CC BY
0
УДК 004.93:612.2
DOI: 10.24412/2071 -6168-2024-3 -22-23
РАЗРАБОТКА ЭЛЕМЕНТОВ МЕДИЦИНСКОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ МОНИТОРИНГА СОСТОЯНИЯ ПАЦИЕНТОВ С ЛЕГОЧНЫМИ ЗАБОЛЕВАНИЯМИ
Г.В. Абрамов, Н.А. Ширяев
Данная статья посвящена разработке мобильного приложения медицинской информационной системы мониторинга состояния пациентов с легочными заболеваниями. Разрабатывается мобильное приложение для предварительной обработки звукового сигнала. Применяется метод k-средних для выделения участков речевого сигнала и шума из звуковых данных, поступающих через микрофон мобильного устройства в режиме реального времени. В дополнение к методу k-средних применяется критерий Неймана-Пирсона для более точного распознавания сигнала.
Ключевые слова: мобильное приложение, медицинская информационная система, предварительная обработка сигнала, метод k-средних, кашель, частота звука.
Анализ медицинских информационных систем показывает, что повышение эффективности их функционирования позволяет повысить качество и эффективность лечения. Для пациентов с легочными заболеваниями одной из проблем является получение объективной информации о состоянии пациента. Для диагностики могут использоваться такие методы обследования, как компьютерная томография грудной клетки, магнитно-резонансная томография и бронхоскопия. Однако эти процедуры строго регламентированы по времени. Поэтому наиболее часто врачи ориентируются на кашель. Контроль частоты позволяет объективно оценить состояние пациента и своевременно корректировать лечение. Это особенно важно для хронических больных. На данный момент мониторинг частоты кашля используется как инструмент исследований. Однако его широкое использование позволит существенно сократить количество время на проведение диагностики, и повысить эффективность процессе лечения [1].
Субъективная оценка частоты кашля может проводиться на основе опроса больного [2] или объективная -на основе фиксации акустических свойств кашля [3]. Данный параметр является признаком обострения у больных с различными легочными заболеваниями (туберкулез, хронические респираторные заболевания и др.) [4, 5].
Исследование процессов при мониторинге и повышение эффективности алгоритмов обработки диагностической информации и совершенствование программного обеспечения является актуальным.
Процесс обработки звукового сигнала. Для формализации процессов была использована методология функционального проектирования IDF0 для того, чтобы получить данные, необходимые для диагностики состояния пациента.
При построении диаграммы можно выделить наиболее важные этапы процесса обработки (рис. 1) [6]:
- получение звуковой информации;
предварительная обработка;
решение задачи классификации звуковых фрагментов;
получение диагностической информации врачом и принятие решения о лечении.
Рис. 1. Этапы обработки диагностической информации
При разработке информационной системы следует учесть, что получение звуковой информации и предварительная обработка должны проводиться доступными и удобными для пациента средствами с минимальными затратами. В настоящее время наиболее удобным для этого является использование мобильных устройств.
Окончательная обработка, накопление статистики и принятие решений о лечении наиболее целесообразно осуществлять в лечебном учреждении.
Целью данного исследования является разработка мобильной части информационной системы. В первую очередь оно определяется низким энергопотреблением и эффективностью выделения звуковых фрагментов.
Таким образом, на мобильном устройстве должен запускаться сервис [7], который работает в фоновом режиме и прослушивает микрофон устройства. Данные должны поступать в виде массива амплитуд звукового сигнала.
После считывания звукового сигнала с микрофона мобильного устройства должна проводится предварительная обработка звукового сигнала - удаление речевой паузы. Это необходимо для того, чтобы отправлять только полезные данные для дальнейшей обработки и диагностики состояния пациентов с легочными заболеваниями.
Также необходимо провести апробацию программы, оценку энергопотребления приложения, также оценить возможность длительного мониторинга, например, суточного, который необходим пульмонологам диагностике и лечении.
Реализация мобильного приложения. Разработано мобильное приложение для устройств под управлением операционной системы Android. Структура мобильного приложения представлена на рис. 2 и состоит из основных компонентов: графическое приложение и сервис. Графическое приложение - приложение, которое запускает
пользователь устройства. Оно имеет графический интерфейс, на котором можно настроить параметры записи микрофона устройства. Сервис - приложение, которое не имеет графического интерфейса. Сервис запускается в фоновом потоке мобильного устройства.
Рис. 2. Компоненты мобильного приложения
Пользователь может запустить мобильное приложение с графическим интерфейсом для настройки компонента работы с микрофоном. Для настройки пользователю доступны следующие параметры: частота дискретизации сигнала, разрядность квантования. После применения настроек, пользователь может запустить сервис для предварительной обработки звуковых данных.
Сервис запускается на мобильном устройстве в фоновом потоке и отображает уведомление, что на момент работы сервиса записывается микрофон. Для записи данных с микрофона используется компонент AudюRecord. Данный компонент позволяет записывать звуковые данные в режиме реального времени без предварительной записи в аудио файл. В запущенном сервисе выполняется предварительная обработка звуковых данных.
Предварительная обработка данньж Необходимо удалять участки шума или речевую паузу из звуковых данных, поступающих через микрофон в режиме реального времени. Предварительная обработка звукового сигнала основана на методе к-средних [8]. Обобщенная блок-схема алгоритма представлена на рис. 3.
Рис. 3. Алгоритм предварительной обработки звука
После запуска сервиса создается объект AudioRecord, с помощью которого производится запись с микрофона мобильного устройства по заданным параметрам частоты дискретизации и разрядности квантования. Данные записываются в буфер и представляют собой массив значений амплитуды звукового сигнала.
Перед выполнением алгоритма данные нормализуются. Для вычисления окна преобразования Фурье [9] было определено количество отсчетов сигнала, при которых звуковые параметры стационарны. Этот период равен 0,02 сек.
Количество отсчетов стационарного сигнала было определено при частоте дискретизации сигнала Л, и количестве отсчетов п на длительности сигнала в 0,02 сек следующим образом:
п = 0.02 Л, . (1)
Количество отсчетов для быстрого преобразования Фурье необходимо:
5 = 1од2(п), (2)
где S - степень двойки для вычисления числа, ближайшего к значению п.
Затем было определено количество отсчетов для быстрого преобразования Фурье:
т = 25, (3)
где т - количество отсчетов сигнала.
Результатом формулы является определение размера окна в виде количества отсчетов сигнала, на котором вычисляется быстрое преобразование Фурье.
Мощность сигнала в каждом окне вычисляется после получения спектра преобразования Фурье. Затем определяется спектр амплитуд сигнала и вычисляется модуль комплексного числа. Мощность сигнала определяется на основе спектра амплитуд:
р1 = к = 0.....К, ( =0,...т, (4)
где - мощность сигнала в окне стационарности речевого сигнала; Ук - спектр амплитуд.
Следующим шагом алгоритма является кластеризация полученного массива мощностей. Использовался метод к-средних и было выделено три типа кластеров:
1 тип - участок активного сигнала, который может включать кашель;
2 тип - участок переходного сигнала между активного сигнала и паузой или шумом;
3 тип - участок сигнала с звуковой паузой или шумом.
Классификация кластеров сводился к минимизации суммарного квадратичного отклонения элементов кластеров от центра этих кластеров:
J = Z?=1 IXjeSj(Pj-ßi )2, i = 1.....k, (5)
где k - число кластеров; Sj - полученные кластеры; - центры масс векторов Pj Е Sj.
Результатом работы данного блока является определение принадлежности звукового фрагмента к определенному типу кластера.
Для улучшения распознавания методом k-средних применяется критерий Неймана-Пирсона. Данный критерий применяется только к классу с шумами и паузами. Метод позволяет выделить слабый кашлевой сигнал на фоне шумов.
Для применения критерия Неймана-Пирсона находится математическое ожидание (6) и среднеквадрати-ческое отклонение (7) мощностей участков шума и сигнала.
м = i ), (6)
" = з(0 - M)2
(7)
где п3 - количество отсчетов третьего типа; S3 - кластер третьего типа после применения метода k-средних.
Порог принятия решения определялся следующим образом:
U = M + b*a, (8)
где b - эмпирический коэффициент.
Если мощность сигнала в третьем типе окажется выше вычисленного порога, то данное окно следует отнести ко второму типу кластерного анализа.
Экспериментальные исследования. Экспериментальные исследования проведены для оценки влияния параметров алгоритма обработки сигнала на эффективность функционирования мобильного устройства. Оценка проводилась по величине разряда батареи мобильного устройства.
Для каждого случая запускался сервис, который обрабатывал сигнал в течении 2 часов. Также фиксировался процент разряда батареи без запуска сервиса для сравнения с нагрузкой алгоритма предварительной обработки сигнала. Мобильное устройство в простое на 2 часа терял заряд в размере 2% от общей емкости батареи.
Исследование зависимости частоты дискретизации сигнала на процент разряда батареи мобильного устройства показало, что предпочтительнее использовать частоты 16 - 22 кГц (рис. 4) при разрядности квантования 16 бит и количество кластеров 3. При использовании других частот дискретизации процент разряда батареи дополнительно увеличился.
8000 16000 22000 44100
Рис. 4. Зависимость частоты дискретизации на процент разряда батареи.
Проведенные исследования влияния разрядности квантования на разряд батареи мобильного устройства показали, что разрядность оказывает незначительное влияние.
Изменение количества кластеров для классификации также не оказывает значительного влияние, однако использование, например 6 кластеров, может уменьшить разряд батареи (рис. 5) при частоте дискретизации 8 кГц и разрядности квантования 16 бит.
Рис. 5. Зависимость количества кластеров на процент разряда батареи.
Проведенный спектральный анализ звуковых данных, содержащие кашель показал, что спектр сигнала содержит частоты до 4 кГц. Основываясь на теореме Котельникова [10], звуковой сигнал, записываемый с микрофона мобильного устройства, должен быть оцифрован с частотой не менее 8 кГц.
График (рис. 6) представляет звуковой сигнал без предварительной обработки, записанный в течение 30
мин.
0,5
0 А 0,3 ■ 0 2 ■ —I If
0,1 ■ 0 0 L I, L ш тП Il ti ш
-0,1 -О 1 ■ Т Г 1 Г " m
-0,3 ■О'! t]
Рис. 6. График необработанного звукового сигнала
На рис. 7 представлен график звукового сигнала после предварительной обработки.
Данный алгоритм предварительной обработки позволяет сжать звуковой сигнал и отправлять на сервер меньше исходных данных. На тестовом примере показано, что звуковой сигнал, записанный в течение 30 минут, после предварительной обработки сжимается до 25%, и его длительность составляет примерно 8 минут.
Выводы. Проведенные исследования показали, что разработанные алгоритмы обработки звукового сигнала при мониторинге состояния пациентов решают поставленную задачу по предварительной обработке. Экспериментально показано, что разработанное приложение не оказывают значительного влияния на разряд батареи мобильного устройства и соизмеримо с разрядкой аккумулятора в режиме простоя. При этом использование рекомендуемых параметров обработки могут позволить снизить разряд батареи.
Также следует отметить, что данное приложение, реализующее разработанные алгоритмы можно использовать для длительного, например, суточного мониторинга состояния пациентов.
Список литературы
1. Овсянников Е.С., Авдеев С.Н., Будневский А.В. и др. Диагностика кашля: настоящее и будущее. Туберкулез и болезни легких 2021; 99 (11): 56-65.
2. French C.T., Irwin R.S., Fletcher K.E. et al. Evaluation of a cough-specific quality-of-life questionnaire. Chest. 2002. Vol. 121, № 4. Р. 1123-1131. DOI: 10.1378/chest.121.4.1123.
3. Lee K.K., Matos S., Ward K. et al. Sound: A non-invasive measure of cough intensity // BMJ Open Respir Re. 2017. Vol. 4, № 1. e000178. DOI: 10.1136/bmjresp-2017-000178.
4. Proaño A., Bravard M. A., López J. W. et al. Dynamics of cough frequency in adults undergoing treatment for pulmonary tuberculosis // Clin. Infect. Dis. 2017. Vol. 64, № 9. Р. 1174-1181. DOI:0.1093/cid/cix039.
5. Turner R.D., Birring S.S., Darmalingam M. et al. Daily cough frequency in tuberculosis and association with household infection // Int. J. Tuberc. Lung Dis. 2018. Vol. 22, № 8. Р. 863-870. DOI: 10.5588/ijtld.17.0652.
6. Аленин А.Л. Методы обучения классификатора на основе звуков кашля для выявления заболевания вирусом COVID-19 / Аленин А.Л., Мокшин В.В. // В сборнике: Информатика: проблемы, методы, технологии. Материалы XXII Международной научно-практической конференции им. Э.К. Алгазинова. Под редакцией Д.Н. Борисова. Воронеж, 2022. С. 560-566.
7. Android service. [Электронный ресурс] URL: https://developer.android.com/develop/background-work/services (дата обращения: 12.9.2023).
8. Кластерный анализ. [Электронный ресурс] URL: https://ru.wikipedia.org/wiki/Кластерный анализ (дата обращения: 25.11.2023).
9. Преобразование Фурье. [Электронный ресурс] URL: https://ru.wikipedia.org/wiki/Преобразование Фурье (дата обращения: 5.10.2023).
10. Теорема Котельникова. [Электронный ресурс] URL: https://ru.wikipedia.org/wiki/Теорема Котельникова(дата обращения: 5.10.2023).
Абрамов Геннадий Владимирович, д-р техн. наук, заведующий кафедрой, [email protected], Россия, Воронеж, Воронежского государственного университета,
Ширяев Николай Александрович, магистрант, зЫгуаеу [email protected], Россия, Воронеж, Воронежского государственного университета
DEVELOPMENT OF ELEMENTS OF A MEDICAL INFORMATION SYSTEM FOR MONITORING THE CONDITION OF PATIENTS WITH PULMONARY DISEASES
G.V. Abramov, N.A. Shiryaev
This article is devoted to the development of a mobile application of a medical information system for monitoring the condition of patients with pulmonary diseases. A mobile application for audio signal preprocessing is being developed. The k-means method is used to isolate sections of the speech signal and noise from the audio data coming through the microphone of a mobile device in real time. In addition to the k-means method, the Neumann-Pearson criterion is applied for more accurate signal recognition.
Key words: mobile application, medical information system, signal preprocessing, k-means method, cough, sound
frequency.
Abramov Gennady Vladimirovich, doctor of technical sciences, head of the department, agwl@yandex. ru, Russia, Voronezh, Voronezh State University,
Shiryaev Nikolay Alexandrovich, undergraduate, shiryaev_nikolay@vk. com, Russia, Voronezh, Voronezh State
University
УДК 004
DOI: 10.24412/2071-6168-2024-3-26-27
ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ FMEA-АНАЛИЗОВ ДЛЯ ВЫСОКООТВЕТСТВЕННЫХ ТЕХНИЧЕСКИХ СИСТЕМ
А.П. Панков, Д.А. Панков, Ю.П. Похабов, И.А. Панков
Аналитические и численные методы моделирования, которые используются на ранних этапах проектирования систем управления обладают низкой точностью и достоверностью получаемых оценок надёжности. В этой связи более чем 30-ти летний кризис в атомной промышленности завершился переходом к использованию методик анализа FMEDA и ЕТА. Значительный рост библиографических ссылок на публикации по тематике ЕМЕА-анализов вряд ли является серьезным основанием для его широкого использования для анализа надежности в связи с невозможностью получения точных и достоверных оценок надежности. Рассматриваются возможности использования ЕМЕА-анализов для предварительного исследования высокоответственных технических систем общего и электрорадиотехнического назначения. Проведен анализ преимуществ и недостатков применения ЕММЕА-анализов. Приведены примеры методов анализа надежности - конструкторско-технологического анализа надежности (КТАН) и имитации неисправностей и анализа реакции (ИНАР). Если КТАН является общим методом проектирования заданной надёжности, то ИНАР - это средство верификации и валидации готовых изделий (систем) электрорадиотехнического назначения.
Ключевые слова: ЕМЕА, ЕМЕСА, FMEDA, конструкторско-технологический анализ надежности (КТАН), имитация неисправностей и анализ реакции (ИНАР), анализ надежности.
Введение. Сложность современных технических систем неизбежно повышается. Факторы, влияющие на их качество и надежность, год от года не становятся менее значимыми, а их число неуклонно увеличивается. Это приводит к необходимости совершенствовать нормативно-методическую базу по обеспечению качества и надежности.
Не секрет, что основу многих современных отечественных стандартов в сфере обеспечения качества и надёжности заимствуют за рубежом, хотя в недавнем прошлом, использование фактически зарубежных стандартов в атомном и оборонно-промышленном комплексе нельзя было даже представить. При этом выпуск новых стандартов практически не влияет на рост рекламаций на экспортную военную технику, снижение уровня качества и надежности продукции на внутреннем рынке, затраты по устранению дефектов продукции в процессе изготовления, испытаний и эксплуатации и т. п. В числе прочих причин сложившейся ситуации отмечается несоответствие нормативно-правового обеспечения и неэффективность функционирования ранее существовавшей системы управления качеством оборонной продукции в рыночных условиях [1].
Еще более тревожная ситуация сложилась при создании уникальных высокоответственных систем, отказ которых способен привести к недопустимым финансово-экономическим, экологическим, безопасностным и иным потерям. В первую очередь это изделия аэрокосмической и атомной отрасли. Аварии изделий аэрокосмической техники несут риски финансово-экономических потерь, атомной - экологических и безопасностных, а при эксплуатации космических транспортно-энергетических модулей на основе ядерной энергодвигательной установки - мы уже должны быть готовыми ко всем возможным рискам одновременно.
Перед лицом реальных проблем с качеством и надежностью современной техники, встает вопрос, как противостоять существующим и предстоящим вызовам. Долгое время считалось, что чуть ли не единственным чудодейственным средством для обеспечения качества и надежности являются ЕМБЛ-анализы, но каких-либо доказательств этому никто не приводил. Статья посвящена исследованию вопроса, насколько ЕМБЛ-анализы отвечают требованиям времени.
