Спросить
Войти
Использование нейросетевых методов для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы
Мустафаев Арслан Гасанович
доктор технических наук
профессор, ГАОУ ВО "Дагестанский государственный университет народного хозяйства" 367015, Россия, Республика Дагестан, г. Махачкала, ул. Атаева, 5, каб. 4.5
И arslan_mustafaev@hotmail.com
Статья из рубрики "Базы знаний, интеллектуальные системы, экспертные системы, системы поддержки
принятия решений"
Аннотация.
Одним из важнейших факторов для своевременного оказания медицинской помощи является быстрое и точное получение информации о состоянии здоровья пациента. Электрокардиография (ЭКГ) представляет собой неинвазивный процесс интерпретации электрической активности сердца, позволяющий оценивать скорость и регулярность сердечных сокращений. Эти данные используются для определения повреждений и патологий сердца. Автоматический анализ ЭКГ является непростой теоретической и практической задачей. Цель работы состоит в использовании нейронных сетей для обнаружения характерных ЭКГ сигналов, определяющих аномалии сердечного ритма и выявлении соответствующего заболевания сердца. При проектировании был использован пакет Neural Network Toolbox из MATLAB 8.6 (R2015b) моделирующий аппарат искусственных нейронных сетей. Эффективность разработанной нейросетевой модели для анализа ЭКГ была исследована с использованием базы данных MIT-BIH. Точность обнаружения и извлечения компонентов сигнала ЭКГ показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов. Чувствительность модели составила 71%, специфичность 89%.
классификация данных, чувствительность, специфичность, обучение с учителем, QRS комплекс
Дата направления в редакцию:
Дата рецензирования:
Введение
По данным Всемирной организации здравоохранения Ш заболевания сердечнососудистой системы уносят свыше 17 миллионов жизней в год. Сердечная аритмия и нарушение сердечного ритма могут свидетельствовать о возможности серьезных сердечно-сосудистых заболеваний, инсульта или внезапной сердечной смерти. Ранняя диагностика нарушений сердечного ритма позволяет выбрать соответствующее медикаментозное лечение.
Большинство клинических исследований сердечно-сосудистой системы основаны на анализе электрокардиограмм (ЭКГ) и изучении ряда других регистрируемых сигналов, иллюстрирующих биоэлектрическую активность сердца. К числу несомненных преимуществ такого подхода можно отнести относительную простоту, доступность, неинвазивность и достаточно высокую информативность. ЭКГ — функциональный метод исследования, суть которого заключается в определении состояния сердца сердечнососудистой системы по изменениям в его электрической активности. Этот метод исследования на сегодняшний день является самым распространенным и проводится практически во всех медицинских учреждениях.
Наибольший интерес для практического здравоохранения представляют системы для диагностики заболеваний. Работы в данной области ведутся российскими и зарубежными исследователями [2-5].
Задачи диагностики и прогнозирования, встречающиеся в медицинской практике как, правило не учитывают все реально имеющиеся условия, от которых зависит результат, а только выделяют некоторый набор наиболее важных условий.
Целью данной работы является разработка нейросетевой системы для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы.
Постановка задачи и эксперимент
Электрокардиография до сих пор остается наиболее распространенным методом функциональной диагностики в кардиологии. В то же время, существующие компьютерные средства анализа и интерпретации ЭКГ все еще не обеспечивают требуемую достоверность результатов диагностики. Изображение эталонной ЭКГ и обозначение ее элементов показано на рис. 1.
Рис.1. Эталонная электрокардиограмма
На реальных ЭКГ нет четких границ между информативными фрагментами, что затрудняет их автоматическое распознавание. Реальная ЭКГ обычно наблюдается в условиях разного рода возмущений, которые далеко не всегда могут быть сведены лишь к аддитивной помехе. При повышении соотношения сигнал-шум, происходит «размытие» информативных фрагментов из-за неравномерных изменений их продолжительности от цикла к циклу что приводит к ошибкам в измерении диагностических признаков, сосредоточенных на этих фрагментах
Автоматический анализ ЭКГ является непростой теоретической и практической задачей. Физиологическое происхождение сигнала ЭКГ, обусловливает его недетерминированность, разнообразие, изменчивость, нестационарность и подверженность многочисленным видам помех. Увеличение эффективности методов автоматического анализа ЭКГ сдерживается ограничениями, связанными с
вычислительной мощность используемых процессоров Это в наибольшей степени относится к аппаратуре непрерывного наблюдения, так как обработка сигналов в ней должна выполняться в реальном масштабе времени. Производительность вычислительных средств постоянно повышается, поэтому становятся востребованными такие методы обработки и анализа сигналов, применение которых в системах реального времени ранее представлялось сложно реализуемым.
Record 109 (MLII, VI; male, age 64)
Quinjdint
Brats Ecf™ s:00 After 5:00 Total
un BBB ¿0*7 34S2
PVC 6 22 38
Fusion PVC 2 .2
Total 433 209? 2332
i^nfrscufaï& eclcjpy
* JO isolated be-its
Rhythm Kaic F^ifodr^ Duration
N cumul sinus thythm 57-181 1 30)0«
Signal g uainy Episodes D urstinn
Both (km 2 29 52
Latmueisy 1 0:14
TheR is fust (tegrei AV libels The PVCs aii inullifcmn
Poults of interest!
<1:13 Fusion PVC L2PVC
Noïïïisl sinus rhythm vritli lift timit branch blscJi PVC 3:27 Moise 1401 PVC n-13 PVC ¡9-21 PVC 36£9Noiif-SSJ3FVC
Рис. 2. Образец записи №109 из базы М1Т-В1Н.
Нейронные сеть — математическая парадигма моделирования поведения биологических нейронных систем. Искусственная нейронная состоит из нескольких простых нелинейных элементов - нейронов, соединенных между собой взвешенными связями - синапсами, формирующими сеть. При обнаружении и обработке ЭКГ сигнала, в основном
используются многослойные персептроны и радиально-базисные нейронные сети [8-9].
Если нейроны сгруппированы в слои и их синапсы связаны только с нейронами в соседних слоях, то подобная структура является многослойным персептроном. Модель многослойного персептрона является наиболее популярной и широко изученной. Многослойный персептрон состоит из одного входного и одного выходного слоя, с одним или несколькими скрытыми слоями.
При формировании исходных данных был использован архив, содержащий структурированный массив оцифрованных записей реальных физиологических сигналов и связанных с ними данных для применения биомедицинским сообществом в
исследованиях Данные записи были получены Холтеровским мониторированием в условиях стационара и независимо проанализированы двумя практикующими врачами. Пример записи показан на рис. 2 (фрагмент ЭКГ этой записи показан на рис. 3).
Рис. 3. Фрагмент ЭКГ записи №109
При анализе ЭКГ учитывают следующие нормальные значения интервалов и комплексов Ш1:
Вопрос нахождения оптимального числа нейронов скрытого слоя не имеет однозначного решения по причине отсутствия устоявшейся методики Г12-141. Например, в Г151 рекомендуется число нейронов скрытого слоя определять эмпирическим путем, но в большинстве случаев используется правило — + ^ы^ где |\\|скр, Ывх, Ывых - число нейронов соответственно в скрытом, входном и выходном слое.
В предлагается правило геометрической пирамиды. Число нейронов скрытого слоя в
, где Nскр, Nвх, Nвых
^сц, = а/^ВАШ
трехслойном персептроне вычисляется из выражения - число нейронов в скрытом, входном и выходном слое.
Выбор правильного количества нейронов в скрытых слоях является очень важным. Недостаточное число нейронов не позволит сети обучиться Большое число нейронов приведет к увеличению времени обучения сети, до неприемлемого значения, и к эффекту переобучения сети - сеть будет прекрасно работать на обучающей выборке, и очень плохо на входных примерах, не входящих в нее. Это происходит из-за того, что сеть будет обладать избыточными способностями к обучению и наряду со значительными для данной задачи факторами будет учитывать черты, характерные лишь для данной
Рис.4. Значения чувствительности, специфичности для выхода «Норма» (а) и выхода
«БЛВ» (б) и ошибки обучения (в).
По этой причине в работе использован метод в основе, которого лежит учет критериев оценки эффективности работы искусственной нейронной сети: чувствительность, специфичность и ошибка обучения. От параметров чувствительности и специфичности алгоритма зависит достоверность классификации ритмов сердца. Чувствительность характеризует достоверность определения аномальных эпизодов, а специфичность характеризует достоверность определения эпизодов нормального сердечного ритма.
Для нахождения оптимального числа нейронов скрытого слоя нейронной сети со структурой многослойного персептрона, необходимо произвести исследование показателей чувствительности и специфичности всех выходов сети.
Показатели чувствительности и специфичности в идеальном случае должны стремиться к 100%. В реальных условиях при решении задач диагностики, система должна выбрать один из нескольких вариантов диагноза. При этом по всем вариантам диагноза желательно иметь значения критериев чувствительности и специфичности системы по всем вариантам диагноза равномерно распределенными, но не ниже порогового
значения, при котором результат не может считаться достоверным í17!.
На рис. 4 показаны значения чувствительности и специфичности, показанные нейронной сетью, при различном числе нейронов в скрытом для двух вариантов выхода.
Для обучения нейронной сети был подготовлен набор данных из 458 эпизодов ЭКГ (обучающая выборка 50%, валидационная выборка 30%, и тестовая выборка 20%). Разработанная нейронная сеть содержит 9 входных нейронов, по числу учитываемых параметров, скрытый слой с 30 нейронами, и 5 нейронов в выходном слое (рис. 5).
Дпнтепьноь-Ъ QRS иктедалл
Длительность QT и к tí рвала
Разброс между ftft ни г арйалаии
Длительность РО тгорыла
Амплитуда S зубца
Harija anecie Т зубил
Амплитуда Р зубца Амплм т удз О i убцз Ширина О зубца
Рис. 5. Архитектура нейронной сети
Подготовленные входные данные подаются на входной слой нейронной сети, выходной слой которой диагностирует состояние пациента как нормальное (здоров), блокада левой ножки пучка Гиса (БЛВ), блокада правой ножки пучка Гиса (БПВ), преждевременный предсердный комплекс (ППК), желудочковая экстрасистола (ЖЭ).
В качестве активационной функции в выходном слое использовалась сигмоидальная функция. Для обучения искусственной нейронной сети был использован алгоритм
обратного распространения ошибки I18!. При определении выходного результата учитывается максимальное значение одного из выходных нейронов (этот сигнал интерпретируется как единица, а остальные как 0). Например, один из выходных нейронов имеет значение 0,87, если это максимальное значение в выходном слое нейронов, то оно будет интерпретировано как «1», т.е. значения других нейронов выходного слоя интерпретируется как «0».
Специфичность предложенной нейросетевой системы, проверена исследованием на контрольной группе без сердечно-сосудистых заболеваний, составила 81%. Чувствительность разработанной системы проверялась на контрольной группе с сердечно-сосудистыми заболеваниями, составила 79%. Точность обнаружения и извлечения компонентов сигнала ЭКГ, показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов.
Библиография
DOI: 10.7256/2306-4196.2016.3.18010. URL: http://e-notabene.ru/kp/article_18010.html.
