CC BY
26
Представленные модель и система позволили:
• предложить методику формирования границ индивидуальной физиологической нормы спортсмена по данным долговременных и кратковременных наблюдений его психофизиологического состояния;
• разработать модель процесса коррекции психофизиологического состояния организма спортсмена, позволяющую объяснить принципы управления тестовыми сигналами на основе учета индивидуальной нормы спортсмена при применении методики кардиотренинга с биологической обратной связью;
• разработать методику адаптивного биоуправления психофизиологическим состоянием спортсмена, обеспечивающую улучшение его спортивного результата путем постепенного возвращения текущих показателей психофизиологического состояния к ранее вычисленной норме.
| Литература |
1. Селье Г. На уровне целого организма. М.: Наука, 1972. 122 с.
2. Селье Г. Очерки об адаптационном синдроме. М.: Медицина, 1960. 254 с.
3. Гримак А. П. Психологическая подготовка парашютиста. М.: ДОСААФ, 1971. 76 с.
4. Барабанщиков А. В., Белоусов H.A., Сысоев В. В. Готовность к прыжку с парашютом. М.: ДОСААФ, 1982. 216 с.
5. Бутова О. А., Околито H. H. Физиологические характеристики и особенности конституции спортсменов-парашютистов // Конгресс «Восстановительная медицина и реабилитация — 2005». М., 2005. С. 37-38.
6. Садыкова H. А., Сенкевич Ю. И., Суворов H. Б. Принципы формирования индивидуальных нормативных физиологических параметров человека при периодических обследованиях методом функционального биоуправления с обратной связью // Биомедицинская радиоэлектроника. 2011. № 5. С. 34-40.
УДК 534.6; 615.9
Р. В. Исаков, канд. техн. наук, доцент
ГОУ ВПО «Владимирский государственный университет им. А. Г. и Н. Г. Столетовых»
Методика организации самообучения персептронных сетей при создании системы автоматизированного анализа электрокардиосигнала1
Ключевые слова: анализ, нейронные сети, самообучение, электрокардиография. Key words: analysis, neuron networks, self-training, electrocardiography.
Приводятся результаты разработки системы автоматизированного анализа электрокардиосигнала с возможностью самообучения в процессе эксплуатации. Описывается процедура предварительной обработки сигнала и создания входных образов, структура нейросетевых модулей обработки, методика создания и обучения нейронных сетей с учетом возможного последующего обучения.
Введение
Заболевания сердечно-сосудистой системы (ССС) являются наиболее распространенной причиной смертности и инвалидности во всем мире. По дан-
1 Исследование выполнено при поддержке Министерства образования и науки Российской Федерации, соглашение 14.B37.21.0175 «Метод и инструментальные средства оценки функционального состояния систем организма».
ным Всемирной организации здравоохранения, соответствующий показатель смертности составляет 42 и 30 % в Европе и мире соответственно. Как показывают исследования, в Российской Федерации от сердечно-сосудистых заболеваний ежегодно умирает более 1,2 миллиона человек. Возможным решением проблемы является развитие профилактической медицины, поэтому обеспечение своевременной и качественной диагностики сердечнососудистых заболеваний является актуальной и социально значимой задачей. Тем не менее нужно учитывать и то, что в сложившихся социально-экономических условиях наблюдается нехватка квалифицированных кардиологов в сельской местности и городах районного значения. Следовательно, сильно возрастает значение аппаратно-программных информационно-аналитических систем, обеспечивающих проведение автоматизированных экспресс-исследований населения с целью выявить отклонения от нормы. Их главная задача — раз-
Рис. 1 \ Алгоритм предварительной обработки ЭКС при создании образов кардиоциклов
деление обследуемых на группы риска и вынесение предварительных заключений.
При оценке состояния сердца и ССС ключевую роль играет анализ электрокардиограммы (ЭКГ), представляющей собой запись наблюдаемых на поверхности тела проекций объемных электрических процессов, происходящих в сердце. ЭКГ предоставляет информацию как о текущем состоянии ССС, так и о патологических изменениях в самом сердце. Границы нормы могут существенно изменяться из-за индивидуальных особенностей организма человека, принадлежности к той или иной этнической группе, проживания в разных географических регионах и иных факторов, которые трудно учесть в системах с неизменной структурой.
Решением данной проблемы должна стать адаптивная система с возможностью последующего обучения на месте эксплуатации. Анализ литературы показывает, что применение нейросетевого анализа в клинической практике способствует повышению точности диагностики заболеваний ССС. При этом можно использовать преимущество нейросетевых технологий: они способны обучаться на реальных образах и осуществлять корректную классификацию новых образов, обобщая прежний опыт и используя его в новых случаях [1].
Целью исследования является разработка методики организации самообучающейся системы комплексного нейросетевого анализа электрокар-диосигнала (ЭКС). В качестве задач приняты разработка метода предварительной обработки ЭКС, выбор модели и параметров искусственных нейронных сетей (ИНС), разработке методики самообучения и критериев ее контроля.
Материалы и методы
ЭКГ относится к информативным и наиболее распространенным методам обследования больных с заболеванием сердца. ЭКГ дает возможность диагностировать заболевания и синдромы, требующие неотложной кардиологической помощи. Необходимость их диагностики возникает в любое время суток, но, к сожалению, интерпретация ЭКГ и ее результат существенно зависят от уровня квалификации и опыта работы врачей.
В данной работе для предварительной обработки ЭКС был выбран подход, основанный на сегментации электрокардиокомплекса на три ключевые зоны, отвечающие за деполяризацию предсердий, деполяризацию желудочков и реполяризацию желудочков, так как нужно обнаружить только одну точку — К-зубец, он обладает относительно высокой амплитудой и малым периодом, хорошо обнаруживается существующими методами [2].
При создании экспериментальной базы данных элекрокардиокомплексов алгоритм предварительной обработки сигнала состоит из семи операций (рис. 1). В результате выполнения описанной процедуры получают образы трех основных сегментов ЭКГ.
В качестве базовой модели нейронной сети был выбран многослойный персептрон, входящий в состав модульной структуры (рис. 2), так как исследования [3] показали хорошие результаты его применения в задачах анализа ЭКГ.
Модульная структура имеет следующие особенности:
Нейросетевой модуль 0 1 г-Ь 1
Рис. 2
Обобщенный случай модульной структуры нейронной сети для, анализа ЭКС
• нейроны различных нейросетевых модулей не соединены между собой;
• каждый нейросетевой модуль должен обеспечивать распознавание одной патологии;
• сигнал образа ЭКС поступает на все нейросе-тевые модули одновременно;
• каждый нейросетевой модуль может иметь свою архитектуру (количество скрытых слоев и число нейронов);
• расширение функциональных возможностей системы можно реализовать без изменения готовых модулей.
Такая организация нейронной сети имеет биологическое обоснование. Известно, что функционирование головного мозга осуществляется за счет отдельных областей (нейромодулей), отвечающих за выполнение конкретных функций (слуха, зрения, моторных функций и т. п.) [4].
Обсуждение результатов
Результатом исследований представленной выше модели нейронной сети явилась методика организации самообучения (см. выше) нейронных сетей в системах анализа ЭКС.
Основным принципом работы нейросетевых систем является их обязательное предварительное обучение на примерах [1]. Для построения адаптирующейся системы целесообразно вначале провести полное обучение сети на базе данных ЭКС с известными диагнозами. Данное действие позволит настроить весовые коэффициенты межнейронных связей (синапсов) таким образом, чтобы система выдавала большое число правильных решений. Это сократит продолжительность ручной подстройки системы до требуемой достоверности результатов.
Важной задачей является определение размера нейросети или числа нейронов. В литературе приведены разные способы выбора данного параметра. Существуют зависимости между числом нейронов (или числом межнейронных связей) и количеством элементов входного образа, объемом обучающей выборки, параметрами обучения и т. п. [1]. Так как в случае постоянного самообучения объем выборки стремится к бесконечности, то, вероятно, необходимо выбирать максимально большой размер сети.
Известна методика выбора числа нейронов пер-септронной сети, выше которого не происходит увеличение точности модели, так как достигается теоретическое условие описания любой аналитической зависимости [1]. Согласно данной методике, количество нейронов в скрытом слое К не должно превышать (1 + 2М), где М — количество элементов входного вектора. Следовательно, для самообучающейся системы данное выражение можно использовать для расчета количества нейронов в скрытом слое нейронной сети.
Важен также контроль достоверности работы нейросетевых модулей в процессе самообучения. Для систем, у которых внутренние параметры не меняются, достоверность оценивается один раз и в дальнейшем фиксируется. В случае самообучения параметры достоверности системы диагностики могут колебаться — как увеличиваться, так и уменьшаться. Поэтому необходимо отменять любые изменения синапсических связей нейронной сети, если результат обучения показал отрицательные приращения параметров достоверности.
Достоверность работы систем распознавания (диагностики) принято оценивать по независимой (тестовой) базе данных, которые априорно верны. Для медицинских тестов в качестве параметров достоверности используются чувствительность и специфичность. Чувствительность теста отражает его способность обнаруживать присутствие искомого заболевания. Специфичность теста показывает точность определения отсутствия исследуемого заболевания. Значения чувствительности и специфичности характеризуют обобщающую способность сети и используются для клинической или диагностической интерпретации решений, основанных на статистических характеристиках или логических правилах и принимаемых с использованием векторов образов.
При скрининге, когда тест используется для установления факта наличия или отсутствия некоторого заболевания в определенной популяции исследуемого населения, решение, которое должно быть принято, носит бинарный характер [5]. Истинно положительный (ИП) результат представляет собой ситуацию, когда тест является положительным для пациента, имеющего заболевание. ИП доля или чувствительность определяется долей положительных результатов скрининга (наличие заболевания) в общем количестве пациентов, имеющих отличие от нормы:
5+ =
число ИП решений
число субъектов с заболеванием
Истинно отрицательный (ИО) результат представляет собой случай, когда тест является отрицательным для пациента, который не имеет заболевания. ИО доля, или специфичность определяется долей отрицательных результатов скрининга (отсутствие заболевания) в общем количестве пациентов, не имеющих отличий от нормы:
5+ =
число ИО решений
число субъектов без заболевания
В данной работе, кроме показателей чувствительности и специфичности, рассматривается еще и ошибка обучения или мера точности ИНС, которая определяется на основе алгоритма обучения (алгоритма обратного распространения ошибки) по
формуле = у1н — йр где у1н — полученное значение выхода ¿-го нейрона последнего слоя Ы; — требуемое значение ¿-го выхода ИНС.
Разработанная методика самообучения
• Прием электрокардиографического сигнала с цифрового кардиографа;
• обнаружение К-зубца и предварительная обработка сигнала, согласно алгоритму (см. рис. 1), получение входных образов предсердных, желудочковых и реполяризационных сегментов;
• подача входных образов в предварительно обученные нейросетевые модули и получение автоматического заключения ИНС;
• предъявление автоматического заключения врачу-кардиологу, который может одобрить или отклонить его;
• внесение входных образов в начало обучающей базы таким образом, что последний (самый старый) образ удаляется (в случае отклонения автоматического заключения врачом);
• осуществление процесса обучения ИНС до тех пор, когда ошибка становится постоянной в процессе обучения;
• тестирование адаптированной нейронной сети на тестовой базе данных с получением значений чувствительности и специфичности;
• восстановление весовых коэффициентов ИНС и обучающей базы, если один из параметров достоверности становится значительно ниже предыдущего значения (до обучения);
• повторение процесса для следующих записей ЭКГ.
Выводы
Разработанная методика самообучения предназначена для накопления опыта врача-эксперта в процессе работы с ним. Накопленный в ИНС опыт может быть тиражирован и использован всеми специалистами, даже не имеющими значительного опыта или квалификации, при проведении массовых экспресс-исследований с целью выделить группы риска, а также в программах автоматизированной расшифровки суточной записи ЭКГ.
Такой подход к построению системы автоматического анализа электрокардиосигнала дает возможность уменьшить число неверных заключений путем адаптации ИНС к конкретным условиям эксплуатации, аппаратной базе, учета принадлежности обследуемых к той или иной этнической группе, проживания в разных географических регионах. В настоящее время ведется разработка экспериментального образца самообучаемой системы автоматического анализа электрокардиосигнала.
| Литература |
1. Хайкин С. Нейронные сети: полный курс / Пер. с англ. 2-е изд. М.: Вильямс, 2006. 1104 с.
2. Суворов А. В. Клиническая электрокардиография. Н. Новгород: НМИ, 1993. 124 с.
3. Исаков Р. В., Аль-Мабрук М. А., Лукьянова Ю. А. и др. Результаты исследования нейронных сетей в задачах распознавания патологических изменений электрической активности сердца // Биомедицинская радиоэлектроника. 2010. № 7. С. 9-13.
4. Физиология человека: В 3 т. / Пер. с англ. под ред. Р. Шмидта, Г. Тевса. М.: Мир, 1996. Т. 1. 323 с.
5. Рангайян Р. М. Анализ биомедицинских сигналов / Пер. с англ. М.: Физматлит, 2007. 440 с.
f
л
Как оформить подписку?
• В любом отделении связи по каталогам «Роспечать» (по России) — индекс № 45886, через агентства «Урал-Пресс», «Гал», «Интер-почта 2003», «Информнаука».
• Через редакцию (с любого номера текущего года), отправив по факсу (812) 312-57-68 или электронной почте [email protected] заполненный запрос счета на подписку
Запрос счета для редакционной подписки на журнал «Биотехносфера»
Полное название организации_
Юридический адрес_
Банковские реквизиты_
Адрес доставки_
Срок подписки_Кол-во экз._
Тел._Факс_e-mail.
Ф.И.О. исполнителя _
Стоимость одного номера журнала при подписке через редакцию — 550 руб. с добавлением стоимости доставки (простой бандеролью). К каждому номеру журнала будут приложены накладная и счет-фактура. Журнал выходит 6 раз в год. Отдельные номера можно заказать с получением наложенным платежом. Информация о журнале — www.polytechnics.ru.
Журнал «Биотехносфера» распространяется только по подписке в России и странах СНГ.
^ Л
