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.
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:
- PQRST-комплексы локализовались по R-зубцу;
- Из исходных сигналов вырезалась часть ЭКГ, соответствующая временному окну равному максимальной длине PQRST-комплекса;
- Производилось изменение частоты дискретизации до 150 Гц;
- 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 образа | Обозначение | Обучающая | Тестовая |
1 | Норма | Y1 | 87 | 129 |
2 | Инфаркт миокарда | Y2 | 407 | 311 |
3 | Блокады | Y3 | 125 | 69 |
4 | Кардиомиопатия | Y4 | 136 | 150 |
5 | Дисритмия | Y5 | 117 | 141 |
6 | Отказ сердца | Y6 | 151 | 56 |
7 | Гипертрофия миокарда | Y7 | 154 | 13 |
8 | Створчатая болезнь сердца | Y8 | 66 | 59 |
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 образа | Обозначение | Обучающая | Тестовая |
1 | Нормальный ритм | Y1 | 2000 | 1960 |
2 | Блокада сокращения левой ножки пучка Гиса | Y2 | 200 | 196 |
3 | Блокада сокращения правой ножки пучка Гиса | Y3 | 293 | 287 |
4 | Преждевременное сокращение предсердий | Y4 | 439 | 422 |
5 | Аберрированное преждевременное сокращение предсердий | Y5 | 77 | 73 |
6 | Атриовентрикулярное сокращение | Y6 | 43 | 40 |
7 | Преждевременное сокращение желудочков | Y7 | 1074 | 1043 |
8 | Слияние желудочкового и нормального сокращения | Y8 | 138 | 128 |
9 | Атриовентрикулярное пассивное эктопическое сокращение | Y9 | 60 | 56 |
10 | Желудочковое пассивное эктопическое сокращение | Y10 | 51 | 49 |
11 | Пропущенное сокращение | Y11 | 200 | 196 |
12 | Слияние пропущенного и нормального сокращения | Y12 | 128 | 126 |
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.
Выход | Чувствительность | Специфичность | Погрешность | Число нейронов |
Многослойный персептрон | ||||
Y1 | 70 | 98,7 | 0,0056 | 140 |
Y2 | 88,5 | 89,3 | ||
Y3 | 100 | 99 | ||
Y4 | 78,1 | 98,6 | ||
Y5 | 70,6 | 98,8 | ||
Y6 | 61 | 97,5 | ||
Y7 | 100 | 99,7 | ||
Y8 | 62,8 | 99,6 | ||
Модульная структура | ||||
Y1 | 90 | 98,3 | 0,0024 | 10 |
Y2 | 89 | 90 | 0,0072 | 20 |
Y3 | 100 | 100 | 0,00026 | 20 |
Y4 | 90 | 96 | 0,00027 | 10 |
Y5 | 81,6 | 99 | 0,00023 | 30 |
Y6 | 59,9 | 99,8 | 0,0024 | 10 |
Y7 | 100 | 100 | 0,00025 | 10 |
Y8 | 99,9 | 100 | 0,00025 | 10 |
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.
Выход | Чувствительность | Специфичность | Погрешность | Число нейронов |
Многослойный персептрон | ||||
Y1 | 96,5 | 97 | 0,007 | 160 |
Y2 | 98 | 99,65 | ||
Y3 | 99 | 99,8 | ||
Y4 | 80 | 98,8 | ||
Y5 | 60 | 99,7 | ||
Y6 | 65 | 99,8 | ||
Y7 | 90,8 | 98,4 | ||
Y8 | 60 | 99,5 | ||
Y9 | 60 | 99,8 | ||
Y10 | 90 | 99,96 | ||
Y11 | 99 | 99,8 | ||
Y12 | 68 | 99,65 | ||
Модульная структура | ||||
Y1 | 99 | 99 | 0,0006 | 30 |
Y2 | 100 | 99,9 | 0,0001 | 20 |
Y3 | 100 | 100 | 0,06 | 30 |
Y4 | 80 | 98,8 | 0,003 | 10 |
Y5 | 65 | 99,5 | 0,0002 | 10 |
Y6 | 73 | 99,9 | 0,0002 | 20 |
Y7 | 90 | 99 | 0,002 | 10 |
Y8 | 68 | 99,3 | 0,005 | 20 |
Y9 | 59 | 99,8 | 0,0004 | 10 |
Y10 | 92 | 100 | 0,0001 | 10 |
Y11 | 100 | 99,8 | 0,0002 | 20 |
Y12 | 70 | 99,8 | 0,0001 | 10 |
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
- Хайкин С. Нейронные сети: полный курс, 2e издание. : Пер. с анrл. - М. Издательский дом «Вильямс», 2006. - 1104 с. : ил., ISBN 5845908906
- Нейронные сети. Statistica Neural Networks.– М., 2000. — 182 с
- Дехтярь Г.Я. Электрокардиографическая диагностика. — 2-е изд., перераб. и доп. — М: Медицина, 1972. — 402с.
- Масалович А.И. От нейрона к нейрокомпьютеру // Журнал доктора Добба.- 1992.- N.1.- С.20-24.
- Люгер Д. Искусственный интеллект М.: Мир, 2003. 690 с.
- Теория нейронных сетей./под ред. Галушкина А.И. –М: ИПРЖР,2000г
- Кабак И.С., Суханова Н.В. Нейронная сеть. Патент РФ .
- 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