Исследование нейросетей при распознавании патологий сердца

Целью настоящего исследования является рассмотрение вопросов целесообразности и особенностей применения нейронных сетей в автоматизированном определении патологических изменений электрической активности сердца. В работе производилось сравнение многослойного персептрона и модульной структуры организации нейронной сети, как вариантов построения системы автоматизированного анализа электрокардиосигнала.

Было сформировано две базы данных: база данных патологий сердца и база данных аритмий. Исследования показали, что повышенная чувствительность к патологиям, низкая погрешность и возможность неограниченного расширения числа анализируемых патологий делает модульную структуру, вероятно, оптимальным выбором для решения задачи анализа электрокардиосигнала.

Введение

В настоящее время сердечно-сосудистые заболевания являются главной причиной смертности взрослого населения в различных странах, причем ее снижение возможно лишь путем эффективной профилактики. В связи с этим, можно отметить, что дальнейшие исследования, а также разработка алгоритмов анализа и классификации электрокардиограмм по–прежнему актуальны.

Научный интерес к проведению исследований по искусственным нейронным сетям связан с тем, что они позволяют приблизиться к возможностям обработки информации человеческим мозгом, который представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер (систему обработки информации). Мозг обладает способностью организовывать свои структурные компоненты, называемые нейронами, так, чтобы они могли выполнять конкретные задачи (такие как распознавание образов, обработку сигналов органов  чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие современные компьютеры.

На сегодняшний день существует множество примеров использования нейросетей для медицинских прогнозов. Целью настоящего исследования является рассмотрение вопросов целесообразности и особенностей применения нейронных сетей в автоматизированном определении патологических изменений электрической активности сердца.

Несмотря на то, что в последние годы теория нейронных сетей получила значительное  развитие, до сих пор не достаточно развиты методы системного проектирования и анализа  быстродействующих нейронных сетей высокой размерности. Среди различных структур нейронных сетей одной из наиболее известных является многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя или, в случае первого слоя, со всеми входами НС (многослойный персептрон).

Развитие нейросетевых методов дало возможность  использования их как инструмента научных исследований, с помощью которого можно изучать объекты и явления.

Материалы и методы

В работе производилось сравнение многослойного персептрона (рис.1) и модульной структуры организации нейронной сети (рис.2), как вариантов построения системы автоматизированного анализа электрокардиосигнала.

Исследование нейросетей при распознавании патологий сердца
Рис. 1 –Структура многослойного персептрона для распознавания патологий по ЭКС (М – количество элементов образа ЭКС, Kj – число нейронов в j-том слое, N – количество анализируемых патологий)
Исследование нейросетей при распознавании патологий сердца
Рис. 2 –Модульный вариант построения нейронной сети для распознавания патологий сердца по ЭКС

В данной работе рассматривается проблема автоматического распознавания патологий , в том числе аритмий сердца по одноканальной записи PQRST-комплекса ЭКГ. Причем, патологии, связанные с аритмией сердца, были выделены в отдельную базу данных.

Для реализации системы распознавания патологий ЭКГ была выбрана структура нейронной сети прямого распространения (рис.1,2), состоящей из 3 слоёв (1 входной, 1 выходной, 1 скрытый) в двух рассмотренных вариантах построения.

Для создания входного образа производились следующие процедуры:

  1. PQRST-комплексы локализовались по R-зубцу;
  2. Из исходных сигналов вырезалась часть ЭКГ, соответствующая временному окну равному максимальной длине PQRST-комплекса;
  3. Производилось изменение частоты дискретизации до 150 Гц;
  4. Применялось нормирование полученных образов до динамического диапазона нейронов (от 0 до 1), которые далее использовались для обучения и тестирования нейронных сетей.

На основе данной процедуры были  сформированы две базы данных: база данных патологий сердца и база данных аритмий. База данных патологий составлена на основе записей кардиоциклов, сгруппированных в 8 основных классов, соответствующих известным  видам заболеваний сердца. Причем записи кардиоциклов  были разделены на две независимые группы: обучающую и тестовую (таблица 1).

Тип образаОбозначениеОбучающаяТестовая
1НормаY187129
2Инфаркт миокардаY2407311
3БлокадыY312569
4КардиомиопатияY4136150
5ДисритмияY5117141
6Отказ сердцаY615156
7Гипертрофия миокардаY715413
8Створчатая болезнь сердцаY86659
Таблица 1. Состав базы данных патологий сердца для нейронных сетей

База данных аритмий также была составлена на основе записей кардиоциклов, соответствующих    известным  видам заболеваний сердца, связанных с аритмией. Они были сгруппированы в 12 основных классов и разделены также на две независимые группы данных: обучающую и тестовую (таблица 2).

Тип образаОбозначениеОбучающаяТестовая
1Нормальный ритм      Y120001960
2Блокада сокращения левой ножки пучка Гиса      Y2200196
3Блокада сокращения правой ножки пучка Гиса      Y3293287
4Преждевременное сокращение предсердий      Y4439422
5Аберрированное преждевременное сокращение предсердий      Y57773
6Атриовентрикулярное сокращение      Y64340
7Преждевременное сокращение желудочков      Y710741043
8Слияние желудочкового и нормального сокращения      Y8138128
9Атриовентрикулярное пассивное эктопическое сокращение      Y96056
10Желудочковое пассивное эктопическое сокращение      Y105149
11Пропущенное   сокращение      Y11200196
12Слияние пропущенного и нормального сокращения      Y12128126
Таблица 2. Состав базы данных аритмий сердца для нейронных сетей

Обсуждение результатов

Каждая патология была представлена реальными ЭКГ сигналами, включая помехи.  Исследование производилось путём многократного обучения искусственных нейронных сетей разного объёма скрытого слоя. После обучения каждая сеть проходила тестирование на  описанной выше независимой базе данных. После чего, выбиралось значение скрытого слоя нейронной сети, при  котором в серии из трёх испытаний получались лучшие значения:
а)  чувствительности – мера обнаружения присутствия искомого заболевания,
б) специфичности – мера точности определения отсутствия исследуемого заболевания.  

Результаты такого анализа для двух вариантов построения системы нейросетевого анализа ЭКГ представлены в таблице 3.

ВыходЧувствительностьСпецифичностьПогрешностьЧисло нейронов
Многослойный персептрон
Y17098,70,0056140
Y288,589,3
Y310099
Y478,198,6
Y570,698,8
Y66197,5
Y710099,7
Y862,899,6
Модульная структура
Y19098,30,002410
Y289900,007220
Y31001000,0002620
Y490960,0002710
Y581,6990,0002330
Y659,999,80,002410
Y71001000,0002510
Y899,91000,0002510
Таблица 3.  Результаты исследования нейронных сетей при распознавании патологий

Исходя из полученных результатов,  было выявлено, что наибольшей производительностью обладает модульная структура построения нейросетевого анализатора электрокардиосигнала,  для которой  средняя чувствительность составила 89% (79% в случае многослойного персептрона), а средняя специфичность – 98% (как и в случае многослойного персептрона).

Анализ точности нейросетевой модели также показал преимущество модульной структуры, у которой средняя погрешность составила 0,0016 (0,0056 – в случае  многослойного персептрона).

В таблице 4 представлены результаты исследования нейронных сетей при распознавании аритмий.

ВыходЧувствительностьСпецифичностьПогрешностьЧисло нейронов
Многослойный персептрон
Y196,597         0,007160
Y29899,65
Y39999,8
Y480           98,8
Y56099,7
Y66599,8
Y790,898,4
Y86099,5
Y96099,8
Y109099,96
Y119999,8
Y126899,65
                                       Модульная структура
Y1             99990,000630
Y2100           99,90,000120
Y31001000,0630
Y4              80           98,80,00310
Y56599,50,0002            10
Y67399,90,000220
Y790990,00210
Y86899,30,00520
Y95999,80,000410
Y10921000,000110
Y1110099,80,000220
Y127099,80,000110
Таблица 4. Результаты исследования нейронных сетей при распознавании аритмий

Анализ результатов исследования нейронных сетей при распознавании аритмий также подтверждает преимущество модульной структуры построения нейросетевого анализатора электрокардиосигнала.  Здесь средняя чувствительность составила 83% (80,5% в случае многослойного персептрона), а средняя специфичность – 99,56% (99,32% в случае многослойного персептрона), средняя погрешность – 0,005 (0,007 – в случае  многослойного персептрона).

Выводы

Повышенная чувствительность к патологиям, низкая погрешность и возможность неограниченного расширения числа анализируемых патологий позволяет считать модульную структуру оптимальным выбором для решения задачи анализа электрокардиосигнала.

Результаты данного исследования способствуют решению задачи выбора структуры искусственной нейронной сети при разработке на ее основе новых интеллектуальных медицинских приборов для кардиологии.

 Созданный и обученный на реальных примерах нейросетевой анализатор предполагается использовать совместно с регистратором ЭКГ в бытовых системах автоматизированного анализа функционального состояния сердечно-сосудистой системы, при проведении массовых экспресс исследований с целью выделения «групп риска», а также в программах автоматизированной расшифровки суточной записи ЭКГ.

Источники

  1. Хайкин С. Нейронные сети: полный курс, 2­e издание. : Пер. с анrл. -­ М. Издательский дом “Вильямс”, 2006. -­ 1104 с. : ил., ­ISBN 5­8459­0890­6
  2. Нейронные сети. Statistica Neural Networks.– М., 2000. — 182 с
  3. Дехтярь Г.Я. Электрокардиографическая диагностика. — 2-е изд., перераб. и доп. — М: Медицина, 1972. – 402с.
  4. Масалович А.И. От нейрона к нейрокомпьютеру // Журнал доктора Добба.- 1992.- N.1.- С.20-24.
  5. Люгер Д. Искусственный интеллект М.: Мир, 2003. 690 с.
  6. Теория нейронных сетей./под ред. Галушкина А.И. –М: ИПРЖР,2000г
  7. Кабак И.С., Суханова Н.В. Нейронная сеть. Патент РФ .
  8. Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng CK, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220

(с) Роман Исаков

Для цитирования в научных публикациях:

Исаков Р.В., Аль-Мабрук М.А., Лукьянова Ю.А., Сушкова Л.Т. Результаты исследования нейронных сетей в задачах распознавания патологических изменений электрической активности сердца. – Биомедицинская радиоэлектроника, 2010, №7, с. 9-13

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *