#

Варианты структур нейронных сетей для анализа ЭКГ

Введение

Анализ биомедицинских сигналов с целью отнесения их к одной из нескольких известных категорий и выявления, таким образом, патологий сердца осуществляются врачом путем визуального  или слухового анализа представленного сигнала. Однако по мере увеличения числа рассчитываемых параметров диагностическая логика становится слишком сложной и неприемлемой для анализа, выполняемого человеком.  

В связи с этим возникает необходимость создания методов для повышения достоверности и информативности процесса диагностики патологий сердца, при использовании которых вероятность возникновения ошибок связанных с человеческим фактором была бы сведена к минимуму.

Человек обрабатывает информацию при помощи биологической нейронной сети в своём мозгу.

Биологические нейронные сети

Нейрон (нервная клетка) является особой биологической клеткой, которая обрабатывает информацию. Она состоит из тела клетки или сомы и двух типов внешних древоподобных ветвей: аксона  и дендритов. Тело клетки включает ядро, которое содержит информацию о наследственных свойствах, и плазму, обладающую молекулярными средствами для производства необходимых нейрону материалов. Нейрон получает сигналы (импульсы) от других нейронов через дендриты (приемники) и передает сигналы, сгенерированные телом клетки, вдоль аксона (передатчик), который в конце разветвляется на волокна (см. рис. 1). На окончаниях этих волокон находятся синапсы.

Варианты структур нейронных сетей для анализа ЭКГ
Рис. 1. Структура биологического нейрона

Синапс является элементарной структурой и функциональным узлом между двумя нейронами (волокно аксона одного нейрона и дендрит другого). Когда импульс достигает синоптического окончания, высвобождаются определенные химические вещества, называемые нейротрансмиттерами. Нейротрансмиттеры диффундируют через синоптическую щель, возбуждая или затормаживая, в зависимости от типа синапса, способность нейрона-приемника генерировать электрические импульсы. Результативность синапса может настраиваться проходящими через него сигналами, так что синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Эта зависимость от предыстории действует как память, которая, возможно, ответственна за память человека [1].

 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. [3]

Искусственные нейронные сети

Нейронные сети представляют собой нелинейные системы, позволяющие гораздо лучше классифицировать данные, чем обычно используемые линейные статистические  методы. В приложении к медицинской диагностике они дают возможность значительно повысить точность диагноза и прогноза течения болезни. [5]

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 [4].

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. В последнее время ведутся активные работы, как в России, так и за рубежом, по разработке более точных и быстрых алгоритмов 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 [5].

Процедура, используемая для процесса обучения, называется алгоритмом обучения. Эта процедура выстраивает в определенном порядке синоптические веса нейронной сети для обеспечения необходимой структуры взаимосвязей нейронов [3].

Изменение синоптических весов представляет собой традиционный метод настройки нейронных сетей. Нейронные сети могут изменять соб­ственную топологию. Это обусловлено тем фактом, что нейроны в человеческом мозге постоянно отмирают, а новые синоптические связи постоянно создаются.

Основной проблемой, при построении качественной системы нейросетевого анализа электрокардиосигнала (ЭКС) является выбор архитектуры данной системы и создание для неё обучающей базы данных, содержащей достаточный объём экспериментальных данных.

Материалы и методы

Человеческий мозг хорошо приспособлен для распознавания образов. Мы получаем данные из окружающего мира через сенсоры и способны распознать источник дaн­ных. Чаще всего это выполняется мгновенно и без всяких усилий. Например, человек может узнать знакомый голос по телефону, несмотря на помехи в линии связи. Человек распознает образы в результате процесса обучения. То же происходит и с нейроннымисетями. [3]

При постановке задачи для обучения искусственных нейронных сетей чаще всего исходят из того, что диагностическая система должна выбрать один или несколько предполагаемых диагнозов из заданного набора на основании параметров входного сигнала [6].

Из обучающей базы берется текущий пример (образ ЭКС) с установленным диагнозом (изначально, первый). Его входные характеристики (представляющие в совокупности вектор входных сигналов) подаются на входные синапсы обучаемой нейронной сети. Обычно каждое значение входного сигнала, обрабатываемого образа ЭКС, подается на один соответствующий входной синапс.

В общем случае нейронная сеть работает по следующей циклической процедуре [6]:

  1. Нейронная сеть производит заданное количество тактов функционирования, при этом вектор входных сигналов распространяется по связям между нейронами.
  2. Измеряются сигналы, выданные теми нейронами, которые считаются выходными.
  3. Производится интерпретация выданных сигналов, и вычисляется ошибка, характеризующая различие между выданным сетью ответом и требуемым ответом, имеющимся в примере. Чем меньше ошибка, тем лучше распознан пример, тем ближе выданный сетью ответ к требуемому. Ошибка равная нулю означает, что требуемое соответствие вычисленного и известного ответов достигнуто.
  4. Если ошибка примера равна нулю, ничего не предпринимается. В противном случае на основании ошибки вычисляются поправочные коэффициенты для каждого синоптического веса матрицы связей, после чего производится подстройка синоптических весов (обратное функционирование). В коррекции весов синапсов и заключается обучение.
  5. Осуществляется переход к следующему примеру задачника и вышеперечисленные операции повторяются.

Проход по всем примерам обучающей выборки с первого по последний считается одним циклом обучения. Для обучения нейронных сетей берут достаточно большую выборку примеров, данные для которых желательно получать из реальных записей ЭКС с подтвержденными диагнозами.

Рассмотрим два основных варианта организации нейронной сети, которые можно предложить для автоматизированного анализа электрокардиографических сигналов. Первым вариантом можно считать архитектуру схожую с классическим описанием многослойного персептрона (рис.1) [1].

Варианты структур нейронных сетей для анализа ЭКГ
Рис. 2 – Обобщённый случай структуры многослойного персептрона для распознавания патологий по ЭКС (М – количество элементов образа ЭКС, Kj – число нейронов в j-том слое, N – количество анализируемых патологий)

Как видно из рисунка 2,  представленная нейронная сеть является полносвязной в одном направлении, т.е. каждый нейрон одного слоя связан со всеми нейронами следующего слоя. Многослойные персептроны имеют три отличительных признака:

1. Каждый нейрон сети имеет нелинейную функцию активации. Важно подчеркнуть, что данная нелинейная функция является гладкой (т.е. всюду дифференцируемой). Самой популярной формой функции, удовлетворяющей этому требованию, является сигмоидальная, определяемая логистической функцией [5].

2. Сеть содержит один или несколько скрытых слоев нейронов, не являющихся частью входа или выхода сети. Эти нейроны позволяют сети обучаться решению сложных задач, последовательно извлекая наиболее важные признаки из входного образа.

3. Сеть обладает высокой степенью связности, реализуемой посредством синоптических соединений.

Комбинация всех этих свойств наряду со способностью к обучению на собственном опыте обеспечивает вычислительную мощность многослойного персептрона в задачах анализа ЭКС. Вторым вариантом организации нейронной сети для автоматизированного анализа электрокардиографических сигналов можно считать модульную структуру, представленную на рисунке 3 [5].

Варианты структур нейронных сетей для анализа ЭКГ
Рис. 3 – Обобщённый случай модульной структуры нейронной сети для распознавания патологий по ЭКС

Данный вариант нейронной сети состоит из нескольких параллельно расположенных нейросетевых модулей, построенных на основе структуры многослойного персептрона (рис. 3). Можно выделить следующие особенности предложенной структуры:

  1. Нейроны различных нейросетевых модулей не соединены между собой;
  2. Каждый нейросетевой модуль направлен на распознавание одной патологии;
  3. Сигнал образа ЭКС поступает на все нейросетевые модули одновременно;
  4. Каждый нейросетевой модуль может иметь свою архитектуру (количество скрытых слоёв и число нейронов).

Такая организация нейронной сети имеет биологическое обоснование, т.к. отделы головного мозга подобным образом разделены по функциональному назначению (слух, зрение, моторные функции и т.п.). Преимущество данной структуры состоит в том, что каждый модуль концентрирует свои ресурсы на распознавание только одной патологии, что должно способствовать увеличению чувствительности к данной патологии. Также модульная организация системы позволит увеличивать количество доступных для распознавания патологий без переобучения всей системы.

Заключение

Несмотря на явные преимущества второго варианта организации нейросетевого анализатора кардиопатологий, его отдельные модули не имеют информации обо всех разновидностях патологий. Поэтому применять его возможно только после исследования и сравнения обоих вариантов [6]. Предварительные исследования показали лучшие показатели чувствительности модульного варианта организации нейронной сети.  Развитие данного подхода предполагает определение условий выбора оптимального количества нейронов скрытого слоя для каждого модуля нейронной сети.

Источники

1.Anil K. Jain, Jianchang Mao, K.M. Mohiuddin Введение в искусственные нейронные сети  Artificial Neural Networks: A Tutorialп, Computer, Vol.29, No.3, March/1996, pp. 31-44.
 2. J. Feldman, M.A. Fanty, and N.H. Goddard, «Computing with Structured Neural Networks», Computer, Vol. 21, No. 3, Mar.1988, pp. 91-103.
3. Хайкин С. Нейронные сети: полный курс, 2­e издание. : Пер. с анrл. –­ М. Издательский дом «Вильямс», 2006. –­ 1104 с.
4. Переверзев-Орлов В.С. Советчик специалиста. Опыт разработки партнерской системы // М.: Наука, 1990.- 133 с.
5.  Исаков Р.В., Лукьянова Ю.А., Сушкова Л.Т. Оптимизация структуры нейронных сетей для обработки электрокардиосигнала. // Биомедицинская радиоэлектроника, 2008 , №6, c.9-146.
6. Исаков Р.В., Лукьянова Ю.А. Построение обучающих баз данных для нейросетевого анализатора электрокардиографических сигналов // Биомедицинская радиоэлектроника, 2009 , №12

(с) Роман Исаков