#

Анализ электрокардиосигналов с использованием нейронных сетей

Современная медицина немыслима без применения компьютерных технологий. В большинстве случаев ЭВМ применяют в медицинских учреждениях для набора и редактирования текстов, работы с базами данных, выполнения статистических расчётов и других стандартных процедур. Однако, некоторые важнейшие лечебно-диагностические процедуры всё ещё не автоматизированы.

Автоматизация диагностических процедур позволит создать медицинские приборы, используемые людьми без медицинского образования даже в домашних условиях. Прежде всего, это касается анализа электрокардиосигнала (ЭКГ), так как процесс его регистрации и расшифровки является довольно сложной задачей, требующей знаний и опыта. Аппараты для ЭКГ-регистрации довольно сложны и дороги для применения в бытовых условиях, но рост сердечно-сосудистых заболеваний вынуждает разрабатывать технические решения, приближающие их использование к конечному пользователю.

Первые попытки автоматизации ЭКГ–анализа в данных системах были предприняты в 70-х годах. Наиболее важные преимущества автоматической обработки данных состоят в следующем:

1) обработка данных осуществляется по одинаковой схеме;

2) результаты представляются в стандартном виде;

3) можно использовать стандартную терминологию.

Обычно ЭКГ–анализ выполняется в четыре этапа:

1- ввод ЭКГ;

2- фильтрация ЭКГ;

3- распознавание характерных элементов ЭКГ и измерение соответствующих параметров;

4- интерпретация и классификация ЭКГ.

На ЭКГ сердечный цикл обычно представляется в виде трех комплексов. Р–комплекс соответствует деполяризации предсердий, QRS– деполяризации желудочков, Т– их реполяризации.

Каждый комплекс состоит из нескольких разнонаправленных пиков (зубцов). Наиболее трудоемкой задачей является распознавание характерных элементов ЭКГ и измерение параметров. Характерные элементы ЭКГ, которые необходимо распознать – это комплексы, сегменты (расстояние между зубцами) и интервалы. К параметрам ЭКГ, подлежащим измерению, относятся высота зубцов и длительность комплексов, а также величина сегментов и интервалов. Таким образом, необходимо выполнять два типа измерений: временные и амплитудные. [1]

Наиболее типичный метод распознавания элементов ЭКГ состоит из трех этапов.

1. Распознавание пиков, т.е. выявление истинных пиков ЭКГ (не артефактов).

2. Разграничение пиков, т.е. нахождение границ между истинными пиками.

3. Распознавание характерных элементов ЭКГ.

Результаты выявления элементов ЭКГ и измерения их параметров используются для интерпретации с целью постановки правильного диагноза. В настоящее время известны две основные категории алгоритмов, применяемых в различных системах автоматической диагностики.

К первой категории относятся алгоритмы, моделирующие логику врача-диагноста. Естественно, в них используются признаки заболеваний, диагностическая значимость которых установлена всем предшествующим опытом медицины. Применительно к задачам электрокардиографии это связано, в частности, с обязательным использованием параметром медицинского описания электрокардиограммы.

Алгоритмы второй категории, как правило, основаны на методах многомерного статистического анализа и теории вероятностей. При этом отказываются не только от медицинской логики, но и от принятых в медицине обозначений элементов электрокардиограммы и способов измерения.

Обе названные категории алгоритмов имеют свои достоинства и недостатки. Безусловное достоинство медицинских алгоритмов — в возможности их быстрой реализации. Это определяется тем, что они концентрируют опыт диагностики, накопленный в медицине, и не требуют предварительных обучающих выборок. Предел диагностических возможностей таких алгоритмов ограничивается современным уровнем развития медицины, а качество конкретных алгоритмов — компетентностью лиц, их составляющих.

Главным недостатком медицинских алгоритмов является то, что они ограничиваются лишь формализацией диагностической логики врача. Достоинством немедицинских диагностических алгоритмов является то, что они могут использовать любые параметры описания электрокардиограммы. Благодаря этому им оказываются доступны резервы информации, которые в клинической практике остаются неиспользованными. Недостатком этих алгоритмов является неудобность их обучения. Это представляет существенные трудности, так как связано с подбором хорошо исследованных больных с заболеваниями, различать которые должен научиться автомат. Тем не менее, алгоритмы второй категории считаются более перспективными, так доступная им новая информация даст возможность сделать диагностику более эффективной. [1]

В последнее время ведутся активные работы, как в России, так и за рубежом, по разработке более точных и быстрых алгоритмом классификации электрокардиограмм. Большая часть работ направлена на использование нейронных сетей. В них с помощью обучения нейронной сети соответствующими выборками (иногда с предварительной обработкой), добиваются устойчивого распознавания типов ЭКГ и выявления нарушений. Иногда делаются попытки построения алгоритмов, реализующих искусственный интеллект, для задач распознавания ЭКГ аритмий. Таким образом, можно отметить, что проблема разработки алгоритмов распознавания элементов классификации электрокардиограмм по–прежнему актуальна.

В данной работе рассматривается проблема автоматического распознавания патологий ЭКГ по одноканальной записи PQRST-комплекса. Одноканальная запись ЭКГ выбрана для того, чтобы свести до минимума сложность аппаратной части и процедуры регистрации. Тем самым можно снизить стоимость комплексов регистрации ЭКГ и облегчить их использование. Стандартная процедура анализа ЭКГ требует использования двенадцати отведений, но в тоже время, любые патологические изменения электрической активности сердца должны оказывать своё влияние на все отведения ЭКГ в большей или меньшей степени. Некоторые изменения ЭКГ бывает невозможно выделить по одному отведению, используя медицинские методы автоматического анализа, поэтому в этой работе была предпринята попытка применения теории нейронных сетей для образного анализа QRST-комплексов.

Применение нейронных сетей для задач классификации сигналов даёт много достоинств: малая чувствительность к помехам, возможность аппроксимации данных, ассоциативная память и т.п. Для реализации системы распознавания патологий ЭКГ была выбрана структура слоистой нейронной сети, состоящей из 2 слоёв нейронов (1 входной рецептивный, 1 выходной, 1 скрытый). Нелинейная функция всех нейронов имела тип сигмоида. Процесс выбора параметров нейронной сети носит итерационный характер с постепенным увеличением числа нейронов скрытого слоя и изменениями параметра нелинейных функций нейронов. На всех итерациях используется одинаковый процесс обучения. Предполагаемым алгоритмом обучения является алгоритм обратного распространения ошибки. Основной трудностью при таком варианте обучения является организация репрезентативной обучающей выборки примеров ЭКГ комплексов в норме и при различных патологиях.

Для решения данной проблемы была использована модель электрокардиосигнала, позволяющая имитировать любые изменения формы ЭКГ, а также накладывать на сигнал псевдослучайные и гармонические помехи.

Для создания входного образа, PQRST-комплексы локализовались по R-зубцу, а затем производилась их нормировка. Обучающая выборка включает в себя практически все основные известные виды патологий, причём на каждую патологию выделено по шесть разновидностей сигнала ЭКГ, в т.ч. с воздействием помех. В настоящее время ведётся подбор оптимальных параметров нейронной сети по критерию минимизации ошибки распознавания патологий. В дальнейшем предполагается сформировать обучающую базу из результатов реальных исследований ЭКГ с различными нарушениями. Созданную и обученную нейронную сеть предполагается использовать совместно с одноканальным регистратором ЭКГ в бытовых системах автоматизированного анализа функционального состояния сердечно-сосудистой системы.

Источники

 1. Теоретические основы электрокардиологии.//Под.ред. К.В.Нельсона, Д.В.Гезеловица:- М: Медицина. — 1979. — 470с 2. Дехтярь Г.Я. Электрокардиографическая диагностика. — 2-е изд., перераб. и доп. — М: Медицина, 1972. — 402с.

(c) Роман Исаков, Юлия Лукьянова