Предварительная обработка ЭКГ для нейросетевого анализа

Введение

Исследования по искусственным нейронным сетям связаны с тем, что способ обработки информации человеческим мозгом в корне отличается от методов, применяемых обычными цифровыми компьютерами. Мозг представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер (систему обработки информации). Он 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. [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 работа проводится с искусственными нейронами. 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, выполняемой на цифровом компьютере. [1]

Многолетние исследования, проводимые с самыми различными явными алгоритмами, показали, что медицинские задачи, имеющие неявный характер, решаются явными методами с точностью и удобством, совершенно недостаточными для широкого практического использования в конкретных задачах диагностики, прогнозирования и принятия решений [2].

Неявные задачи медицины явились идеальным полем для применения нейросетевых технологий, и именно в этой области наблюдается наиболее яркий практический успех нейроинформационных методов. Электрокардиографическая диагностика является одной из таких задач.

Для работы и обучения нейросетевого анализатора электрокардиосигнала на его вход требуется подавать 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. Необходимо выделить два направления анализа электрокардиосигнала:

— анализ электрокардиограммы (ЭКГ);

— анализ кардиоинтервалограммы (КИГ).

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 (Tp~0.1 c, Tpq~0.2 c, Tqs~0.1 c, Tt~0.25 с) можно определить длительности левой и правой частей: 0.35 с и 0.5 с, соответственно.

Для того, чтобы определить частоту дискретизации входного ЭКГ-образа, нужно определиться с типом регистратора ЭКГ сигнала, с которым будет использоваться нейросетевой анализатор ЭКГ. Наибольший интерес данный анализатор представляет в области автоматического анализа суточных записей ЭКГ и при скрининговых исследованиях.

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, 2 или 3 канала ЭКГ, 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 передискретизированы до выбранной частоты.

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

При анализе кардиоинтервалограмм, получаемых по временной разнице между соседними R-зубцами на ЭКГ, применение нейронных сетей целесообразно в сложных задачах, плохо решаемых при помощи линейных методов. К таким задачам можно отнести анализ корреляционных ритмограмм.

Сущность метода корреляционной ритмографии заключается в графическом отображении последовательных пар кардиоинтервалов (предыдущего и последующего) в двухмерной координатной плоскости. При этом по оси абсцисс откладывается величина R-R, а по оси ординат – величина R-R_n+1. График и область точек, полученных таким образом, называется корреляционной ритмограммой или скаттерграммой. Этот способ оценки ВСР относится к методам нелинейного анализа и является особенно полезным для случаев, когда на фоне монотонности ритма встречаются редкие и внезапные нарушения.

При построении скаттерграммы образуется совокупность точек, центр которых располагается на биссектрисе. Нормальная форма скаттерграммы представляет собой эллипс, вытянутый вдоль биссектрисы. Именно такое расположение эллипса означает, что к дыхательной прибавлена некоторая величина недыхательной аритмии. Форма скаттерграммы в виде круга означает отсутствие недыхательных компонентов аритмии. Узкий овал соответствует преобладанию недыхательных компонентов в общей вариабельности ритма, которая определяется длиной “облака”. При аритмиях, когда методы статистического и спектрального анализа вариабельности сердечного ритма малоинформативны или неприемлемы, целесообразно использовать оценку корреляционной ритмограммы (скаттерграммы).

Для получения входного образа R-R интервалограммы для нейронной сети, целесообразно использовать не исходную кривую, а скаттерограмму.

Для переведения скаттерограммы в форму вектора, предлагается произвести сегментацию изображения скаттерограммы на определённое число равных квадратов. В каждом квадрате необходимо вычислить количество точек, попавший в данный сегмент.  В результате должна получиться матрица чисел, которую необходимо преобразовать в вектор, путём перемещения чисел слева направо и сверху вниз в один столбец.

Последней операцией для создания КИГ-образов должна являться нормализация получившегося вектора для предотвращения влияния объёма выборки на результат анализа.

Результаты и выводы

Описанные в данной работе  алгоритмы были применены для разработки обучающих баз данных для нейросетевого анализатора электрокардиосигналов. Данные алгоритмы также должны быть использованы для подготовки образов при обычной работе системы. Предварительные исследования данных алгоритмов 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

(с) Роман Исаков

Для цитирования в научных публикациях:

Исаков Р.В. Алгоритмы предварительной обработки электрокардиосигнала для нейросетевого анализа.//Сборник трудов научной школы по биомедицинской инженерии, Изд-во СПГТУ, С.-Петербург, 2009, c.82-87