Обработка кардиоциклов ЭКГ при создании образов для нейросетевого анализа

Введение

Прогресс в области медицины не мыслим без создания новых методов оценки состояния организма человека, а также технических средств для диагностики и лечения заболеваний. Важной областью приложения биотехнического системного подхода является создание новых методов и технических средств диагностики различных органов человека.

В настоящее время, электрокардиография (ЭКГ) является одним из ведущих методов инструментального исследования сердечно-сосудистой системы, который остается наиболее распространенным и доступным для широкого круга людей. В основе этой методики лежит регистрация биопотенциалов возникающих в сердце. Несмотря на некоторую сложность интерпретации информации получаемой с помощью ЭКГ, существует возможность по биоэлектрической активности сердца оценить состояние не только сердечно­-сосудистой системы (ССС), но и организма в целом.

Актуальность исследований по искусственным нейронным сетям связана с тем, что они позволяют приблизиться к возможностям обработки информации человеческим мозгом, который представляет собой чрезвычайно сложную, нелинейную, параллельную 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 и т.п.) во много раз быстрее, чем могут позволить самые быстродействующие современные компьютеры [1].

При рождении мозг имеет совершенную структуру, позволяющую строить собственные правила на основании того, что мы называем «опытом». Опыт накапливается с течением времени, и особенно масштабные изменения происходят в первые два года жизни человека. В этот период формируется остов общей структуры. Однако развитие на этом не прекращается -­ оно продолжается до последних дней жизни человека. Понятие развития нейронов связано с понятием пластичности мозга — способности настройки нервной системы в соответствии с окружающими условия­ми. Именно пластичность играет самую важную роль в работе нейронов в качестве единиц обработки информации в человеческом мозге. Аналогично, в искусственных нейронных сетях используется математическая модель биологического нейрона. Как известно в общем случае нейронная сеть представляет собой машину, моделирующую спо­соб обработки мозгом конкретной задачи. Эта сеть обычно реализуется с помощью электронных компонентов или моделируется программой, реализуемой с помощью цифрового компьютера  [1].

Многолетние исследования различных классических алгоритмов, показали, что медицинские задачи, отличающиеся нечеткой логикой и неявным характером, решаются традиционными методами с недостаточной точностью и информационной достоверностью для практического использования в конкретных задачах диагностики, прогнозирования и принятия решений [2].

Неявные задачи медицины являются  привлекательными для применения нейросетевых технологий. Поэтому, именно в этой области,  применение нейроинформационных методов наиболее целесообразно. Электрокардиографическая диагностика является одной из таких задач.

Для работы и обучения нейросетевого анализатора электрокардиосигнала на его вход необходимо подать сигнал в заранее определённой форме или так называемый образ электрокардиосигнала. От алгоритма подготовки таких образов зависит качество распознавания патологий сердечно-сосудистой системы. Поэтому необходимо определить последовательность и состав методов предварительной обработки сигнала для построения входных электрокардиографических образов.

Материалы и методы

При любой структуре нейронной сети входные образы представляют собой вектор, различной длины.

При анализе формы ЭКГ на вход нейронной сети должны быть поданы все составляющие сердечного цикла. 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 выраженный из них является R-зубец, который располагается примерно по центру сердечного цикла (немного смещён в сторону начала). Он является самым высокоамплитудным и высокочастотным, что обеспечивает его стабильное обнаружение и точную локализацию на временной оси, а также он присутствует на большинстве отведений ЭКГ.  Очевидно, что R-зубец прекрасно подходит в качестве опорной точки для получения ЭКГ-образа.

Количество точек во входном векторе нейронной сети должно быть строго определено заранее. Длина входного вектора зависит как от временного окна, в которое должен попасть сердечный цикл, так и от частоты дискретизации сигнала. Временное окно должно содержать две составляющие:

— Левая (до появления R-зубца), содержащая зубцы P, Q и PQ-интервал;

— Правая (после появления R-зубца), содержащая зубцы R,S,T и ST-интервал.

Исходя из параметров нормальной ЭКГ (длительность зубца P около 0.1 c, длительность интервала PQ около 0.2 c, длительность интервала QS около 0.1 c, длительность зубца T около 0.25 с) можно определить длительности левой и правой частей: 0.35 с и 0.5 с, соответственно.

Для определения частоты дискретизации входного ЭКГ-образа, необходимо определиться с типом регистратора ЭКГ сигнала, выходной сигнал с  которого будет подаваться на вход  нейросетевого анализатора ЭКГ. Наибольший интерес, данный анализатор представляет для  автоматического анализа суточных записей ЭКГ, а также  скрининговых исследований.

В руководстве по амбулаторному мониторированию ACC/AHA (American College of Cardiology and American Heart Association) [4] приводятся следующие требования к суточным мониторам ЭКГ: длительность регистрации не менее 24 часов, частотный диапазон не менее 0,5–40 Гц, частота дискретизации 125 Гц и выше, разрешающая способность не хуже 5-20 мкВ. Исследования современных суточных мониторов показали, что типичной величиной частоты дискретизации ЭКГ является 150 Гц. У регистраторов, применяемых для скрининговых исследований существует возможность выбора нескольких частот регистрации, начиная от 150 Гц. Следовательно, для совместимости с большинством регистраторов ЭКГ целесообразно выбрать частоту дискретизации входных образов 150 Гц.

Сигналы с большей частотой дискретизации, должны быть искусственно преобразованы до выбранной частоты дискретизации.

Последним шагом при построении входных ЭКГ образов должна быть нормализация сигналов для приведения амплитуд всех входных сигналов в установленный динамический диапазон входных нейронов сети.

Результаты и выводы

Описанные в данной работе  процедуры были применены для разработки обучающих баз данных нейросетевого анализатора электрокардиосигналов.  Данные процедуры также используются для подготовки образов в процессе работы системы. Предварительные исследования описанных процедур показали достаточную эффективность работы системы нейросетевого анализа [3,5], что является предпосылкой для дальнейшего развития работы.

Созданный и обученный на реальных примерах нейросетевой анализатор предполагается использовать совместно с одноканальным регистратором ЭКГ в бытовых системах автоматизированного анализа функционального состояния сердечно-сосудистой системы, при проведении массовых экспресс исследований для 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. Переверзев — Орлов В.С. Советчик специалиста. Опыт разработки партнерской системы // М.: Наука, 1990.- 133 с.
3. Исаков Р.В., Лукьянова Ю.А., Сушкова Л.Т. Оптимизация структуры нейронных сетей для обработки электрокардиосигнала. // Биомедицинская радиоэлектроника, 2008 , №6, c.9-14
4. American College of Cardiology / American Heart Association Guidelines for Ambulatory Electrocardiography. // JACC VOL. 34, No. 3, September, 1999. – рp.912-948
5. Исаков Р.В., Аль Хулейди Н.А. Обработка ритма сердца в искусственной нейронной сети// “Перспективные технологии в средствах передачи информации» Материалы 8-й международной научно-технической конференции, том 2, Владимир, 2009, с.200-203
6. Власов Ю.А., Яшков В.Г., Якименко А.В. и др. Метод последовательного парного анализа ритма сердца по интервалам RR. //Радиоэлектроника, физика и математика в биологии и медицине. Новосибирск. 1971. С.9-14.

(с) Роман Исаков