CC BY
25
В результате проведенной работы был разработан алгоритм расчета количества шлака на поверхности металла. Запатентованный метод оптического неразрушаю-щего контроля позволяет избежать непосредственного контакта измерительного устройства и объекта, и осуществляет автоматический контроль без участия оператора. С другой стороны, решение задачи оперативного контроля технологической ситуации может быть использовано в условиях действующего электролизного и литейного производства с выдачей управляющего сигнала в существующую систему АСУТП после взвешивания металла, и последующего обратного действия.
Литература
1. Металлургия алюминия / Ю.В.Борисоглебский, Г.В. Галевский, Н.К. Кулагин, М.Я. Минцис, Г.А. Сиразутдинов. - Новосибирски: Наука. Сибирская издательская фирма РАН, 1999
2. Производство цветных металлов и сплавов / Г.В. Галевский, Н.М. Кулагин, М.Я. Минцис. - Наука, 1998
3. Контроль неразрушающий. Виды - ГОСТ 18353-79
4. Неразрушающий контроль. Справочник. Том 1. Изд. 2-е перераб. и испр./ Клюев В.В. - М: Машиностроение, 2008
5. Цифровая обработка изображений. / Гонсалес Р., Вудс Р. - М.: Техносфера, 2005
6. Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision. / Визильтер Ю.В., Желтов С.Ю., Князь В.А. и др. - М.: ДМК Пресс, 2007
7. Методы компьютерной обработки изображений. / Под редакцией В.А. Сойфера (второе издание) - М.: ФИЗМАТЛИТ, 2003
8. Металлургия литейных алюминиевых сплавов. / Альтман М.Б. - М.: Металлургия. 1972
ОЦЕНКА АЛГОРИТМОВ РАСПОЗНАВАНИЯ ОБРАЗОВ ДЛЯ ЗАДАЧ АВТОМАТИЧЕСКОГО АНАЛИЗА ЭЛЕКТРОКАРДИОГРАММ
Сердечно-сосудистые заболевания (ССЗ) - это заболевания, которые могут развиваться неявно на протяжении всей жизни и прогрессировать в хроническую стадию к тому времени, когда появляются первые симптомы. ССЗ занимают первое место среди всех причин смертности населения: на них приходится 56,7% всех смертей, ежегодно в России от них умирает более 1 млн. человек.
В соответствии с международными тенденциями и стратегией развития медицинской науки в РФ в данное время существенное внимание уделяется развитию профилактической медицины, разработке и внедрению новых эффективных методов и средств предупреждения заболеваний, охраны и укрепления здоровья детей, улучшения здоровья работающего населения и обеспечения социально активной жизни людей преклонного возраста.
При определении основных направлений развития отечественной медицинской радиоэлектроники основное внимание обращается на необходимость разработки все более точных и чувствительных приборов, в том числе и основанных на новых нетрадиционных физических принципах, что неизбежно связано с прогрессивным возрастанием стоимости радиоэлектронной медицинской аппаратуры. В настоящее время оснащенность
Петров Сергей Павлович
ООО "Нордавинд-Дубна" Епишина Екатерина Викторовна ООО "Нордавинд-Дубна" Воронин Вячеслав Владимирович
К.т.н., ДГТУ
радиоэлектронной медицинской аппаратурой кабинетов функциональной диагностики (КФД) областных, городских и центральных районных больниц далека от оптимальной, так же имеется значительный разрыв между возможностями радиоэлектроники и фактическим использованием ее в медицине. Кроме этого, электрокардиологическая электронная аппаратура также незаменима и для решения некоторых специфических диагностических задач, в частности, для мониторинга сердечной деятельности. Поэтому, целесообразно положить в основу диагностического процесса принцип максимального использования потенциальных возможностей клинически апробированных, доступных и недорогих методов исследования, одним из которых является электрокардиография (ЭКГ).
Исходя из вышесказанного, целью исследования является создание эффективного алгоритма, который позволит определять особые точки сигналов ЭКГ (полученных из различных отведений), для выявления отклонений от нормы.
На данном этапе исследования рассмотрим традиционный алгоритм автоматического анализа ЭКГ (рис.1).
Рисунок 1. Алгоритм автоматического анализа ЭКГ
Предложенный алгоритм автоматического анализа 2. Распознавание характерных участков ЭКГ, имею-ЭКГ содержит в себе следующие стандартные шаги: щих диагностическое значение (комплексов QRS,
1. Оцифровка, фильтрация и нормирование сигнала. PQ, QT и отдельных зубцов).
3. Анализ параметров и взаимосвязи распознанных участков и формирование оценочного заключения. Применение алгоритмов распознавания образов для задач автоматического анализа электрокардиограмм позволяет прогнозировать получение качественных результатов. При этом разработка алгоритмов анализа будет осуществляться с учетом их дальнейшего использования, как в составе стационарных систем, так и в составе различных мобильных систем (например, предназначенных для работы на смартфоне).
Для выявления оптимального и наиболее эффективного способа анализа ЭКГ были рассмотрены следующие алгоритмы:
1) Алгоритм, предназначенный для выявления QRS-комплексов, а также параметров P-,T-волн (положений пиков, точек начала и завершения волн).[2]
2) Алгоритм, предназначенный для выявления пиков P,T, R, границ QRS (без пиков Q,S), границ волн P, Т.[4]
3) Алгоритм, предназначенный для выявления начальной границы QRS комплексов (т.е. не определяет пики Q,R, S).[5]
4) Алгоритм, предназначенный для выявления начальной и конечной границы QRS комплексов (т.е. не определяет пики Q,R, S).[6]
5) Алгоритм, предназначенный для выявления начальной и конечной границы QRS комплексов, а также положение пика R. [7]
6) Алгоритм, предназначенный для выявления P, Q, R, S, T пиков. [8]
7) Алгоритм, предназначенный для выявления Q, R, S пиков.[9]
8) Алгоритм, предназначенный для выявления R, S, T пиков, а также подсчета ЧСС.[10]
9) Алгоритм, предназначенный для выявления R пиков. [11]
10) Алгоритм, предназначенный для выявления R, S пиков. [12]
11) Алгоритм, предназначенный для выявления R пиков и вычисления ЧСС.[12]
12) Алгоритм, предназначенный для выявления R пи-ков.[13] Далее приведена сравнительная таблица по различным критериям.
13) Алгоритм предназначен для выявления R пи-ков.[13]
Все вышеописанные алгоритмы предназначены для выявления особых точек ЭКГ, которые позволят определить отклонения от нормы. Сравнительный анализ был проведен по следующим параметрам: методология, устойчивость к шумам, точность выявления особых точек, адаптивность, возможность настройки, диапазон используемых частот, время обработки, а так же наличие проблем (результат выполнения алгоритма не соответствует заявленному в описании).
Для проведения сравнительного анализа алгоритмов были использованы мультипараметрическая база данных и база данных ЭКГ (табл.1).
Таблица 1
Результаты сравнительного анализа___
Алгоритм 1 Алгоритм 2 Алгоритм 3 Алгоритм 4 Алгоритм 5 Алгоритм 6
Методология Низко-частотная и высокочастотная фильтрация алгоритмы непре-рыв-ного и быстрого вейвлет-преоб-разования Основан на Pan& Tompkins Низкочастотная и высокочастотная фильтрация, адаптивная пороговая фильтрация Улучшенный алгоритм Pan& Tompkins Вейвлет-пре-образования
Устойчивость к шумам устойчив к шумам и дрифту устойчив к шумам и дрифту устойчив к шумам и дрифту устойчив к шумам и дрифту устойчив к шумам и дрифту устойчив к шумам и дрифту
Точность высокая высокая высокая высокая высокая высокая
Адаптивность без подстройки без подстройки без подстройки без подстройки без подстройки без подстройки
Настройка возможна отсутствует возможна возможна возможна возможна
Диапазон частот >128Гц - - 120 ГЦ 200Гц и 250 Гц -
Время обработки 9 мс 0,5 с 0,1 с 0,11 с - 0,25 с
Проблемы не правильно определяет QRS,P,T не правильно определяет начало QRS 1)необходимо нормиро-вать сигнал 2)не определяет пик R Не удалось запустить исходный код 1) не все характеристики определяются точно
Продолжение таблицы 1
Алгоритм 7 Алгоритм 8 Алгоритм 9 Алгоритм 10 Алгоритм 11 Алгоритм 12
Методология Интерполяция Фильтрация Фильтрация Фильтрация Фильтрация Основан на
сигнала для шума и шума и шума и шума и теории огиба-
удаления дрифта, де- дрифта изоли- дрифта изоли- дрифта изоли- ющий
дрифта изоли- текция пиков нии с помо- нии с помо- нии с помо- (Envelope)
нии, фильтра- с помощью щью низкоча- щью низкоча- щью низкоча-
ция для удале- пороговой стотной и стотной и стотной и
ния шума, фильтрации высокочастот- высокочастот- высокочастот-
пороговая ной фильтра- ной фильтра- ной фильтра-
фильтрация ции, порого- ции, порого- ции, порого-
для детекции вая вая вая
пиков. фильтрация фильтрация фильтрация
Устойчи- устойчив к устойчив к устойчив к устойчив к устойчив к устойчив к
вость к шу- шумам и шумам и шумам и шумам и шумам и шумам и
мам дрифту дрифту дрифту дрифту дрифту дрифту
Точность - - - - - -
Адаптив- требуется без под- без под- без под- без под- без под-
ность подстройка стройки стройки стройки стройки стройки
Настройка возможна возможна возможна возможна возможна возможна
Диапазон ча- - - - - - -
стот
Время обра- 0,19 с 0,17 с 0,13 с 0,009 с 0,02 с 0,007 с
ботки
Проблемы не стабилен в не выполняет определяет 1) алгоритм 1) опреде-ляет 1) алгоритм
детекции пи- детекцию пи- только поло- определяет только пики R определяет
ков Q,S ков Q жение пика R лишь пики 2)не опреде- только пики R
S,R ляет пики в 2)в начале и
2) иногда ге- начале и конце могут
нерирует лож- конце сигнала быть ложные
ные детекции пики
Как видно из таблицы 1 большинство алгоритмов обладают высокой точностью распознавания особых точек ЭКГ, также все алгоритмы устойчивы к шумам. Основными параметрами, по которым проводилось сравнение это время обработки и наличие проблем.
Таким образом, после проведения тестирования описанных алгоритмов на базе PhysioBank, которая содержит большое количество записей ЭКГ, а так же проведения сравнительного анализа по различным параметрам наиболее подходящим оказался Алгоритм 1, который обладает наименьшим временем обработки сигнала, а так же у него не выявлены проблемы с определением особых точек.
Данная работа выполнена в рамках Федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2020 годы», соглашение № 14.576.21.0083
Список литературы
1. Справочник фельдшера // feldsherstvo.ru: интернет-изд. 2010. URL: http://feldsherstvo.ru/19.html (дата обращения: 10.11.2014).
2. ECG Annotation C++ Library // codeproj ect.com URL: http://www.codeproject.com/Articles/20995/ECG-Annotation-C-Library (дата обращения: 10.11.2014).
3. PhysioBank Archive Index // physionet.org URL: http://physionet.org/physiobank/database/ (дата обращения: 10.11.2014).
4. QRS detection and waveform boundary recognition using ecgpuwave // physionet.org URL:
http://physionet.org/physiotools/ecgpuwave/ (дата обращения: 10.11.2014).
5. physionet.org URL: http://www.physionet.org/ physiotools/ wag/gqrs-1.htm (дата обращения: 10.11.2014).
6. physionet.org URL: http://www.physionet.org/ physiotools/wag/wqrs-1.htm (дата обращения: 10.11.2014).
7. EP Limited: Open Source ECG Analysis Software // eplimited.com URL: http://www.eplimited.com/ confirmation.htm (дата обращения: 10.11.2014).
8. Detection of ECG characteristic points using Multiresolution Wavelet Analysis based Selective Coefficient Method // sciencedirect.com URL: http://www.sciencedirect.com/science/article/pii/S026 3224109002139 (дата обращения: 11.11.2014).
9. Peak Analysis // mathworks.com URL: http://www.mathworks.com/help/signal/examples/pea k-analysis.html?refresh=true (дата обращения: 11.11.2014).
10. ECG Q R S wave online detector // mathworks.com URL:
http://www.mathworks.com/matlabcentral/fileexchang e/45404-ecg-q-r-s-wave-online-detector (дата обращения: 11.11.2014).
11. ECG QRS Detection // read.pudn.com URL: http://read.pudn.com/downloads153/doc/669075/ECG QRSDetection.pdf (дата обращения: 11.11.2014).
12. The BioSig Project // biosig.sourceforge.net URL: http://biosig.sourceforge.net/index.html (дата обращения: 11.11.2014).
