейные методы анализа сложноструктурируемых сигналов (в первую очередь, различные варианты методов Фурье и параметрического спектрального анализа) не дают удовлетворительных результатов, а большинство известных методов нелинейного анализа требуют достаточно длинных временных последовательностей и, в ряде случаев, не обеспечивают требуемую чувствительность применительно к задаче идентификации типа динамики сердечного ритма.

Степень разработанности темы исследования. В 1945-1946 гг.





Каруненом и Лоэвом было предложено представление случайных процессов в базисе собственных функций (разложение Карунена-Лоэва), впоследствии нашедшее применение при обнаружении сигналов в окрашенном шуме (Г. Ван Трис, 1972 г.). Начиная с 1970-х гг. для представления многомерных данных получил применение метод анализа главных компонент — проекций данных на собственные векторы, первоначально предполагавший физическую интерпретацию главных компонент. В настоящее время применяется в различных областях, в том числе в биометрии, хемометрии и измерительной технике. Наряду с анализом главных компонент в базисе собственных векторов ковариационных матриц, используется разложение тензоров (в хемометрии и анализе изображений). В 1962 г. для выявления периодичностей в одномерных временных рядах группой академика А.Н. Колмогорова был предложен метод, получивший название «Гусеница». В методе «Гусеница» используются задержки для развртки одномерного временного ряда в многомерный; после получения главных компонент производится их группировка и восстановление компонент временного ряда. Первое практическое применение этот метод нашл в авиационной эргономике (М.М. Кислицын). Аналогичный метод, получивший название анализа сингулярного спектра (Singular Spectrum Analysis), был предложен в Институте исследования атмосферы, Калифорния. Также в разработке и продвижении метода активно участвует Университет Кардифф, Англия.

В последнее время для решения сложных задач управления, информационного мониторинга, диагностики, распознавания образов и т.д.

используют технологии нейронных сетей. Сфера практического применения нейросетевых технологий постоянно расширяется. Однако нейросетевое моделирование не всегда приводят к повышению качества работы интеллектуальной системы, что объясняется сложной структурой анализируемых данных. Поэтому при формировании нейросетевых моделей необходимо учитывать структуру обрабатываемых данных. Несмотря на активные исследования в этой области остаются не решенными многие проблемы, связанные с разработкой методов и алгоритмов анализа сложноструктурированных сигналов, в частности, ЭКС.

Научно-технической задачей исследования является повышение качества и надежности принимаемых решений по классификации сложноструктурируемых сигналов.

Цель работы. Разработка методов, алгоритмов и программного обеспечения для поддержки принятия решений по классификации электрокардиосигналов, основанных на совокупном использовании сингулярного разложения, спектрального анализа и нейросетевого моделирования.

Для достижения поставленной цели решены следующие задачи:

- предложены нейросетевые модели с макрослоями и структурированным вектором информативных признаков, предназначенные для сингулярного анализа сложноструктурированных сигналов;

- разработан мультиметод формирования пространства информативных признаков для нейросетевых моделей с макрослоями и структурированным вектором информативных признаков, включающий метод сингулярного разложения, метод структурного анализа, метод анализа Фурье и метод полиномиальной аппроксимации;

разработан метод селекции «медленных волн» в зашумленных сингулярных составляющих сложноструктурированного сигнала;

- разработан метод формирования векторов информативных признаков для макрослоев нейросетевых моделей классификации электрокардиосигналов, основанный на анализе их сингулярных составляющих, отнесенных к классам «тренд» и «медленные волны»;

- разработана и апробирована программная реализация предложенных методов, моделей и алгоритмов в интеллектуальной системе поддержки принятия решений по классификации ишемических электрокардиосигналов.

Объект исследования. Сложноструктурированные квазипериодические сигналы.

Предмет исследования. Методы, модели и алгоритмы для системы интеллектуальной поддержки принятии решений в задачах распознавания анормальных состояний в электрокардиосигналах.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

трехслойная нейронная сеть с макрослоем и структурированным вектором информативных признаков, отличающаяся блочной структурой первого слоя, выполненного в виде макрослоя, число блоков которого (нейронных сетей прямого распространения) соответствует числу выделяемых групп в векторе информативных признаков, предназначенная для классификации состояния сложных систем при двухальтернативном выборе;

мультиметод анализа сложноструктурированного сигнала, объединяющий метод сингулярного разложения, метод структурного анализа, метод оконного преобразования Фурье и метод полиномиальной аппроксимации, отличающийся алгоритмами интеграции этих методов, позволяющий осуществлять разделение сингулярных составляющих сложноструктурируемого сигнала на группы по априорно определенным свойствам, число которых соответствует числу нейросетевых моделей в макрослое нейронной сети, с последующей селекцией релевантных частотных составляющих в группах и формированием векторов информативных признаков на их основе;

метод селекции «медленных волн» из группы зашумленных сингулярных составляющих сложноструктурированного сигнала, отличающийся итерационным процессом вычисления структурных функций на динамическом интервале апертуры наблюдения сложноструктурированного сигнала и процедурой модификации исходного сигнала, выполняемой после определения очередной структурной функции, заключающейся в его низкочастотной фильтрации с частотой среза, определяемой аргументом выделенной структурной функции;

метод формирования векторов информативных признаков для нейросетевых моделей диагностики ишемической болезни сердца, основанный на анализе сингулярных составляющих электрокардиосигнала, отнесенных к классам «тренд» и «медленные волны», отличающийся совместным использованием процедур спектрального анализа и полиномиальной аппроксимации.

Теоретическая и практическая значимость работы состоит в том, что изложена идея классификации электрокардиосигналов посредством использования нейронных сетей с макрослоями и мультиметода для формирования пространства информативных признаков, в основу которого положено объединение совокупности методов, а именно, сингулярного анализа, структурного анализа, спектрального анализа и полиномиальной аппроксимации.

Разработанные методы, модели и алгоритмы составили основу для интеллектуальной системы поддержки принятия решений при классификации ишемических электрокардиосигналов. Применение предложенного в диссертации методов и средств анализа сложноструктурированных сигналов позволяет использовать неинвазивные методы в программах скрининговой диагностики сердечно-сосудистых заболеваний.

Работа выполнена в рамках прикладных научных исследований по теме:

«Разработка математического и программного обеспечения автоматизированных диагностических комплексов для анализа и классификации изображений мазков периферической крови в процессе лекарственного воздействия» (Соглашение № 14.576.21.0071 о предоставлении субсидии от 06.11.2014 г.) в соответствии с федеральной целевой программой «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2020 годы» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты диссертационного исследования внедрены в учебном процессе Юго-Западного государственного университета при подготовке бакалавров по направлению «Программная инженерия» и реализованы в программных продуктах, разрабатываемых в ООО «Научно-производственный центр «Инновационные технологии»» (г. Курск).

Методология и методы исследования. Для решения поставленных задач использовались методы: теории биотехнических систем медицинского назначения, теории сингулярного анализа, теории спектрального анализа, математического моделирования, нечеткой логики, нейросетевых технологий.

При разработке модуля сингулярного разложения и нейросетевых модулей принятия решений в качестве инструментария использовался Matlab 8.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox. Для имитационного моделирования сложноструктурированных сигналов и выделения из них информативных признаков использовался пакет Mathcad 14.

Положения, выносимые на защиту. 1. Трехслойная нейронная сеть с макрослоем и структурированным вектором информативных признаков, предназначенная для классификации состояния сложных систем при двухальтернативном выборе. 2. Мультиметод анализа сложноструктурированных сигнала, объединяющий метод сингулярного разложения, метод структурного анализа, метод оконного преобразования Фурье и метод полиномиальной аппроксимации 3. Метод селекции «медленных волн» основанный на вычисления структурных функций на динамическом интервале апертуры наблюдения сложноструктурированного сигнала. 4. Комплекс алгоритмов группирования сингулярных составляющих электрокардиосигнала, построенных на основе процедуры спектрального анализа, структурного анализа и многоальтернативной полиномиальной аппроксимации.

Степень достоверности и апробация результатов работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям сингулярного анализа диагностики и нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Метод и алгоритмы исследования электрокардиосигналов построены на теории сингулярного разложения, спектрального анализа и нейросетевого моделирования и согласуются с ранее опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 9 Международных, Всероссийских и региональных конференциях и симпозиумах: «ФРЭМЭ’2014» (Владимир - Суздаль - 2014);

«Научный взгляд на современный этап развития общественных, технических, гуманитарных и естественных наук. Актуальные проблемы» (Санкт-ПетербургScience and Education – 2014 (Белгород-2014); «Лазерно-информационные технологии в медицине, биологии и геоэкологии – 2012» (Новороссийск – 2012);

«Современные биоинженерные и ядерно-физические технологии в медицине»

(Саратов - 2014); «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза - 2014); «Методы компьютерной диагностики в биологии и медицине - 2014» (Саратов – 2014), «Теоретические и прикладные аспекты современной науки» (Белгород – 2015), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2013, 2014, 2015).

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы, включающего 154 источника. Объем основного текста диссертационной работы – 155 страниц машинописного текста, 80 рисунков и 14 таблиц.

1 Обзор достижений в области автоматизации обработки и классификации сложноструктурированных сигналов в медицинских приложениях

1.1 Методы обработки сложноструктурированных сигналов в автоматизированной диагностике ишемической болезни сердца Согласно данным Всемирной организации здравоохранения в настоящее время ишемическая болезнь сердца (ИБС) в экономически развитых странах мира является основной причиной смерти [16, 29]. В России от сердечно-сосудистых заболеваний ежегодно умирает более 600 000 человек, причем 87% из них - от ишемической болезни сердца и артериальной гипертонии с их осложнениями, включая инфаркты и инсульты [119]. Проблема ИБС занимает одно из ведущих мест среди важнейших медицинских проблем 21 века, что характеризует ИБС как одно из самых распространенных заболеваний и поэтому ее ранняя диагностика и лечение очень важны. ИБС развивается из-за недостаточного кровоснабжения коронарных артерий сердца вследствие сужения их просвета.

Снятие и интерпретация ЭКГ широко используется при диагностике ИБС.

Но большинство коммерческих систем не поддерживают автоматизированную диагностику по результатам анализа ЭКГ. В то же время исследование ЭКС является простым и неинвазивным методом, который нуждается в дальнейшем развитии прежде.

В работах [93, 94, 111-114, 126, 127, 144, 145] предложены методы, которые автоматизируют распознавание ИБС. Они основаны на использовании параметрического моделирования, вейвлет-преобразования, множества решающих правил, искусственных нейронных сетей, анализа многокритериальных решений и генетических алгоритмов. Развитие таких систем для диагностики ИБС является весьма перспективным направлением исследований.

Многие современные системы используют варианты структурных алгоритмов. В них производят сегментацию формы кардиоцикла, описание всех полученных элементов и лингвистический анализ структуры описания. Однако при исследовании реальных сигналов этим системам присущи недостатки, связанные со сложностью морфологического описания сегментов кардиоцикла электрокардиосигнала.

1.1.1 Системы на основе обработки цифровых сигналов

Использование цифровых сигналов позволяет выделить полезные признаки, используемые для выполнения диагностики ИБС.

В работе [70] предложена диагностика ИБС ведется на основе анализа сегмента-ST в частотной области. Показано, что ишемические кардиоциклы содержат более низкие частоты, чем нормальные.

В исследованиях И. Питаса [118] для обнаружения ишемических кардиоциклов в ЭКС использовали метод, основанный на применении математической модели с двумя параметрами. Анализ предложенной модели был произведен с использованием нерепрезентативного набора данных: восемь ишемических и восемь нормальных кардиоциклов. При этом результат чувствительности составил 87.5 %.

Признаки, полученные посредством вейвлет преобразования, были применены для классификации кардиоциклов как нормальных, так и ишемических, вследствие отклонения сегмента-ST, или преждевременного желудочкового сокращения [126].

В исследованиях [93, 94] рассматривается метод, основанный на анализе главных компонент. Предложенный метод включает в себя математическую процедуру, которая преобразовывает число (возможно) коррелированных переменных в (меньшее) число некоррелированых переменных, названных главными компонентами. Первые пять основных компонентов для комплексаQRS и первые пять из сегмента-ST были вычислены. Также были установлены пороговые значения, которые используются для обнаружения ишемического эпизода. Предложенная система была оценена с использованием базы данных ESC ST-T, и получена чувствительность и прогностическая значимость положительных результатов 85.2% и 86.2%, соответственно. С использованием подобного подхода в [95] исследовали целый интервал ST-T значений.

1.1.2 Системы на основе решающих правил

Системы, основанные на решающих правилах используют наборы правил, полученные из медицинских знаний с целью выявления признаков ЭКС и обнаружения ишемического эпизода в ЭКС.

Для классификации ишемических эпизодов в [127] предложена оценка среднего числа абсолютного отклонения сегмента-ST (максимальная депрессия сегмента-ST от изоэлектрической линии), среднего числа отклонения-ST (депрессия сегмента-ST в точке J80, которая является точкой, находящейся на расстоянии 80 мс после точки J), и среднего числа наклона-ST (наклон между точками J и J80) в каждых 30 секундных отрезках в ЭКС. Авторы [127] использовали известный набор правил (1 мм для абсолютного отклонения, 1 мм для отклонения, и ноль для наклона), классифицирующие каждый ишемический эпизод как точный или вероятный, в зависимости от вызванного набора правил. В результате исследований были установлены границы точных и вероятных ишемических эпизодов. Система была испытана с использованием 18 амбулаторных ЭКС, измеренных в течении 24-часов, при этом результаты чувствительности и прогностическую значимость 90% и 96%, соответственно.

Загрузка...

Отмечено, что система использует правила, которые относятся только к депрессии сегмента-ST.

Для идентификации ишемических эпизодов, основанных на решающих правилах, в [141] предложена система, реализующая геометрический алгоритм вычисления двухмерного контура для сегмента-ST. Система была протестирована с использованием базы данных ESC и полученные результаты ST-T, чувствительности и прогностической значимости составляли 82% и 81%, соответственно. Следует отметить, что предложенная система анализирует информацию только из сегмента-ST в предположении, что ишемический эпизод содержит только ишемические кардиоциклы.

Другой подход к решению задачи классификации ишемических эпизодов, заключающийся в развитии четырехэтапной системы, основанной на ЭКГ с двумя отведениями, рассмотрен в [111-114]. В процессе обработки ЭКС определялась точка J и изоэлектрическая линия волны-T [113]. Затем каждый кардиоцикл классифицировался как нормальный, ишемический, или артефакт. После этого в каждых 30 секундных окнах в ЭКС окна были классифицированы как ишемические или нет. На следующем этапе идентифицировались начальные и конечные точки каждого ишемического эпизода. Предложенная система апробирована на основе базы данных ESC ST-T с результатами чувствительности и прогностической значимости 94% и 79%, соответственно. Следует заметить, что система хорошо характеризует тип ишемического эпизода в ЭКГ со значительной величиной шума [116].

1.1.3 Системы на основе нечеткой логики

В данном разделе рассматриваются системы на основе нечеткой логики.

Использование системы нечеткого вывода (СНВ) в задачах классификации обусловлено их гибкостью и эффективностью.

Системы нечеткого вывода (СНВ) также известны как системы базы нечетких решающих правил, нечеткая модель, нечеткая экспертная система, и нечеткая ассоциативная память. СНВ является важным звеном системы нечеткой логики, и процесс принятия решения играет значимую роль в целой системе.

Принимаемые решения основаны на понятиях теории нечеткого множества, нечетких правил ЕСЛИ-ТО и нечеткого рассуждения. Основная СНВ может иметь нечеткие или четкие входы, но выходы такой системы почти всегда являются элементами нечетких множеств. В том случае, когда СНВ используется в качестве регулятора, то необходимо иметь четкое значение выходного параметра. С этой целью принимается метод дефуззификации, позволяющий получать четкое значение выходного параметра, представляющего нечеткое множество.

В основе построения системы СНВ чаще всего используется алгоритм Мамдани, на основании которого определяются нечеткие функции принадлежности для выходных переменных и реализующий следующие этапы:

1) создание базы знаний;

2) фуззификация;

3) принятие решений;

4) дефуззификация.

Алгоритм, реализующий построение СНВ представлен на рисунке 1.1.

База знаний СНВ включает базу данных и базу правил. База данных входят лингвистические переменные, которые подаются на вход системы или присутствуют на ее выходе. Для определения лингвистической переменной необходимо задать ее функцию принадлежности (блок 1 на рисунке 1.1).

–  –  –

Рисунок 0.1 - Алгоритм построения системы нечеткого вывода В процессе построения базы данных входные и выходные переменные описываются термами.

Лингвистические термы используются в условиях и заключениях решающих правил СНВ. Лингвистическая переменная заносится в базу данных в виде функции принадлежности.

База правил состоит из множества нечетких решающих правил (блок 2 на рисунке 1.1), которые, в свою очередь, состоят из лингвистических предложений, посредством которых определяются состояния выходов в зависимости от состояния входов.

В качестве примера решающего правила СНВ могут применяться, например, выражения вида:

ЕСЛИ А, ТО B, (w), (1.1)

где A – условие или антецедент, B – заключение или консеквент, w – коэффициент определенности или уверенность нечеткой продукции, определенный в интервале [0, 1].

В блоке 3 схемы алгоритма рисунка 1.1 осуществляется фуззификация входной (четкой) переменной. Задачей фуззификации является преобразование числовых значений входных переменных в нечеткие значения из интервала [0, 1].

Эта процедура осуществляется посредством сравнения входной переменной с соответствующим значением функции принадлежности, выбранной из базы данных (процедура осуществляется в блоке 3 на рисунке 1.1).

Процедура принятия решения осуществляется в блоке 4 (рисунок 1.1). В начале этого шага фузифицированные входные данные подставляются в нечеткие решающие правила. Реализация каждого нечеткого правила определяет его степень истинности. В нечетких решающих правилах используются связи нечетких ИЛИ и И. После определения степени истинности нечетких решающих правил осуществляется умножение степеней истинности условий на соответствующие значения коэффициентов определенности (w).

Вывод заключения каждого из решающих правил выполняется в соответствии с одним из методов агрегирования условий в левой части (1.1). Для этой цели применяется один из методов: метод минимального значения и метод алгебраического произведения.

Объединение степени истинности выводов заключения решающих правил осуществляется на основании метода максимального значения, метода алгебраического суммирования (правила Е. Шортлифа), граничного объединения нечетких множеств, драстического объединения и операции лямда-суммирования нечетких множеств [27].

Дефуззификация в СНВ представляется собой процедуру нахождения обычного (не нечеткого) значения для каждой из выходных лингвистических переменных (блок 5 на рисунке 1.1). Цель дефуззификации заключается в том, чтобы, используя результаты объединения степени истинности выводов заключений для всех выходных лингвистических переменных, получить обычное количественное значение из выходных переменных, которое может быть использовано в объектах, внешних по отношению к СНВ. Для этой цели используется один из следующих методов [27]:

1) дефуззификация относительно центра области;

2) дефуззификация относительно среднего центра;

3) дефуззификация относительно среднего максимума;

4) дефуззификаци посредством выбора минимального из максимальных значений;

5) дефуззификаци посредством выбора максимального из максимальных значений.

В исследованиях [144] рассмотрена система подобного типа, использующая правила, рекомендуемые Европейским Обществом Кардиологии (ЕОК или ESC).

Данная система использует СНВ для выявления ишемических кардиоциклов. В ней используется база данных электрокардиосигналов ESC ST-T. Авторы приводят данные о достигнутых чувствительности и прогностической значимости положительных результатов, которые составили 81 % и 68 %, соответственно.

1.1.4 Искусственные нейросетевые решающие модули

Искусственные нейросетевые решающие модули (ИНС), благодаря своим уникальным архитектурным особенностям и алгоритмам обучения, могут устранить проблемы, связанные с особенностями биомедицинских данных: малые объемы обучающих выборок, большая размерность признакового пространства и наличие шума [145].

ИНС представляет собой совокупность искусственных нейронов, связанных между собой синаптическими соединениями. Большинство моделей ИНС требуют обучения. Процесс обучения требует формирования обучающей выборки. Это позволяет утверждать, что ИНС присущи свойства мозга [3].

ИНС без обратных связей является сетью с прямой передачей сигнала (НСППС). Входной сигнал распространяется по сети в прямом направлении, от слоя к слою. Обучение с учителем выполняется с помощью алгоритма обратного распространения ошибки [6].

Каждый нейрон НСППС аналогичен персептрону Розенблатта [47]. Модель нейрона скрытого слоя НСППС представлена на рисунке 1.2.

–  –  –

Рисунок 0.2 - Нелинейная модель нейрона скрытого слоя НСППС

На рисунке 1.3 представлена структура нейронной НСППС с тремя слоями:

входной, один скрытый и выходной.

–  –  –

Рисунок 0.3 - Структура нейронной сети с прямой передачей сигнала Нейронные сети с радиальной базисной структурой относятся к той категории сетей, обучаемых с учителем, что и многослойный персептрон [47].

Метод радиальных базисных функций представляет собой один из подходов к построению нейронных сетей [145]. Базовая архитектура радиально базисных нейронных сетей (РБНС) описана в [47].

В математическом представлении функционирование радиального базисного нейрона i можно описать следующими уравнениями:

–  –  –

входов плюс пороговое значение нейрона i; i (vi ) – функция активанции; y i – выход нейрона.

В качестве меры сходства входных данных в РБНС используется Евклидово расстояние между парой j-мерных векторов xi и ci :

–  –  –

Рисунок 0.4 - Нелинейная модель радиального базисного нейрона Функционирование радиального базисного нейрона i можно описать следующими уравнениями:

–  –  –

(1.8) где d (ci, xi ) – Евклидово расстояние между парой j-мерных векторов xi и ci.

Радиальная базисная функция активации рбi (vi ) имеет максимальное значение 1, когда ее вход 0 [91, 125]. Структура сети на основе РБНС представлена на рисунке 1.5 [134].

–  –  –

Рисунок 0.5 - Структура сети на основе радиальных базисных функций Архитектура радиальной базисной вероятностной нейронной сети (РБВНС) строится аналогично архитектуре радиальной базисной сети, но в качестве выходного слоя использует конкурирующий слой, позволяющий подсчитать вероятность принадлежности входного вектора к тому или иному классу [27].

Структура сети РБВНС представлена на рисунке 1.6.

–  –  –

где yim – выходные векторы; Ani – матрица выхода скрытого слоя; Wmn – весовая матрица конкурирующего слоя; к – конкурирующая функция активации; i – количество наборов входного вектора, n – количество нейронов скрытого слоя, m

– количество классов.

–  –  –

i – количество наборов входного вектора; j – количество признаков; n – количество нейронов скрытого слоя (n = i); m – количество классов Рисунок 0.6 - Структура радиальной базисной вероятностной сети Для обнаружения ИБС с использованием только единичного отведения в [135] использовали архитектуру многослойных персептронов (МП). Эта система обучалась классифицировать кардиоциклы ЭКС на классы нормальный, ишемический с поднятием сегмента-ST, ишемический с депрессией сегмента-ST и неподдающийся классификации. [99-100, 131].

Для обнаружения ИБС в [128, 129] рассмотрена возможность применения многослойной ИНС, обучающейся по двухканальным записям ЭКГ с использованием информации только из сегмента-ST (отклонение сегмента-ST и наклон сегмента-ST). При использовании ИНС для классификации кардиоциклов на основе анализа интервала сегмента-ST-T (последовательность пяти кардиоциклов) получены. чувствительность и прогностическая значимость положительных результатов 82.8 % и 82.4%, соответственно. [109].

В системе, предложенной в [112], исследована возможность применения многослойной нейронной сети в качестве альтернативы системы на основе правил продукционного типа при классификации кардиоциклов. В ней были апробированы различные алгоритмы обучения многослойных нейронных сетей, создана база данных кадиоциклов обучающих выборок, произведена оценка чувствительности и прогностической значимости положительных результатов, которая составила 90 % и 89 %, соответственно.

1.2 Методы анализа и классификации электрокардиосигналов, основанные на сингулярном разложении При проведении кардиологических обследований процесс кардиодиагностики зачастую сопряжен ошибками [20]. Установлено [93], что примерно 38% электрофизиологов принимают артефакт кардиосигнала за желудочковую тахикардию, а до 55% врачебных заключений содержат ошибки.

По данным исследований [68] до 43% ложных тревог от прикроватных мониторов ЭКГ вызваны неверной интерпретацией артефактов сигнала встроенным программным обеспечением. По данным [94] ошибки электрокардиодиагностики недопустимо часто приводят к тому, что пациенту назначается неправильное лечение, вплоть до назначения операции по имплантации электрокардиостимулятора. Из сказанного следует, что задача уменьшения вероятности ошибки электрокардиодиагностики весьма актуальна.

Изучение каталогов поставщиков и производителей медицинской техники, проведенное в [18], позволило проанализировать модельные ряды приборов от 101 компании-производителя электрокардиографической техники, в том числе 17 отечественных производителей (ООО «Альтоника», ЗАО «ИжМедикал», ООО «Нейрософт» и другие). В процессе анализа было установлено, что ведущие иностранные производители на данный момент предлагают для своих приборов дополнительное специализированное программное обеспечение, позволяющее оценивать диагностическую значимость регистрируемого ЭКГ сигнала, например, технология Marquette Hookup Advisor от General Electric. Однако большинство производителей предлагает такую возможность только в наиболее дорогостоящих моделях своих модельных рядов. Например, кардиограф Philips Page Writer Trim II, позволяет оценивать диагностическую значимость сигнала на каждом отведении в режиме реального времени. Но ввиду дороговизны, данные приборы не доступны для широкого и повсеместного использования. При этом следует отметить, что отечественные приборы практически не обладают должными возможностями. Так, например, электрокардиоанализатор «Анкар-131» фирмы «Медиком-МТД» позволяет следить за качеством установки электродов и индицировать обрыв отведения. Однако он не обеспечивает возможности оценки диагностической значимости и наличия артефактов в сигнале. На данный момент не выявлено публикаций в отечественной литературе, посвященных разработке метрик диагностической значимости электрокардиографического сигнала. В то же время со стороны зарубежного научного сообщества наблюдается повышенный интерес к обозначенной проблеме. Об этом свидетельствует увеличение количества публикаций по данной тематике и проведенный в 2011 г. на базе международного ресурса PhysioNet.com конкурс, направленный на разработку методов повышения качества электрокардиографических исследований, в частности телемедицинских систем на базе мобильных телефонов (смартфонов) [92]. Поэтому чрезвычайно актуальным является совершенствование известных или разработка новых алгоритмов оценки диагностической значимости электрокардиографического сигнала, с целью снижения стоимости и расширения возможностей распознавания большего количества артефактов.

Сказанное обуславливает актуальность применения в кардиоскопии новых принципов обработки сигналов, в том числе и основанных на использовании сингулярного разложения временных рядов (Анализатора собственных векторов и компонент сигнала - айгеноскопа [1]).

Сингулярный анализ сложноструктурированных сигналов широко применяется в биологии и медицине [86]. Основная цель обработки сигнала заключается в определении класса принадлежности сигнала или степеней принадлежности сигнала к некоторой совокупности (множеству) классов. В общем случае сигнал характеризуется бесконечным множеством отсчетов. При обработке сигнала в «окне» от бесконечного количества отсчетов можно перейти к конечному числу отсчетов, но оно остается недопустимо большим ввиду того, что для надежной классификации сигнала необходимо рассматривать его на достаточно большой апертуре наблюдения. Сократить число отсчетов, необходимых для описания сигнала, позволяют ортогональные разложения, в частности, преобразование Фурье, которое позволяет перейти от исследования пространства сигналов к исследованию пространства частот (спектра сигнала).

Однако эффективность спектрального анализа зависит от свойств конкретного сигнала и часто не приносит ожидаемого эффекта, в виду нестационарности исследуемого сигнала. В этой ситуации целесообразно использовать сингулярное разложение, которое позволяет, как отстроиться от шумов и помех, присутствующих в сигнале, так и сократить пространство информативных признаков.

Процесс обработки сложноструктурированного сигнала, представленного в виде ряда вещественных чисел FN ( f0,, f N 1 ), N 2, в общем случае, включает четыре этапа:

1) вложение;

2) сингулярное разложение;

3) группировка;

4) диагональное усреднение.

Первые два этапа в совокупности называются разложением, последние – восстановлением. Основным параметром алгоритма служит длина окна L, 1 L N. Результатом реализации алгоритма, является разбиение временного ряда на аддитивные составляющие.

Известно, что биомедицинские сигналы часто искажаются шумом разнообразной природы. Например, для ЭКС это могут быть сетевые помехи, помехи движения электродов, деятельность мышц, дрейф изолинии, вызванный дыханием, шумом радиочастоты и т.п. В связи с этим, устранение дрейфа изолинии - первый шаг.

На первом этапе алгоритма анализа сингулярного спектра (SSA) реализуется процедура вложения - преобразование исходного одномерного ряда в последовательность L -мерных векторов, число которых равно K N L 1 :

–  –  –

тройкой сингулярного разложения.

На основе (1.10) процедура группировки делит все множество индексов 1,, d на m непересекающихся подмножеств I1,, I m.

Пусть I 1,, i p. Тогда результирующая матрица X I, соответствующая i

–  –  –

Посредством (1.14) осуществляется усреднение элементов матрицы вдоль «диагоналей» i j k 2 : выбор k 0 дает g 0 y11. Для k 1 получаем g1 ( y12 y 21 ) 2 и т.д. Если матрица Y является траекторной матрицей некоторого ряда (h0,...,hN 1 ), то gi hi для всех i [81].

Для сингулярного анализа и классификации электрокардиосигналов используется Кардиоайгеноскоп [18]. Положенный в основу работы Кардиоайгеноскопа принцип, совпадает с принципом работы айгеноскопа. Если в айгеноскопе для формирования матрицы смешанных моментов (в том числе и ковариационной матрицы) использовалась т.н. траекторная матрица, то в предлагаемом устройстве матрица смешанных моментов (в частном случае ковариационная матрица) вычисляется на основе матрицы ансамбля кардиоосцилляций, которая формируется из сегмента кардиосигнала, соответствующего нескольким десяткам сердечных сокращений. Каждый элемент ансамбля (строка матрицы) представляет собой отрезок сигнала определенной длины, который содержит в себе сигнал от единственного сердечного сокращения. Это приводит к значительному уменьшению количества энергетически значимых некоррелированных составляющих кардиосигнала, что существенно упрощает их анализ и использование в диагностике.

В айгеноскопе в блоке вычисления матрицы смешанных моментов используется траекторная матрица, формируемая на произвольном интервале анализа никак не связанном с периодом кардиоосциляций, а в Кардиоайгеноскопе осуществляется формирование ансамбля кардиоосциляций, в котором R-пик имеет фиксированное положение.

Кардиоайгеноскоп обрабатывает последовательные сегменты дискретизированного и оцифрованного кардиосигнала, имеющие длительность N дискретов, в которую укладывается несколько десятков кардиоосцилляций.

Сигнал на каждом из таких сегментов задается последовательностью дискретных отсчетов Si, i 1, N.

Пример кардиосигнала, в котором наблюдается доминирование пиков, приведен на рисунке 1.7, а.

–  –  –

Такой сигнал наблюдается далеко не всегда. На рисунке 1.7,б приведен кардиосигнал, соответствующий фибрилляции (пациент находится в коме). Как видно из рисунка, пики в этом случае не доминируют.

Каждая из последовательностей длины N центрируется и приводится (если это необходимо) к «нормальному» виду (с положительными пиками, если последние доминируют). Если пики доминируют, то определяется их положение и средний период их следования Tср, N, а затем формируется ансамбль кардиоосцилляций. Если доминирования пиков нет, то сразу определяется средний период, а затем формируется ансамбль. Каждый элемент ансамбля представляет собой матрицу-строку, описывающую отдельный сегмент кардиосигнала на интервале, равном (как правило) среднему периоду. В случае доминирования пиков, в центре строки расположен пик кардиоосцилляции, а общая длина матрицы-строки равна дискретному значению среднего периода Tср, N. Пример такого ансамбля приведен на рисунке 1.8, а — для случая домнирования пиков, а на рисунке 1.8, б — для случая отсутствия доминирования.

–  –  –

кардиоосцилляций размера Tср, N, которые укладываются в интервал анализа N.

На основании матрицы TK Tср, N определяется ковариационная матрица кардиоосцилляций, задаваемая соотношением

–  –  –

где TK Tcp, N - транспонированная матрица TK Tср, N.

Для ковариационной матрицы (1.15) определяют собственные векторы и собственные значения, удовлетворяющие соотношению

–  –  –

Размерность ковариационной матрицы для случая дискретизации кардиосигнала с периодом 10-3 секунды обычно составляет не более 700. Время вычисления ковариационной матрицы на основании соотношения (1.15) для K50 и вычисления собственных векторов и собственных значений матриц при Tср, N 700 с использованием стандартных вычислительных средств составляет 1...5 секунд, что позволяет оценивать собственные векторы и собственные значения ковариационной матрицы.

Средняя энергия сигнала, наблюдаемого на интервале Tср, N, определяется соотношением

–  –  –

которую называют нормированным спектром собственных значений, определяет относительную долю в средней энергии (1.17), принадлежащую соответствующему собственному вектору. Далее, как и в [1], нормированный спектр собственных значений упорядочивается по убыванию. Поскольку каждое нормированное собственное значение выражает информацию о доле энергии, которую «объясняет» соответствующий ему собственный вектор, то величину нормированного собственного значения, соответствующего собственному вектору, называют выразительностью собственного вектора. Выразительность определяется в %. Суммарное значение выразительностей всех собственных векторов равно 100%. Чем выше значение выразительности собственного вектора, тем больше информации он несет.

Можно показать, что нормированный спектр собственных значений для ковариационной матрицы (1.15), построенной с использованием TK Tср, N, имеет количество ненулевых собственных значений равное K. На экранной форме, представленной на рисунке 1.9, а (верхнее правое окно) приведен типичный нормированный спектр (1.18), построенный для случая K=35 и Tср, N =680. Как видно из графика, представленного в окне, только 35 первых нормированных собственных значений имеют уровень выше 10-5.

Но даже такое число собственных значений является избыточным для анализа. В верхнем левом окне формы, представленной на рисунке 1.9, а, приведены первые 10 нормированных собственных значений, из которых только 4 имеют выразительность, превышающую 1%, и только 7 имеют выразительность, а) б) верхнее левое окно — первые 10 нормированных собственных значений в % (выразительности), верхнее правое окно - все нормированные собственные значения, превышающие 10-5, нижнее левое окно — накопленная сумма первых 10 нормированных собственных значений в % (кумулятивная выразительность), нижнее правое окно - накопленная сумма всех нормированных собственных значений в %, (кумулятивная выразительность), которые превышают 10-5 Рисунок 1.9 - Экранная форма для визуализации нормированного спектра собственных значений (выразительность собственных векторов в %) для режимов доминирования пиков —а и отсутствия доминирования —б которая превышает 0,1%. Поэтому для диагностики достаточно визуализировать первые 10 нормированных собственных значений. В нижних окнах экранной формы, представленной на рисунке 1.9, а, показаны графики кумулятивной выразительности. Каждая точка этого графика представляет сумму заданного на оси абсцисс числа первых собственных значений. Так из левого нижнего графика видно, что 4 первых нормированных собственных значения обеспечивают кумулятивную выразительность (объясненную среднюю энергию) на уровне 99%.

Такая величина типична для здорового сердца.

В случае фибрилляции ситуация меняется: выразительность первого собственного вектора значительно уменьшается, причем выразительности первого и второго собственных векторов становятся соизмеримыми. Это иллюстрирует экранная форма, представленная на рисунке 1.9, б.

В случае отсутствия доминирования, для анализа выразительности уже может оказаться недостаточно первых 10 собственных значений. Поэтому в таком случае рекомендуется использовать все нормированные собственные значения, величина которых превышает 10-5.

На экранной форме, представленной на рисунке 1.10, изображен типичный вид первых четырех собственных векторов для случая отсутствия и доминирования пиков.

Выразительность собственных векторов может меняться во времени. На экранной форме, представленной на рисунке 1.11 в верхнем правом окне показано как менялась выразительность первых четырех собственных векторов на протяжении 11 интервалов анализа; в левом верхнем окне приведен исходный кардиосигнал на последнем интервале анализа, а в нижних окнах нормированный спектр первых 10 собственных значений для последнего интервала анализа (слева) и кумулятивный нормированный спектр для того же интервала анализа (справа).

–  –  –

б) Рисунок 1.10 - Экранная форма для визуализации первых четырех собственных векторов для режима доминирования —а и режима отсутствия доминирования —б (в окнах над графиками указан номер собственного вектора и его выразительность в %) в верхнем левом окне - кардиосигнал для текущего интервала анализа, в верхнем правом окне — последовательность значений выразительности первых четырех собственных векторов (в %) для последовательности интервалов анализа, в нижнем левом окне - первые 10 собственных значений в % (выразительность) для текущего интервала анализа, в нижнем правом окне - накопленная сумма первых 10 собственных значений в % (кумулятивная выразительность) для текущего интервала анализа Рисунок 1.11 Экранная форма для анализа временного ряда выразительностей Анализ нормированных спектров собственных значений показывает, что имеет смысл исследовать только первые собственные векторы, которые обладают наибольшей выразительностью.

На экранной форме, представленной на рисунке 1.10 б), приведены первые четыре собственных вектора для конкретного интервала анализа — для случая доминирования пиков. Как видно из рисунков, действительно, максимальной выразительностью (более 88%) обладает первый собственный вектор. Остальные три вектора имеет смысл анализировать в специальных случаях. Так, например, при ослаблении уровня кардиосигнала ниже уровня гармонической помехи, первый (а возможно и второй) собственный вектор будет представлять форму помехи, а следующие — выражать кардиосигнал.

Собственные векторы с номерами 2-4 менее выразительны, чем первый и, как правило, несут информацию о действующих на кардиосигнал помехах и его флуктуациях. Для выявления зон нестабильности кардиоосцилляции может быть использован следующий подход.



Pages:   || 2 | 3 | 4 |
 
Похожие работы:

«ИВАНЧУКОВ АНТОН ГЕННАДЬЕВИЧ Совершенствование системы холтеровского мониторирования электрокардиосигнала для выявления опасных аритмий сердца Специальности: 05.11.17 – Приборы, системы и изделия медицинского назначения 05.11.16 – Информационно-измерительные и управляющие системы (приборостроение) Диссертация на соискание ученой...»

«Майоров Артем Владиславович ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНАЯ СИСТЕМА ИЗМЕРЕНИЯ НАГРУЗОК, ДЕЙСТВУЮЩИХ НА ОПОРЫ ЭЛЕКТРОДОМКРАТОВ СТАРТОВОГО КОМПЛЕКСА Специальность 05.11.16 – Информационно-измерительные и управляющие системы (приборостроение) Диссертация на соискание ученой степени кандидата технических наук Научный руководитель – доктор технических наук, профессор Светлов Анатолий Вильевич ПЕНЗА 2015 Содержание Стр. Введение Глава...»

«Мателенок Игорь Владимирович МОНИТОРИНГ МЕРЗЛЫХ ГРУНТОВ АРКТИКИ СПУТНИКОВЫМ СВЧ РАДИОМЕТРИЧЕСКИМ МЕТОДОМ Специальность 05.11.13 – Приборы и методы контроля природной среды, веществ, материалов и изделий ДИССЕРТАЦИЯ на соискание ученой степени кандидата технических наук Научный руководитель –...»

«Бардин Виталий Анатольевич СИСТЕМЫ УПРАВЛЕНИЯ ВЫСОКОТОЧНЫМИ УСТРОЙСТВАМИ ПОЗИЦИОНИРОВАНИЯ НА ОСНОВЕ ПЬЕЗОЭЛЕКТРИЧЕСКИХ АКТЮАТОРОВ Специальность 05.11.16 – Информационно-измерительные и управляющие системы (приборостроение) Диссертация на соискание ученой степени кандидата технических наук Научный руководитель: д.т.н., профессор...»









 
2016 www.konf.x-pdf.ru - «Бесплатная электронная библиотека - Авторефераты, диссертации, конференции»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.