CC BY
97
УДК 519.688
Я. С. Мамонтов
Юго-Западный государственный университет ул. 50 лет Октября, 94, Курск, 305040, Россия
АНАЛИЗ И КЛАССИФИКАЦИЯ ФОТОПЛЕТИЗМОГРАММ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ ХОПФИЛДА
Представлены результаты теоретических исследований процессов обработки информации с помощью нейронной сети Хопфилда. Рассматривается метод анализа информации для классификации фотоплетизмограмм. Обсуждается актуальность идентификации человека в чрезвычайных ситуациях. Ключевые слова: классификация, нейронные сети, фотоплетизмограмма.
Введение
По данным Всемирной организации здравоохранения (ВОЗ), сердечно-сосудистые заболевания (ССЗ) являются основной причиной смерти во всем мире. В связи с этим актуальную проблему представляет разработка новых систем экспресс-диагностики состояния сердечнососудистой системы (ССС), позволяющих за минимальный промежуток времени получить максимально возможный объем достоверной информации в ситуациях, когда нахождение правильного и своевременного решения жизненно важно для сохранения здоровья человека. Такая система может предоставить врачам возможность дистанционного мониторинга за состоянием пациентов, а также способна помочь сотрудникам МЧС и военным при поисково-спасательных операциях определить приоритет оказания помощи пострадавшим. Существующие системы, применяемые при поисково-спасательных операциях, не обеспечивают возможность слежения за состоянием людей, погребенных под завалами, лавиной снега или заблокированных в шахтах. При ведении аварийно-спасательных и других неотложных работ, связанных с ликвидацией ЧС, особую роль играет планирование и управление спасательной операцией, во время которой важно определить последовательность оказания помощи пострадавшим и время всей операции. Ответственному лицу (командиру подразделения или руководителю ликвидации ЧС) при проведении аварийно-спасательных работ необходима информация о состоянии не только пострадавших, но и участников спасательных работ. При этом для принятия своевременных адекватных решений данные сведения должны поступать в режиме реального времени и максимально достоверно отражать информацию о состоянии здоровья. Информация о состоянии всех людей, находящихся в опасной зоне, в том числе полученная от участников ликвидации ЧС или участников боевых действий, должна немедленно поступать к ответственному лицу, принимающему решение о том, каких пострадавших эвакуировать в первую очередь. При этом должна существовать возможность дальнейшего структурирования и систематизации этой информации. Для этого в создаваемом комплексе планируется накапливать информацию в виде базы данных. Тем самым создаются архивы наблюдений, которые могут использоваться для получения статистических данных и проведения научных исследований. Применение подобного комплекса способно повысить
Мамонтов Я. С. Анализ и классификация фотоплетизмограмм с помощью нейронной сети Хопфилда // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2014. Т. 12, вып. 4. С. 53-58.
ISSN 1818-7900. Вестник НГУ. Серия: Информационные технологии. 2014. Том 12, выпуск 4 © Я. С. Мамонтов, 2014
54
Я. С. Мамонтов
эффективность оказания помощи не только пострадавшим в опасной зоне, но и самим сотрудникам спасательных медицинских служб в случае получения травм или ранений.
Материалы и методы
В проектируемом комплексе для контроля ССС предполагается использовать метод, базирующийся на регистрации и обработке сигнала периферической артериальной пульсации крови при помощи фотоплетизмографии.
Фотоплетизмографический сигнал представляет собой изменение во времени объема кровеносного сосуда под действием пульсовых волн. Для регистрации фотоплетизмографиче-ского сигнала через исследуемый участок биологической ткани пропускается поток излучения оптического или инфракрасного диапазона. Величина сигнала измеряется как ослабление излучения, проходящего через исследуемый участок биологической ткани, содержащей кровеносный сосуд (или отраженного от участка исследуемой биологической ткани). Регистрация и выделение пульсирующей составляющей сигнала, характеризующей изменение размеров артериальных сосудов с каждым сердечным циклом, позволяет исследовать эластические свойства кровеносных сосудов [1]. Устройство для регистрации ФПГ предполагается крепить на мочке ухе.
Каждый фрагмент ФПГ-сигнала представляет собой периферическую пульсовую волну. Максимум этой волны соответствует моменту максимального кровенаполнения сосуда - систоле, а минимум - диастоле. Амплитуда регистрируемых колебаний зависит от разности давления в сосудах при систоле и диастоле [1]. Примеры фотоплетизмограмм, полученных из базы данных физиологических сигналов [2], приведены на рис. 1, 2. Данные ФПГ оцифровывались 12-битным АЦП, с частотой дискретизации 125 Гц.
На рис. 2 представлен фрагмент ФПГ с нарушенной формой сигнала: значение длительности периода анализируемого сигнала выходит за пределы возможных временных рамок, кроме того, невозможно однозначно выделить систолу и диастолу. Подобные искажения могут быть вызваны неправильной установкой устройства для регистрации ФПГ, наличием внешней засветки фотодатчика (фотодиода или фототранзистора), воздействием внешних электромагнитных полей. Автоматический анализ такого сигнала с помощью ЭВМ приведет к получению ошибочного результата.
Для устранения этой проблемы применяется относительное описание формы пульсовой кривой. Программа для обработки ФПГ находит локальные минимумы и максимумы сигнала. По классификации сигналов ФПГ, форма сигнала может иметь 4 разновидности [3]:
1) отчетливо видна впадина на нисходящей части кривой ФПГ;
2) нет впадины, на ее месте есть горизонтальный участок;
3) нет впадины и горизонтального участка, но есть а) резкое изменение угла спадающей части ФПГ; б) резкое изменение угла спадающей части ФПГ на нисходящей части; на восходящей части есть изменение угла подъема кривой;
4) нет впадины, горизонтального участка и скачка угла; кривая ФПГ имеет сглаженную форму.
Эти 4 разновидности формы сигнала можно охарактеризовать с помощью последовательности локальных минимумов и максимумов между двумя систолами.
Рис. 1. Фрагмент ФПГ пациента: а - женщина, 67 лет; б - мужчина, 38 лет; в - мужчина, 70 лет
\ ц \ л
-И. / г* \ / \
\ \ щ V г> \ / \ ш 1
V/ / У \ /
1
Grid intervals: 0.2 see, 0.5 mV iPLbTHi
Рис. 2. Фрагмент ФПГ, загрязненный шумами и «артефактами»
[14:11:43]
а б в
Рис. 3. Пример относительного кодирования формы пульсовой кривой
i / У \ ( \ f
h к \ А Si_✓ к
'га 10.1« 10.29 10.435 '.Ü5S 10.725 10.87 '1015 1116 Timö
Рис. 4. Два фрагментТ ФПГ с разной частотой пульса
Для рис. 3, а это описание будет иметь вид «максимум - локальный минимум - локальный максимум - локальный минимум - максимум», а для рис. 3, б «максимум - локальный минимум - максимум». Предварительный анализ возможной длительности периода анализируемого сигнала и последовательности распределения локальных минимумов и максимумов позволяет исключить фрагменты ФПГ с аномальной формой кривой. Для анализа такого способа кодирования 2 ФПГ одного и того же человека, снятые в разные моменты времени, были построены на одном графике с помощью математического пакета МаШСАБ (рис. 4). Было установлено, что при изменении частоты пульса последовательность минимумов и максимумов сохраняется. Эта особенность позволяет совместно с применением нейронной сети Хоп-филда и анализом максимальной амплитуды сигнала (систолы) и минимальной амплитуды (диастолы) с некоторой вероятностью идентифицировать личность человека. С этой целью для каждого человека создается база данных его возможных ФПГ. Сигналы, находящиеся в базе, считаются образцовыми. Сеть Хопфилда анализирует сигнал, поданный на ее вход, и дает заключение, соответствуют ли входные данные эталонному образцу или не соответствуют ни одному из образцов.
Сеть Хопфилда является автоассоциативной сетью, ведущей себя подобно памяти, которая может вспомнить сохраненный образец даже по подсказке, представляющей собой искаженную помехами версию нужного образца. Сеть Хопфилда является рекуррентной в том смысле, что для каждого входного образца выход сети повторно используется в качестве ввода до тех пор, пока не будет достигнуто устойчивое состояние [4].
56
fl. С. Мамонтов
0.48 и 36 U 24 и 12 0
-012 -0.24 -0.36 -048
Pfez2 О -0.12
■N г
\ !
\
\ /
/
V / Л /
\
N У
0,36 О 24 0.12 Plez2 0 --012-0.24- О 36
-012 -0.24 -036 -048
п
■ ■
■ ■
■ ■
■
■
1
.0 10.0710.1410.2110 .2810.3510.42 10 .4910.5610.63 1С
time
■
■1 ■
^Г 1
_ _ ■■■
'10 10.0710.1410.21 10.2S 10.3510.42 10.4910.2610.63 10.7 '10 10.0710.1410.21 10.2310.3510.4210.4910.5610.63 10.7 '10 10.0710.1410.21 10.2810.3510.42 10.4910.5610.63 10.7
А /
- \ 1 /
\ 1
- \ /
—
0.36 О 24 0.12 Plez3 0 --012-0.24- 0.36 -
3 I
■ II
т
■
ш ■
т я
□пг
10 10.0710.1410.2110.2810.3510.42 10.4910.5610.63 10.7 10 10.0710.1410.21 10.2310.3510.42 10.4910.5610.63 10.7 '10 10.0710.1410.21 10.2810.3510.42 10.4910.5610.63 10.7
time time time
а бв
Рис. 5. Обработка исходных данных и получение эталонных образов: а - восстановленный исходный сигнал; б - данные, полученные с устройства для регистрации ФПГ; в - эталонный образ, сохраненный в сети Хопфилда
Алгоритм функционирования сети следующий [5].
1. Обучение. Пусть ¿¡, ¿2, ■ ■■ , ¿м - известное множество ^-мерных ячеек фундаментальной памяти. Используя правило векторного произведения, вычислим синаптические веса сети:
1 м
*=^ е^;- м1,
где Ж - матрица синаптических весов размерности N X N 77-м элементом которой является
синаптический вес Wj7; - векторное произведение вектора самого на себя. Элементы
вектора равны ±1; I - единичная матрица.
После того как веса вычислены, они сохраняются в этих фиксированных значениях.
2. Инициализация. Пусть §проб. - неизвестный ^мерный входной вектор, представленный в сети. Алгоритм инициализируется следующими значениями:
х] (0) = £ 7,проб., 7 = 1,2,..., N,
где Х](0) - состояние нейрона] в момент времени п = 0; ^/,проб. - ]-й элемент вектора испытаний ^проб.
3. Итерации до полной сходимости. Выполним корректировку элементов вектора состояний х(п) в асинхронном режиме в соответствии с правилом
N
X] (п +1) = w]7 X] (п)), 7 = 1,2,..., N,
7 =1
где ъ^р - функция определения числа или сигнум-функция.
Повторяем итерации до тех пор, пока вектор состояний х не перестанет изменяться.
4. Формирование выхода. Пусть xflks. - фиксированная точка, вычисленная в результате завершения шага 3. Тогда результирующий выходной вектор будет следующим:
у = ^ь.
Заключение
В работе проведено теоретическое исследование процессов обработки информации с помощью нейронной сети Хопфилда. Выявлено, что к недостаткам данного метода идентификации личности можно отнести то, что иногда сеть не может провести распознавание и выдает на выходе несуществующий образ [4]. Частично это связано с ограниченностью числа образов, которые можно сохранить в сети Хопфилда. Емкость сети Хопфилда (с учетом «вспоминания» практически без ошибок) определяется как [5]:
max 2log^'
где N - размер сети.
Кроме того, если два образа сильно похожи, они будут вызывать у сети перекрестные ассоциации. Поэтому сеть Хопфилда может использоваться лишь как вспомогательный инструмент для поддержки принятия решений. Однако данное исследование показало, что нейронные сети имеют огромный потенциал и в целом могут использоваться в задачах идентификации личности человека.
Список литературы
1. Федотов А. А., Акулов С. А. Математическое моделирование и анализ погрешностей измерительных преобразователей биомедицинских сигналов. М.: Физматлит, 2013. 282 с.
2. Goldberger A. L., Amaral L. A. N., Glass L., Hausdorff J. M., Ivanov P. Ch., Mark R. G., Mietus J. E., Moody G. B., Peng C-K., Stanley H. E. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals // Circulation. 2000. Vol. 101 (23). P. e215-e220. URL: http://circ.ahajournals.org/cgi/content/full/101/23/e215.
3. Галкин М., Змиевской Г., Ларюшин А., Новиков В. Кардиодиагностика на основе анализа фотоплетизмограмм с помощью двухканального плетизмографа. // Фотоника. 2008. № 3. С.30-35.
4. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. М.: Вильямс, 2001.
5. Хайкин С. Нейронные сети: полный курс: Пер. с англ. 2-е изд. М.: Вильямс, 2006.
Материал поступил в редколлегию 16.04.2014
Ya. S. Mamontov
South-West State University 94, 50 years October Str., Kursk, 305040, Russian Federation
ANALYSIS AND CLASSIFICATION PHOTOPLETHYSMOGRAM BY USING NEURAL NETWORK OF HOPFIELD
The paper presents the results of theoretical studies of process of data handling by using neural network of Hopfield. Is considered method of analysis information for classification photople-thysmogram. Is discussed the relevance of the human identification in emergency situations.
Keywords: classification, neural networks, photoplethysmogram.
58
fl. C. MaMOHTOB
References
1. Fedotov A. A., Akulov S. A. Mathematical modeling and error analysis of measuring transducers for biomedical signals. Moscow, 2013. (in Russ.)
2. Goldberger A. L., Amaral L. A. N., Glass L., Hausdorff J. M., Ivanov P. Ch., Mark R. G., Mietus J. E., Moody G. B., Peng C.-K., Stanley H. E. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation, 2000, vol. 101 (23), p. e215-e220. URL: http://circ.ahajournals.org/cgi/content/full/101/23/e215. (in Russ.)
3. Galkin M., Zmievskoy G., Laryushin A. Novikov V. The heart conditions diagnosis based on the analysis of photoplethysmogram using dual plethysmograph. Photonics, 2008, no. 3, p. 30-35. (in Russ.)
4. Callan R. The Essence of Neural Networks. Williams, 2001. (in Russ.)
5. Haykin S. Neural Networks: A Comprehensive Foundation. 2nd ed. Williams, 2006. (in Russ.)
