CC BY
15
Малыгин Иван Александрович
mr.little.cat.ru@gmail.com Тульский государственный педагогический университет
им. Л.Н. Толстого
Факультет математики, физики и информатики (магистратура, 2 год обучения) Научный руководитель - д. пед. н. Ю.И. Богатырева
ОБРАБОТКА ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ ЭЛЕКТРОКАРДИОГРАММ ДЛЯ РЕАЛИЗАЦИИ АЛГОРИТМОВ АВТОМАТИЗИРОВАННОГО РАСПОЗНАВАНИЯ
Malygin Ivan A.
Tula State Lev Tolstoy Pedagogical University Faculty of Mathematics, Physics and Informatics (2nd year of master's degree) Scientific Advisor - Dr. of Science (Pedagogy) Y. I. Bogatyreva
PROCESSING of GRAPHIC IMAGES of ELECTROCARDIOGRAMS
for the IMPLEMENTATION of AUTOMATED RECOGNITION
ALGORITHMS
Аннотация: Рассмотрен процесс распознавания графического изображения электрокардиограммы. Описаны графические изменения электрокардиограммы, представлен результат снятия нормальной кардиограммы и патологические изменения на кардиограмме. Также в статье представлены алгоритмы автоматизированного распознавания для дальнейшей реализации с использованием разрабатываемого программного обеспечения.
Ключевые слова:распознавание изображений, электрокардиограмма,
ЭКГ.
Abstract: The process of recognition of a graphic image of an electrocardiogram is considered. The graphical changes in the electrocardiogram are described, the result of the removal of a normal cardiogram and pathological changes on the cardiogram are presented. The article also presents algorithms for automated recognition for further implementation using the developed software.
Keywords: image recognition, electrocardiogram, ECG.
Введение. Электрокардиограмма (ЭКГ) - неинвазивный метод исследования сердечно-сосудистой системы человека. Принцип работы электрокардиограммы базируется на регистрации биоэлектрических потенциалов действий, возникающих при работе сердечной мышцы.
Клетки живого организма человека по электрохимическим свойствам не явлются нейтральными, они имеют разные заряды с внутренней и наружной поверхности плазматической мембраны, причем сама клетка миокарда имеет свойство возбудимости и сократимости, как и любая другая мышечная клетка. За счет этой разности при возбуждении возникает потенциал действий, инициирующий электрическую активность сердца.
При регистрации биоэлектрической активности учитывается возбуждение различных отделов сердца, результатом данного процессаявлется стандартная картина из зубцов и интерваловна кардиограмме(Рис. 1):
ош
Р «к» »т т ти и р ОН5
Л Л у"
к/ V я \ а я
РО ОТ ТР
ПН
Рис.1. Зубцы и интервалы эталоннойЭКГ[6]
Сразвитием информационных технологий в медицине и, как следствие, улучшением электронных баз данных широко распространилась практика сохранения результатов кардиограммы в электронном формате: в виде файлов.
ЭКГ позволяет быстро и безболезненно провести диагностику заболеваний сердечно-сосудистой системы и практически не имеет противопоказаний, кроме острых и тяжёлых состояний, не обладает никакими побочными эффектами, не влечет за собой трудностей для пациента и врача [4-5]. Это оперативный метод функциональной диагностики, который существует уже много лет и позволяет подтвердить то или иное заболевание сердечно-сосудистой системы, поэтому он используется повсеместно: от педиатрии до кардиохирургии [7].
Цель настоящего исследования - описать процесс распознавания электрокардиограммы для дальнейшего машинного обучения с последующей разработкой алгоритма, модели и программного обеспечения для принятия решения.
Научная новизна исследования заключается в том, чтобыл использован метод дискретного преобразования Фурье как один из методов спектрального анализасцелью разработки алгоритмов и программного обеспечения в ходе автоматизированного распознавания ЭКГ.
Материалы и методы исследования.
С помощью современного программного обеспечения можно распознавать ЭКГ как графический объект, а значит, и анализировать ее составляющие и характерные свойства как картинку с определенными изображаемыми частями. Успешное распознавание тех или иных элементов графического изображения обусловленовыделением характерных именно для ЭКГ паттерн.
В случае нормальной кардиограммы имеем следующее (см. рис. 1):
1. три положительных зубца Р, R и Т - направлены вверх от изолинии;
2. два отрицательных зубцов Q и S - направлены вниз от изолинии
3. интервалы, совпадающие с изолинией: Р - Q, Q - ^ S - ^ T - P, R -
R.
Именно длительность, в нашем случае длина приведенных элементов и отклонений от референтных значений, и является основанием для распознавания ЭКГ, азначит, и разработки программного обеспечения для принятия решений на основании этого распознавания [3].
Для корректного анализа графических изображений кардиограмм необходимо представлять, какое разрешение должно быть у них относительно монитора компьютера. С этой целью воспользуемся стандартными характеристиками.
Графическое изображение на экране монитора у пользователей образуется из отдельных точек - пикселей. Пространственное разрешение экрана монитора - это количество всех взятыхпикселей, из которых складывается изображение. Оно определяется произведением количества вертикальных строк изображения на количество точек в строке по горизонтали.
В среднем примем, что размеры пикселей на мониторе составляют от 0,1245 мм (минимальный размер для монитора с характеристиками диагонали 22.2 дюймов, разрешением 3840 на 2400 точек) до 0,303 мм (для монитора с характеристиками диагонали 27 дюймов, максимальных размер с разрешением 1920 на 1200 точек).
Согласимся с заключениями А.Ю. Кривцова и В.В. Лавлинского, что один миллиметр графического изображения кардиограммы ЭКГ как по горизонтальной плоскости, так и по вертикальной помещается в отрезок от трех до восьми пикселей. В таком случае единичную площадь монитора (1 миллиметр в квадрате) можно представить в виде квадратичной матрицы,состоящей из пикселей, где сторона квадрата способна изменяться от трех до восьми пикселей.
Если оценивать данные на сайте государственных закупокдля больниц и стационаров [9], то самым распространенным монитором является прибор, имеющий диагональ 17 дюймов и разрешение 1440 на 900 точек. Размер пикселя в этом случае будет равен 0,255. Матрица пикселей для одного квадратного миллиметра площади будет равна 4 на 4 пикселя.
Далее учтем скорость записи бумажной ленты. Этот показатель равен 25 мм/с, при этом 1 мВ электрического сигнала в среднем укладывается в 10 мм на бумажной ленте. С указанными ранее характеристиками 1 мВ для пикселей равен с округлением 40 пикселям для используемого монитора.
Таким образом, общая амплитуда ЭКГ при таком способе анализа должна составлять минимум 30 мм. Если ЭКГ патологическая и в ней есть изменения, то нужно брать большие значения. Прибавим 50% к минимальному значению и для патологически измененной ЭКГ минимум составит 45 мм.
Исходя из того, что необходимо отобразить определенный графический файл, его размерность должна быть не менее её длины умноженной на 4. С этой целью предлагается преобразовать графический файл ЭКГ из формата JPEG в матрицу нулей и единиц размерностью 194*900, где значение 0 соответствует фону ЭКГ, а значение 1 соответствует самой ЭКГ [6].
В дальнейшем необходимо осуществить преобразование графических файлов формата JPEG зубцов ЭКГ в матрицу с принятым размером 194 на 900 точек для обработки и использования нейронной сети, которая формирует автоматизированное распознавание ЭКГ. Также такой способ хранения графической информации помогает экономить память. По сути, сформированные матрицы можно использовать в качестве входных данных для процесса обучения нейронных сетей.
Графические изменения на ЭКГ являются следствием биоэлектрических процессов, происходящих в сердце. Помимо изменений на нормальнойкардиограмме здорового человека могут также наблюдаться и патологические изменения, которые отображаются графически. Выделяют следующие наиболее частые изменения:
1. Ишемическая стадия инфаркта миокарда (длится около 15-30 мин.), происходит формирование очага субэндокардиальной ишемии, характерны следующие графические маркеры (Рис. 2):
• увеличение амплитуды зубца Т (высокий, заостренный).
Рис.2. Ишемическая стадия.
2. Стадия повреждения инфаркта миокарда (от нескольких часов до 2-х суток):
• в зоне ишемии возникает очаг субэндокардиального повреждения: происходит смещение интервала ST ниже изолинии;
• ишемия и повреждение быстро распространяются на всю толщу миокарда: интервал ST смещается куполом кверху, зубецТ снижается и сливается с интервалом БТ (Рис. 3);
Г\
Рис. 3. Острейшая стадия
3. Острая стадия инфаркта миокарда (около 2-х недель):
• в центре поврежденной зоны формируется очаг некроза: возникает патологический зубец Q, глубина которого превышает четверть зубца R, ширина больше 0,03 см;
• при трансмуральном инфаркте происходит снижение (комплекс QRS) или вовсе полное отсутствие (комплекс QS) зубца R;
• куполообразное смещение сегмента ST выше изолинии, отрицательный зубец Т (Рис. 4).
Рис 4. Острая стадия
4. Подострая стадия инфаркта миокарда (до 3-х месяцев):
• возвращение сегмента ST к изолинии и положительная динамика зубца Т,а именно: вначале он симметричный отрицательный, затем постепенно амплитуда снижается с переходом в изоэлектрический или слабоположительный;
• в ряде случаев остается отрицательным пожизненно (Рис. 5).
R
Рис.5. Подострая стадия 5. Рубцовая стадия инфаркта миокарда:
• наличие патологического зубца Q;
• зубец Т положительный, сглаженный или отрицательный (в последнем случае его амплитуда не должна превышать 5 мм и половины зубца R или Q в соответствующих отведениях), динамики этих изменений нет. Если отрицательный зубец Т не соответствует заданным параметрам, то ишемия
миокарда в той же области сохраняется. Рубцовая стадия длится пожизненно (Рис. 6).
—
Рис. 6 .Рубцевание
6. Изменения ЭКГ при мелкоочаговом инфаркте: зубец Т обычно отрицательный иногда двухфазный; сохраняется таким до 1-2 месяцев, затем становится положительным, или его отрицательная фаза уменьшается;в ряде случаеврегистрируется снижение амплитуды зубца R, смещение сегмента ST ниже изолинии (субэндокардиальный инфаркт).
7. Распространенный передний инфаркт: наличие признаков острой стадии в отведениях I и II стандартных, АУК, VI, У2, У3, У4.
8. Переднебоковой инфаркт: изменения в отведениях I и II стандартных, AVL, V5, V6.
9. Заднедиафрагмальный инфаркт (признаки ЭКГ в отведениях: II стандартном и III стандартном на вдохе, AVF).
10. Заднебоковой инфаркт в отведениях III: аУБ, У5^6, кроме того, высокий зубец Т в У1-У2, БТ смещен ниже изолинии в VI-У3.
11. Передне-перегородочный инфаркт: изменения в отведениях VI— У2 (У3); верхушечный - в V4;
12. Крупноочаговый инфаркт диагностируют при наличии:
• патологических изменений ЭКГ (патологического зубца Q или комплекса QS);
• гиперферментемии (при отсутствии типичной клиники).
13. Мелкоочаговый инфаркт диагностируют: на основании изменений сегмента ST и зубца Т и их динамики (без нарушений в комплексе QRS), при соответствующих изменениях ферментов сыворотки крови [8].
Для удобства анализа исходный аналоговый сигнал принимается с конечной длиной и спектром (рис. 7).
Sв(Рт) = \х: X(/) = ]х(1 )е-'2/сЬ =0, |/|
> К
где X(/) ^ х(0; Рт - верхняя (наивысшая частота в спектре сигнала)
—от
Рис.7. Сигнал с ограниченным спектром В результате математических операций определено, что два дискретных преобразования Фурье четных и нечетных временных отсчетов входного сигнала можно объединить в дискретное преобразование Фурье полной длины, если суммировать частотные отсчеты четной последовательности с произведением частотных отсчетов нечетной последовательности входных сигналов на комплексную экспоненту WN. Количество операций умножения при этом значительно уменьшается по сравнению с прямым вычислением дискретного преобразования Фурье [2].
Метод дискретного преобразования Фурье является одним из приближенных методов спектрального анализа, который может быть реализован для автоматизированного распознавания ЭКГ с использованием специальных алгоритмов и разработан в ходе исследования программного обеспечения. Далее необходимо было установить, чем отличаютсярезультаты применения ДПФ от результатов обычного преобразования Фурье, и что нужно сделать, чтобы эти различия свести к минимуму.
Для диагностики сердечных ритмов и дальнейшей обработки информации будем использовать кардиоизмеритель AD8232, который совместим с микропроцессорной платой ArdumoNa.no [1].
Выбор кардиоизмерителя не так принципиален, важно, чтобы кардиосигнал можно было преобразовать в цифровую форму для удобства анализа. Это может быть как последовательный интерфейс, так и флеш-карта с результатами, импортированными из кардиографа.
Основной функцией устройства должно быть обеспечение режима работы, в котором возможно непрерывное получение данных с кардиомодуля и управление модулем мобильной связи. Реализация данной функции возможна при использовании соответствующих алгоритмов, допускающих универсальность применения устройства для рассмотренных ранее режимов работы (см. рис. 8-9).
Рис.8. Алгоритм работы блока управления
^ НАЧАЛО j
Рис.9. Алгоритм работы с кардиостимулятором
В данном исследовании будем проводить распознавание кардиосигнала на изображении электрокардиограммы в несколько этапов.
1. Сохранение известных признаков кардиосигналов в базе данных системы. Первый действием предполагается использовать метод Виолы -Джонса для последующего обнаружения кардиосигнала на изображении.
2. Впоследствии дополнительно разработать классификацию на принадлежность оцениваемой области изображения для последующей минимизации ложных и неверных срабатываний.
3. Далее применить к полученному в ходе прошлых манипуляций изображению вейвлет-преобразования с целью появления явных для детектирования признаков кардиосигнала, а именно вейвлет-коэффициентов, которые впоследствии необходимо сохранить в базе данных.
4. В процессе распознавания неизвестного ранее кардиосигнала производим повтор прошлых пунктов, единственное отличие - мы не сохраняем результаты в базе данных.
5. Затем при помощи метода линейного дискриминантного анализа [11] происходит уменьшение числа явных признаков с последующим сопоставлением их с уже хранящимися признаками в базе данных.
Для того чтобы применяемый метод Виолы-Джонса [10] использовать совместно с методом обнаружения электросигнала, необходимо произвести метод комбинирования классификаторов в каскадную структуру, тоесть разбить на уровни, идущие друг за другом и зависящие друг от друга. Использование каскадной структуры позволит сильно увеличить скорость обнаружения нужного объекта, сосредоточив свою работу на наиболее хороших и информативных участках обрабатываемого изображения.
Конструктивное содержание такого каскадного детектора изображено на рисунке 10. Данный каскад состоит из нескольких слоев, которые представлены в виде классификаторов, в процессе работы они были обучены с помощью процедуры бустинга: слой за слоем.
Попушкицре оию кюбрскення
_I___
Рис.10. Структура каскадного детектора
Если обобщить всё вышесказанное, то можно представить алгоритм сохранения признаков кардиосигнала в базу данных в виде следующих этапов:
1. В систему загружается новое изображение.
2. Применяется к изображению метод Виолы -Джонса для последующего поиска областей кардиосигнала.
3. Если область кардиосигнала в процессе работы не будет найдена, то метод Виолы-Джонса используется для следующего изображения.
4. Если в процессе работы была обнаружена область кардиосигнала, то дальше к текущему изображению применяется метод обнаружения
кардиосигнала для дальнейшей классификации на принадлежность оцениваемой в данный момент области.
5. Если оцениваемая область кардиосигнала принадлежит к каким -то нестандартным формам, то выполняется глубокий анализ поиска симптомовпо математическим параметрами с помощью вейвлет-преобразования.
6. После предыдущих пунктов происходит уменьшение числа признаков кардиосигнала и сравнение с признаками кардиосигнала, которые уже находятся в базе данных, а также последующий вывод результата распознавания изображения.
7. Если в процессе работы, выбранная оцениваемая область кардиосигнала не принадлежит к каким-либо известным критериям, то метод Виолы-Джонса применяется уже для последующего очередного изображения, иными словами, алгоритм возвращается к первому шагу.
Предложенный метод модификации алгоритма Виолы-Джонса для обнаружения кардиосигнала в режиме минимальной задержки, то есть в режиме реального времени, обеспечит наименьшее количество ложных срабатываний и достаточно высокую точность обнаружения кардиосигналов. Так как данный модифицированный метод в нормальных условиях работает только с областью человеческого лица, модификация позволит обеспечить высокую скорость распознавания с минимальными задержками на хорошем оборудовании.
Заключение.Благодаря современному программному обеспечению представляется возможным значительно упростить процесс диагностики заболеваний сердечно-сосудистой системы. С помощью преобразования графического изображения электрокардиограммы в матричное представление возможно создание и обучение нейронной сети, способной автоматически указывать на результат обследования, что позволит своевременно определить возможные патологии и отклонения от нормы.
Литература
1. Блум, Дж. Изучаем Arduino: инструменты и методы технического волшебства / Дж. Блум. - СПб.: БХВ-Петербург, 2015. - 336 с. - ISBN 978-59775-3585-4.
2. Быстрое преобразование Фурье. [Электронный ресурс]. - Режим доступа: ЬИрв://ё1£1еЬ.ги(дата обращения: 23.10.2021)
3. Вайсман, М. В., Прилуцкий Д. А., Селищев С. В. Алгоритм синтеза имитационных электрокардиосигналов для испытания цифровых электрокардиографов.Электроника. - 2000. - № 4. - C.21-24.[Электронный ресурс]. Режим доступа^Ир^/^^^утагк.ги/агйскв.БМт! (дата обращения: 15.05.2021).
4. Иванов, А.И., Кисляев, С.Е., Гелашвили, П.А. Искусственные нейронные сети в биометрии, медицине, здравоохранении. Самара: ООО "Офорт", 2004. - 236 с.
5. Каширина, И.Л. Искусственные нейронные сети: Учебное пособие. - Воронеж: Изд-во ВГУ, 2005. - 51 с.
6. Кривцов, А.Ю., Лавлинский, В.В. Основа метода распознавания графических файлов ЭКГ при оценке инфаркта миокарда[Электронный ресурс]. - Режим доступа: https://cyberleninka.ra/article/n/osnova-metoda-raspoznavaniya-graficheskih-faylov-ekg-pri-otsenke-infarkta-miokarda (дата обращения: 15.06.2021).
7. Малых, Д. Компьютерная электрокардиография. Методы анализа электрокардиосигнала. Существующие методы автоматического анализа ЭКГ[Электронный ресурс]. - Режим доступа:http://Malykh.щ(дата обращения: 15.05.2021).
8. Мурашко, В. В., Струтынский, А. В. Электрокардиография. - 3-е изд. - М., 1998. - 312 с.
9. Единая информационная система в сфере закупок [Электронный ресурс]. - Режим доступа: https://zakupki.gov.ru/epz/ktru/start/startPage.html(дата обращения: 18.07.2021)
10. Viola, P., Jones, M. Rapid object detection using a boosted cascade of simple features // IEEE CVPR01. - 2001. - P. 511-518.
11. Zhou, H., Huang, T.S. Tracking articulated hand motion with Eigen dynamics analysis // Proc. of Intern. Conf. on Computer Vision. - Nice (France), 2003. - V. 2. - P. 1102-1109.
