CC BY
36
УДК 681.326
Применение нейронных сетей для прогнозирования течения постгипоксических нарушений сердечно-сосудистой системы у новорожденных детей
Чаша Т.В., д-р мед. наук, Харламова Н.В., канд. мед. наук, Климова О.И., врач-неонатолог,
Ясинский Ф.Н., д-р физ.-мат. наук, Ясинский И.Ф., канд. техн. наук
Рассматриваются применение нейросетей для диагностики нарушений сердечно-сосудистой системы у новорожденных и оптимальная структура и алгоритм обучения такой сети.
Ключевые слова: нейронные сети, алгоритм обратного распространения, диагностика, ST-T-нарушения, дисфункция миокарда, активация нейрона, правило обучения.
Neural networks application for the course prognosis of the new-born children heart deviations
Chasha T.V., doctor med. science, Kharlamova N.V., cand. med. science, Klimova O.I., neonathologist, Yasinskiy F.N., doctor phys.-math. science, Yasinskiy I.F., cand. tech. science
Using the neural networks system for the diagnostics of new-born children heart deviations and optimal structure and teach algorithm of such network are considered.
Keywords: neural networks, back propagation algorithm, diagnostics, ST-T - deviations, miokard disfunction, neuron activation, teach rule.
Постгипоксические нарушения сердечно-сосудистой системы (ПН ССС) занимают одно из ведущих мест в структуре заболеваемости новорожденных и являются фоном кардиологических заболеваний в дальнейшем. У новорожденных, перенесших внутриутробную или перинатальную гипоксию, они регистрируются в 40-70% случаев (Н.П. Котлукова, Л.А. Кравцова, М.А. Школьникова с соавт., 2002).
Клинические признаки этих нарушений часто неспецифичны и встречаются при различных патологических состояниях неонатального периода. Клиническая картина данной патологии в острый период полиморфна и часто маскируется под другие заболевания: наиболее характерными симптомами являются бледность кожных покровов, периоральный цианоз, приглушенность или глухость тонов сердца. Также могут отмечаться акроцианоз, «мраморность» кожи, акцент М тона над легочной артерией, систолический шум от недостаточности атриовентрикулярных клапанов, нарушения ритма сердца.
Необходимо отметить, что в 40-60% случаев изменения сердечно-сосудистой системы, выявляемые у новорожденных детей, не исчезают на первом году жизни, а сохраняются длительно.
Учитывая неспецифичность клинических симптомов, основное значение имеют данные функциональных методов обследования ребенка.
Наиболее доступным инструментальным методом диагностики ПН ССС является электрокардиография (ЭКГ). На ЭКГ новорожденного ребенка с ПН ССС часто выявляются
признаки ишемии миокарда в виде изменения конечной части желудочкового комплекса БТ-Т: регистрируются изменения формы и полярности зубца Т, а часто и положения сегмента Б-Т относительно изолинии. Также информативным неинвазивным методом исследования сердечно-сосудистой системы является доп-плерэхокардиография (ЭХО-КГ). Она позволяет оценить морфологические структуры сердца, состояние центральной гемодинамики и контрактильности миокарда. У новорожденных с ПН ССС по результатам ЭХО-КГ выявляются такие нарушения, как открытые фетальные коммуникации (открытое овальное окно, открытый артериальный проток), расширение полостей сердца, наличие недостаточности клапанов, снижение или повышение сократительной функции миокарда и др.
Одним из методов диагностики нарушений сердечно-сосудистой системы является вариабельность сердечного ритма (ВРС), оценка которой основана на математическом анализе различных вариантов регистрации изменений частоты сердечных сокращений. Известно, что частота ритма является чутким маркером состояния вегетативного гомеостаза и одна из первых реагирует на его изменения при адаптации к физиологическим нагрузкам или патологическим состояниям (Л.А. Кравцова, Е.Г. Верченко, М.А. Школьникова, 2002).
Нашей задачей явилось изучение возможности применения искусственного интеллекта для прогнозирования течения ПН ССС у детей, начиная с неонатального периода и на протяжении первого года жизни, с использованием вариабельности сердечного ритма. К
средствам искусственного интеллекта относятся нейронные сети, моделирующие деятельность человеческого мозга при решении задач в условиях неопределенности (см. рисунок).
л
I
Структура трехслойной нейронной сети: ЩЦ1, Щк11 - подлежащие настройке весовые коэффициенты между слоями; х - входной образ; у - ответ нейронной сети; !,и,К -входной, скрытый, выходной слои соответственно
Объектом нашего исследования были новорожденные с ПН ССС, которым, наряду с общепринятыми методами диагностики, мы фиксировали 5-минутную запись вариабельности сердечного ритма. Нами были созданы две специализированные трехслойные нейронные сети, направленные на выявление патологии сердечно-сосудистой системы. Запись ВРС осуществляли у новорожденных детей. В дальнейшем этих детей обследовали в консультативно-диагностической поликлинике.
ЭКГ и ЭХО-КГ проводили им в возрасте 6 месяцев и 1 года. На основании проведенного катамнестического исследования выявлялись исходы ПН ССС в виде выздоровления или сохранение нарушений на первом году жизни в виде нарушения реполяризации миокарда левого желудочка (БТ-Т нарушения) или других вариантов нарушений миокарда.
Для обучения и теста каждой нейронной сети были подготовлены записи ВРС пятидесяти пациентов. Эти записи в виде последовательности чисел интервалов РР поступают для анализа на входной слой сети, реализованной в виде компьютерной программы. На выходном слое содержится один нейрон, определяющий, относится ли пациент к группе с данным видом нарушений или не относится.
Изначально предполагалось подавать на вход нейросети всю последовательность чисел, составляющую запись ВРС. Однако в этом случае входной слой нейронной сети должен был содержать не менее 600 элементов, и ее обучение не позволяло получить удовлетворительный процент распознаваемости образов. В ходе экспериментов мы пришли к выводу, что лучший процент распознаваемости обеспечивается, если РР-интервалы, или промежутки времени между ударами сердца, представить в виде гистограммы (горизонтальная ось -длительность интервала, вертикальная ось -
количество таких интервалов). При таком подходе количество клеток на входе удалось сократить до семи единиц.
Для улучшения распознаваемости входной образ подвергался процедуре сжатия с помощью «нейросетевой воронки» [1]. Для данной задачи оптимальный размер скрытого слоя составил 5 клеток.
Обучение нейросети состоит в нахождении такой комбинации весовых коэффициентов, соединяющих нейроны соседних слоев, при которой погрешность определения класса образа стремится к минимуму.
Обучение производилось методом случайного поиска, генетическим алгоритмом, однако наиболее эффективным оказался метод обратного распространения ошибки. При использовании этого метода в сетях диагностики БТ-Т-нарушений и дисфункции миокарда нам удалось добиться распознаваемости 91 и 82 % соответственно.
Метод обратного распространения ошибки состоит из двух этапов. Первый этап - прямое распространение сигнала:
О/ [1 ] = 1/(1 + в-У[ 1 ]/Н1);
1 = 1, 2, ..., N1
Окг [к ] = 1/(1 + в^[к ]/Нк);
к = 1, 2, ..., т,
где О/,Окг- выходные значения нейронов слоев }, к соответственно; Н], Нк - пороги активационных функций; N1 N1, Ш - число нейронов в слоях !, ], к соответственно; Б/[]], Бкг[к] -суммы сигналов, пришедших от нейронов предыдущих слоев на нейроны слоев ] и к соответственно; г - номер шага.
Полученный на выходе результирующий вектор Окг сравнивается с известным правильным ответом. Вычисляется составляющая ошибки:
8к "г [к ] = Укг [к ] - Окг [к ].
На втором этапе производится поиск оптимальных весовых коэффициентов Щ]1, Щ1к// при помощи обратного распространения сигнала:
Щ]к//г+1[],к] = Щ]к11 г[],к] + пО[]]8к"г[к];;
8//г [ 1 ] = О]г [ ] ] • (1 - О]г [ ] ]) £Щ]к//г [ ], к ] • 5к'/г [к ]; к=1
Щ/' г+1[/, 1 ] = Щ/'г [/, 1 ] + П2О/г [/] • 5/1 г [ / ],
где п1 и п2 - константы обучения.
Прямой и обратный ход выполняются после каждого предъявления очередного образа Х и ответа У.
В дальнейшем для улучшения характеристик указанных сетей будет увеличено число образов в обучающей выборке и исследовано применение различных законов активации нейрона при прямом распространении сигнала в нейронной сети. Отметим, что введение под-строечного коэффициента T[j] для каждого нейрона j на скрытом слое позволяет сместить значение степени экспоненты при расчете сигмоидальной функции активации на наиболее продуктивный участок кривой. В общепринятых обозначениях это будет иметь следующий вид: Tr+1[j] = Tr[j] + eta - Oir[i] -8//r[j],
Ojk [ j ] = 1/(1 + eTk [ j ]-Sjk [ j ]/Hjk),
где Sjk - сумма сигналов на входе j-го нейрона
скрытого слоя; eta - константа обучения ней-
ронной сети; Оік,0]к - значения сигналов на выходах нейронов слоев і и } соответственно.
Таким образом, наше исследование показало возможность применения нейронных сетей с использованием вариабельности сердечного ритма для диагностики и прогнозирования течения таких заболеваний у новорожденных детей, как постгипоксические нарушения сердечно-сосудистой системы.
Список литературы
1. Ясинский И.Ф., Калинин Е.Н. Об обучении нейронной сети распознаванию дефектов на движущемся тканевом полотне / Дни науки-2005: Сб. мат-лов науч.-практ. конф. - СПб.: СПГУТД, 2005. - С. 224-225.
Чаша Татьяна Валентиновна,
ФГУ «Ивановский НИИ материнства и детства»,
доктор медицинских наук, профессор, зав. отдела неонатологии и клинической неврологии детского возраста, телефон (4932) 33-71-б3, e-mail: ivniimid@inbox.ru
Харламова Наталья Валерьевна,
ФГУ «Ивановский НИИ материнства и детства»,
кандидат медицинских наук, научный сотрудник отдела неонатологии и клинической неврологии детского возраста, телефон (4932) 33-71-53, e-mail: ivniimid@inbox.ru
Климова Ольга Игоревна,
ФГУ «Ивановский НИИ материнства и детства», врач-неонатолог детского отделения акушерской клиники, телефон (4932) 33-71-53, e-mail: ivniimid@inbox.ru
Ясинский Федор Николаевич,
Ивановский государственный энергетический университет,
доктор физико-математических наук, профессор, зав. кафедрой высокопроизводительных вычислительных систем, телефон (4932) 26-98-29.
Ясинский Игорь Федорович,
Ивановская государственная текстильная академия,
кандидат технических наук, доцент кафедры прикладной математики и информационных технологий, телефон (4932) 35-78-21.
