CC BY
52
У
правление в медико-биологических системах
УДК 615.56
АЛГОРИТМИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДИАГНОСТИКИ АТЕРОСКЛЕРОЗА
Р.А. Файзрахманов, А.В. Кычкин
Рассмотрены задачи извлечения диагностической информации и принятия решения о возможном атеросклеротическом поражении сосудов человека. Описана система обработки биомедицинских сигналов и расчета параметров упругих свойств сосудов на основе анализа формы пульсовой волны, позволяющая с помощью экспертной базы знаний сформировать диагноз состояния сердечно-сосудистой системы пациента.
Ключевые слова: медицинская диагностика, форма пульсовой волны, диагностика состояния сосудов человека, экспертная система.
ВВЕДЕНИЕ
Повышение эффективности диагностики состояния сердечно-сосудистой системы человека достигается путем применения информационных технологий и автоматизации медицинских исследований. Особое внимание уделяется вопросам повышения достоверности и оперативности исследований атеросклероза как наиболее распространенного заболевания кровеносных сосудов лиц трудоспособного возраста. В этих целях производится сбор, обработка и анализ данных с устройств регистрации параметров сосудов. Методы съема и преобразования сигналов с медицинских датчиков пульсовой волны (ПВ) достаточно развиты и широко освещены в литературе [1, 2]. Однако алгоритмы обработки сигналов формы ПВ и извлечения диагностических параметров, а также методы принятия решений о состоянии сосудов требуют дальнейшего развития и совершенства.
Проблема атеросклероза интенсивно изучается как в плане исследования причин его развития, так и в плане ранней диагностики. Методы диагностики, базирующиеся на ультразвуковой визуализации крупных сосудов, требуют стационарного оборудования, длительного времени обследования одного пациента и не позволяют изучать мелкие артериальные сосуды. Более популярны методы диагностики, реализуемые с помощью при-
боров регистрации параметров ПВ. На рынке отечественного оборудования известна приставка «Поли-Спектр-СРПВ» для регистрации и анализа скорости распространения ПВ. За рубежом производится система массового обследования сосудов Vasera VS-1000 фирмы «Fukuda Denshi» (Япония). Датчики в этих устройствах соединяются с блоком регистрации проводами, что приводит к некоторым трудностям, повышаются требования к правильной посадке пациента, пациент не может двигаться во время обследования. Регистрируется ПВ только у неподвижного человека, что не позволяет получить более полные характеристики сосудов.
Существующие методы оценки состояния артерий (ультразвуковая визуализация, рентгеноконтрастные методы и др.) не вполне удовлетворяют потребностям практической медицины при массовых исследованиях населения. В связи с этим возникает необходимость разработки системы, допускающей оперативную обработку и анализ формы колебаний сосудов (сфигмограмм) и позволяющей оценить развитие заболевания.
Для регистрации формы колебаний сосудов человека в движении целесообразно применение программно-аппаратного комплекса сбора данных, в состав которого входят беспроводные датчики регистрации смещения стенок сосудов во времени и устройство сбора данных с интерфейсом для подключения к персональному компьютеру.
При различной подвижности пациента меняется кровенаполнение сосудов и, следовательно, форма ПВ. С помощью беспроводных датчиков можно исследовать пациента в состоянии покоя, при ходьбе и выполнении различных упражнений, например, приседаний. При измерениях в состоянии покоя не допускается движение пациента, во всех остальных случаях необходимо дополнительно следить, чтобы чувствительный элемент, прикрепленный резиновой манжетой, не сдвигался с точки замера. С помощью беспроводных датчиков ПВ замер производится в течение 10 с, максимальное расстояние беспроводной передачи данных на ПК составляет 10 м.
При регистрации ПВ в режиме реального времени с помощью цифровых беспроводных датчиков возникает ряд трудностей. Прежде всего, для мониторинга пульса во многих точках необходимо качественное преобразование аналоговых сигналов с чувствительных элементов — пьезоэлектрических пластин. Это достигается путем децентрализации процесса аналого-цифрового преобразования с помощью набора микроконтроллеров, расположенных в местах регистрации ПВ. Далее, из-за ограниченной производительности локальных микроконтроллеров необходима дополнительная обработка данных на персональном компьютере в целях устранения помех и фильтрации паразитных гармоник. Эта задача решается с помощью процедур устранения дребезга, простого скользящего среднего (ПСС) и экспоненциального скользящего среднего (ЭСС) [3].
Информация об упруго-вязких свойствах артерий и клиническом состоянии пациентов концентрируется в экспертной базе знаний и используется для принятия решений о возможности атеро-
склеротического поражения сосудов. База знаний формируется на основе экспериментальных исследований, а также математической обработки данных, классификации и кластеризации обследуемых единиц.
1. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА СИГНАЛА ПУЛЬСОВОЙ ВОЛНЫ
Алгоритм устранения дребезга корректирует заведомо неверные выходящие за границы показания, полученные в результате скачков опорного напряжения АЦП либо искажений при кодировании-декодировании цифрового сигнала при беспроводной передаче, либо резких смещений датчика во время замера. Его суть заключается в следующем: если интервал между двумя соседними значениями f , и f значительно больше интер-
■/ т — 1 ■/ т г
вала между значениями /т _ 1 и /т + 1, то значение 4 должно корректироваться. Это записывается условием:
\/т - 1 - О > (|4 - 1 - 4 + 11 + а)Ь,
где /т - 1, /т и /т + 1 - смещения стенок сосуда, пропорциональные напряжению на выходе датчика пульсовой волны, т — 1, т и т + 1 — отсчеты времени соседних измерений. Параметры а и Ь выбираются на основании оценки качества сигнала. На рис. 1 показан результат выполнения процедуры устранения дребезга. Во время замера искусственно подавались случайным образом единичные мгновенные импульсы, имитирующие смещение датчика с точки замера. На рис. 1, а показан сигнал, зашумленный дребезгом, на рис. 1, б — сигнал после выполнения процедуры устранения дребезга.
Ді), мВ ЛО, мВ
а б
Рис. 1. Результат программной реализации процедуры устранения дребезга:
а — сигнал с дребезгом; б — сигнал после устранения дребезга
ДО, мВ
А(0, мВ
Рис. 2. Результат программы фильтрации:
а — фильтр простого скользящего среднего (т = 20); б — фильтр экспоненциального скользящего среднего (а = 0,15); сплошной линией показан результирующий сигнал, штриховой — первичный
Экспоненциальное скользящее среднее описывается выражением /т = а/т + (а - 1)/т _ 1, где / — сглаженное значение смещения стенки сосуда, / и /т - 1 — смежные значения смещений стенки сосуда до сглаживания, параметр а принимает значения от 0 до 1. Степень сглаживания низкая при а « 1, высокая — при а « 0.
Скользящее среднее в окне шириной т значений реализуется следующим образом:
/і + /2 + ... + їт + 1 + ... + їт - 1 + /т
2
т
/2 + /3 + ... + /т + 1 + 1 +
2
+ /т + /т
т + 1
т + 1
+1
т
т + 1
+2
Процедура фильтрации с помощью ЭСС осуществляется быстрее, чем с помощью ПСС, однако результат недостаточно корректен. Как показано на рис. 2, фильтр ЭСС сдвигает данные немного вправо, зато экстремумы не становятся плоскими, как с ПСС, что упрощает их поиск.
Эмпирическим путем установлено, что достигается качественное сглаживание и сохранение ярко выраженного экстремума, необходимого для построения среднего периода, при использовании фильтров ПСС и ЭСС последовательно. В этом случае необходимо учитывать ошибку смещения
сигнала, равную т/2 — половине ширины окна фильтра ЭСС.
2. РАСЧЕТ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ
Беспроводные датчики позволяют замерять ПВ в точках отчетливой пульсации сонной артерии, бедренных артерий ног, лучевых артерий рук, височных артерий, артерий предплечий, подколенных артерий, артерий стоп.
После цифровой фильтрации замеренного сигнала форма ПВ обрабатывается и рассчитываются параметры, характеризующие жесткость стенок сосудов и косвенно определяющие степень развития атеросклероза. К таким параметрам относят скорость распространения ПВ, которая определяется с помощью нескольких датчиков и рассчитывается между предплечьем и правой лодыжкой, между предплечьем и левой лодыжкой, на аорте и др. К диагностическим параметрам также относят индекс отражения и скорость нарастания прямой ПВ, характеризующие тонус (упругость) мелких мышечных артерий [4].
Параметры рассчитываются по усредненной форме ПВ, которая кодируется с частотой дискретизации 1 кГц в информационной системе массивом измерений, охватывающем около 10 с работы стенок сосуда. Для распознавания периода колебаний ПВ рассчитываются максимальные и минимальные значения, определяющие период ПВ, без учета локальных экстремумов, далее рассчитывается средняя длительность периода, подмассивы периодов колебаний калибруются и усредняются.
2
2
Распознавание интервалов в массиве измерений, соответствующих максимумам, осуществляется путем поиска локальных максимумов, сравнением соседних локальных максимумов и определением глобальных. После дифференцирования сигнала ПВ на участке глобального максимума определяется точное значение экстремума.
Поиск интервалов, соответствующих минимумам, производится путем определения первого нулевого значения интерполированной производной функции /т с шагом к на интервале между соседними максимумами N и N — 1:
fm =
fm - 2 fm - 1 + fm + 1 fm + 2
12h
Далее производится заполнение подмассивов измерений формы колебаний, заключенных между экстремумами, заполнение периодов, вычисление средней длительности периода, калибровка циклов и формирование среднего периода.
Скорость V распространения ПВ рассчитывается путем сравнения сигналов с двух датчиков, расположенных на расстоянии L друг от друга:
V = L/(t1max - ^2mJ, где W ?2max — моменты времени, соответствующие максимумам ПВ двух сигналов. Следующие показатели рассчитываются по сигналу с одного датчика. Индекс отражения: отношение амплитуды прямой ПВ к амплитуде обратной. Скорость нарастания ПВ во время прохож-
_ fmax — fm
дения пучка крови: k =
tmax tmin
, где f и f —
max min
значения максимума и минимума ПВ за период, С™ и ? • — моменты времени, соответствующие
ШоХ тш
этим экстремумам.
На реальные сигналы ПВ накладываются дополнительные требования в целях повышения точности предварительного анализа формы колебаний и возможности выделения периодических сигналов. Понятно, что сглаживание и дальнейшая обработка непериодических сигналов не приведет к достоверным результатам. Дополнительное требование для точного анализа формы колебаний состоит в наличии четких, неплоских экстремумов. При несоблюдении требований следует произвести повторные замеры.
В качестве вспомогательной выделяется функция быстрого преобразования Фурье [5] для построения спектрограммы сигнала, которая может использоваться при дополнительных исследованиях. В частности, гармоника с наибольшей амплитудой соответствует частоте сердцебиения.
Трудности анализа диагностических параметров обусловлены и тем, что характер поведения
объекта исследования сугубо индивидуален. Поэтому для принятия решений о возможных атеросклеротических поражениях сосудов целесообразно применение современных интеллектуальных технологий. В данной работе в качестве инструментального средства поддержки принятия решений при диагностике атеросклероза используется экспертная система с нечетким логическим выводом.
3. РАБОТА ЭКСПЕРТНОЙ СИСТЕМЫ
На рис. 3 показана структура экспертной системы.
В работе экспертной системы (см. рис. 3) выделяется два основных режима.
Первый режим — заполнение базы знаний (БЗ). Данные о пациенте и зарегистрированные с помощью беспроводных датчиков ПВ в нескольких точках сигналы длительностью 10 с каждый сохраняются в базе данных (БД), а рассчитанные показатели П1 п сигналов ПВ (табл. 1) — в БЗ. Одновременно с этим, эксперт Э проводит исследование сосудов данного пациента известными методами, например с помощью ультразвуковой диагностики. Учитывая историю болезни пациента, эксперт формирует заключение о стадии развитии атеросклероза, которое заносится через интерфейс эксперта ИЭ в БД. Множество диагностических параметров п1 N 1 ц, рассчитанных по данным исследований и1 № и сопоставляемые им экспертные заключения э1 № (табл. 2) формируют БЗ с помощью модуля приобретения знаний МПЗ [6].
После заполнения БЗ достаточным объемом исследований (второй режим) пользователь систе-
Рис. 3. Структура экспертной системы диагностики атеросклероза
Таблица 1
Показатели измеряемых пульсовых сигналов
Показатель Обозначение
Скорость распространения ПВ:
между предплечьем и правой лодыжкой П1
между предплечьем и левой лодыжкой #2
сонной артерии #3
бедренной артерии на левой ноге П4
бедренной артерии на правой ноге П5
лучевой артерии на левой руке П6
лучевой артерии на правой руке П7
подколенной артерии на левой ноге #8
подколенной артерии на правой ноге #9
Индекс отражения П10
Скорость нарастания прямой ПВ П11
Таблица 2
Структура полей базы знаний
мы ПС через интерфейс пользователя ИП обращается к БЗ. Диагностические параметры сосудов пациента соотносятся с каким-либо классом сосудов с известными экспертными заключениями, характеризующими стадию развития атеросклероза. Классификация параметров осуществляется на основе статистических методов обработки данных БЗ с помощью механизма вывода МВ [7]. В результате определяется уровень и стадия развития атеросклероза, более подходящие к введенным параметрам, формируется диагноз, который сохраняется в журнале пациента БД.
ЗАКЛЮЧЕНИЕ
Рассмотренная система дает возможность оперативного и мобильного диагностирования состояния сердечно-сосудистой системы пациента. К ее основным преимуществам относятся: обработка синхронно измеренных форм ПВ в произвольном числе точек на теле человека в реальном масштабе времени по информации, поступающий с модулей дистанционного сбора данных, отслеживание параметров состояния пациента как в статике, так и в динамике; прогнозирование изменений состояния здоровья пациента. Модульная архитектура программного обеспечения дает возможность расчетов различных параметров формы ПВ в различных встраиваемых процедурах.
ЛИТЕРАТУРА
1. Mendelson Y., Burt D. Noninvasive Pulse Oximetry Utilizing Skin Reflectance Photoplethysmographhy // IEEE Biomedical Engineering. - 1988. - Vol. С-35, N 10. - P. 65-72.
2. Ливенцев Н. М., Ливенсон А.Р. Электромедицинская аппаратура. — М.: Медицина, 1974. — 336 с.
3. Хемминг Р.В. Цифровые фильтры. — М.: Недра, 1987. — 221 с.
4. Затейщикова А.А., Затейщиков Д.А. Эндотелиальная регуляция сосудистого тонуса: методы исследования и клиническое значение // Кардиология. — 1998. — № 9. — С. 68—78.
5. Михайлов Н.Ю., Толмачев Т.Н. Высокочастотные колебания в сигнале пульсовой волны и их связь с адаптационными реакциями // Биофизика. — 2008. — Т. 53, вып. 3. — С. 482—487.
6. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. — М.: Наука, 1987. — 288 с.
7. Тюрин Ю.Н., Макаров А.А. Статистический анализ данных на компьютере. — М.: Инфра-М, 1998. — 528 с.
Статья представлена к публикации членом редколлегии В.Н. Новосельцевым.
Файзрахманов Рустам Абубакирович — д-р экон. наук, проф., зав. кафедрой, e-mail: [email protected],
Кычкин Алексей Владимирович — ассистент, e-mail: [email protected], [email protected],
Пермский государственный технический университет,
®(3422) 39-18-54.
Номер И П1 П2 П3 П11 Э
1 и1 n1,1 n1,2 n1,3 n1,11 э1
2 и2 n2,1 n2,2 n2,3 n2,11 Э2
N UN nN,1 nN,2 nN,3 nN,11 %
