CC BY
6НАНОТЕХНОЛОГИИ
NANOTECHNOLOGY
Статья поступила в редакцию 04.07.13. Ред. рег. № 1711
УДК 004.3
The article has entered in publishing office 04.07.13. Ed. reg. No. 1711
системный анализ функционального состояния человека с использованием системы неинвазивного контроля сердца
С.В. Савельев, Я.С. Мамонтов, А.Ф. Рыбочкин
Юго-Западный государственный университет 305040, Курск, ул. 50 лет Октября, д. 94 Тел.: 8-951-339-83-77, 8-951-338-73-13, e-mail: beveredge@mail.ru, s1trs1@yandex.ru, Anat_ryboch@mail.ru
Заключение совета рецензентов: 13.07.13 Заключение совета экспертов: 18.07.13 Принято к публикации: 23.07.13
Показано, что средства кардиографии в мобильных устройствах, совместно с двоичным кодированием сигнала и анализом с использованием нейронных сетей, позволяют диагностировать функциональное состояние организма человека. Приводится структурная схема исследовательского комплекса для дистанционного мониторинга функционального состояния организма человека. Показаны результаты экспериментальных исследований, отображающие диагностическую эффективность нейронных сетей.
Ключевые слова: системный анализ, неинвазивный контроль, мониторинг, нейронные сети.
SYSTEM ANALYSIS OF HUMAN FUNCTIONAL STATE USING SYSTEM OF HEART NON-INVASIVE CONTROL
S.V. Saveliev, Ya.S. Mamontov, A.F. Rybochkin
South-West State University 94, 50 years October St., Kursk, 305040, Russia Tel.: 8-951-339-83-77, 8-951-338-73-13, e-mail: beveredge@mail.ru, s1trs1@yandex.ru, Anat_ryboch@mail.ru
Referred: 13.07.13 Expertise: 18.07.13 Accepted: 23.07.13
It is shown that means of cardiography in mobile devices, jointly with a binary coding signal and analysis using neural networks allow diagnosing a functional state of a human body. Structural diagram of a research complex for remote monitoring of the functional state of the human body is presented. Results of experimental studies showing diagnostic efficiency of neural networks are shown.
Keywords: system analysis, non-invasive control, monitoring, neural networks.
Сергей Викторович Савельев
Сведения об авторе: аспирант кафедры конструирования и технологии ЭВС ЮЗГУ.
Образование: Курский государственный технический университет (2009).
Основной круг научных интересов: биосистемы, цифровая обработка сигналов.
Публикации: 2 патента, 1 патент на полезную модель, 5 свидетельств на программы, 22 научные работы.
Сведения об авторе: аспирант кафедры конструирования и технологии ЭВС ЮЗГУ.
Образование: Юго-западный государственный университет (2012).
Область научных интересов: биосистемы, цифровые фильтры, нейронные сети.
Публикации: 2 научные работы.
Ярослав Сергеевич Мамонтов
International Scientific Journal for Alternative Energy and Ecology № 08 (130) 2013
© Scientific Technical Centre «TATA», 2013
Анатолий Федорович Рыбочкин
Сведения об авторе: д-р техн. наук, профессор кафедры конструирования и технологии ЭВС ЮЗГУ.
Образование: Курский политехнический институт (1976).
Область научных интересов: биосистемы, анализ и кодирование акустических шумов. Публикации: 67 авторских свидетельств, патентов и свидетельств на программы, 193 научные работы, 6 монографий.
Введение
Разработка мобильной техники для дистанционного мониторинга состояния в нестационарных условиях и обнаружения местоположения человека является одним из ключевых направлений в области жизнеобеспечения и поддержки индивидуальной безопасности человека. В связи с этим возникла острая необходимость создания мобильного комплекса, который позволит автоматизировано, достоверно и оперативно оценивать степень нарушений и выявлять патологии в деятельности сердечно-сосудистой системы. В процессе разработки данной техники приоритет отдается бесконтактным методам регистрации биологических сигналов и параметров, что повышает удобство использования конечными пользователями.
Наиболее приемлемым для мобильных устройств способом регистрации кардиосигнала является регистрация механических проявлений сердечной активности [1]. Сигнал кардиограммы отражает фазы сокращения сердца человека, а также является источником информации о функциональном состоянии организма. Сущность алгоритма работы созданной системы для неинвазивного контроля состояния сердца заключается в совместном использовании методов анализа и визуализации кардиографической информации. Актуальность системы для неинвазив-ного контроля сердца обусловлена тем, что за минимально возможный промежуток времени необходимо получить максимально возможный объем достоверной информации в ситуациях, когда нахождение правильного решения жизненно важно для сохранения здоровья человека. Такая система предоставляет врачам возможность дистанционного мониторинга за состоянием пациентов, а так же способна помочь сотрудникам МЧС при поисково-спасательных операциях определить приоритет оказания помощи пострадавшим. Получение максимального объема информации, установление взаимосвязей явлений в функционировании сердечно-сосудистой системы (ССС), выявление отклонений параметров и патологий возможно только в рамках системного анализа. С точки зрения системного анализа, ССС человека является подсистемой, осуществляющей значительную
и относительно самостоятельную роль в деятельности человека. Системный подход требует разработки новых математических методов и использования компьютерных средств обработки статистической информации.
Экспериментальная часть
В ходе работы был разработан исследовательский комплекс для дистанционного мониторинга функционального состояния организма человека, в состав которого входит электромагнитный сейсмический датчик 1, акселерометр 4, термометр 7, аналого-цифровой преобразователь (АЦП) 2, микроконтроллер 5, инструментальный усилитель 3, регулятор усиления 6, беспроводной интерфейс 8, ЭВМ 9 (рис. 1). Одним из преимуществ данной системы является автономное батарейное питание, это позволяет исключить из системы схему устранения сетевых помех, а так же устраняет проблему с гальванической развязкой тела человека от сети переменного тока.
Рис. 1. Структурная схема исследовательского комплекса для дистанционного мониторинга функционального состояния организма человека Fig. 1. Structural diagram of research complex for remote monitoring of functional state of human body
С использованием данного комплекса, вибрации, обусловленные сокращениями сердца [2], передающиеся через грудную клетку, регистрируются электромагнитным сейсмическим датчиком 1, сигнал с которого поступает на инструментальный усилитель 3, а затем на вход АЦП 2. Оцифрованное значение напряжения Ь, с АЦП 2, считываются микроконтроллером 5 и передаются посредством беспроводного интерфейса 8 с постоянной частотой дискретизации
Международный научный журнал «Альтернативная энергетика и экология» № 08 (130) 2013 л -у |-© Научно-технический центр «TATA», 2013 I^J
на ЭВМ 9, где принимаемое значение Lt записываются в сдвиговый буфер FIFO [0.. N-1], где N = 400 -размер буфера FIFO, определенный в ходе исследований [3]. При полном заполнении буфера начинается сдвиг старых значений в сторону младших индексов буфера на количество вновь принимаемых значений L^ Таким образом реализуется потоковое представление сигнала механокардиограммы с электромагнитного сейсмического датчика 1 в зависимости от времени.
Для анализа сигнала кардиограммы применяется аппроксимирование с помощью сочетательного сравнения средних значений амплитуд сигналов на различных временных участках исходного сигнала. Суть его заключается в том, что с помощью системного таймера проводится асинхронное чтение буфера FIFO с постоянной частотой дискретизации. Считанный буфер разделяется на K равных отрезков, для которых вычисляется интенсивность , представляющая собой среднее значение амплитуды сигнала (1).
M, =
( (Ni/K)-i Е FIF°[i]
V '=N ('• -'УK_
N/K
,' = {'..K}.
Полученные Mt сравниваются по числу возможных парных сочетаний относительно друг друга, и по результатам сравнения формируется двоичный код образа формы сигнала Ьс2,...,Ь3,Ь2,b, из пространства K! разрядностью C2K = r .
Сформированные шестиразрядные коды B соответствуют видам образов форм, аппроксимирующих реальную форму сигнала, приведенным на рис. 2. Ось абсцисс соответствует временным интервалам буфера FIFO, ось ординат соответствует четырехуровневой интенсивности [4]. Каждый уровень количественно не определен.
Рис. 2. Вид образов форм и соответствующие им двоичные и восьмеричные коды Fig. 2. Kind images of forms and corresponding binary and octal codes
International Scientific Journal for Alternative Energy and Ecology № 08 (130) 2013
© Scientific Technical Centre «TATA», 2013
Таблица 1
Коды, содержащие общие элементы образов форм сигнала
Table 1
С odes containing common element images of signal forms
Pl4 Р24 Р34 Р44 Р13 Р23 Р33 Р43 Р12 Р22 Р32 Р42 Р11 Р21 Р31 Р41
77 36 51 60 36 77 73 1 17 73 77 36 0 71 76 77
73 37 53 64 37 76 71 41 26 74 70 7 4 70 36 73
71 17 13 24 51 13 17 6 13 53 37 51 1 51 26 37
70 7 3 4 53 3 7 26 41 1 6 3 3 41 64 17
74 6 1 0 60 24 0 70 24 64 60 71 6 60 24 53
76 26 41 40 64 4 40 74 40 0 4 76 7 40 74 13
Таблица 2
Классы сигналов кардиограммы и соответствующие им функциональные состояния
Table 2
Classes of cardiogram signals and corresponding functional states
№ сост. Функциональное состояние Давление на грудную клетку, кг/см2 Обучающая выборка Контрольная выборка
1 Без функциональной нагрузки (ФН) 0 700 350
2 После 1-минутной ФН 0 162 81
3 После 5-минутной ФН 0 162 81
4 Без ФН 0,16 54 27
5 После 1-минутной ФН 0,16 54 27
6 После 5-минутной ФН 0,16 54 27
7 Без ФН 0,33 48 24
8 После 1-минутной ФН 0,33 48 24
9 После 5-минутной ФН 0,33 48 24
10 Пульс отсутствует 0 48 24
Всего 1378 689
Образы форм сигнала (рис. 2) имеют общие элементы Ру, где I - номер столбца, у -номер уровня образа формы сигнала (табл. 1).
Набор данных для обучения и тестирования нейронных сетей был составлен из частот выпадения шестиразрядных двоичных кодов из пространства 4! для случая К = 4 [4] и соответствующих им общим элементам, полученным при обработке сигналов кардиограммы, имеющих длительность 10 с [3]. Записи сигналов кардиограммы были разбиты на 10 различных функциональных состояний (табл. 2) волонтеров.
Для выбора эффективности классификации с помощью программного пакета 81аИ8Йса 6 были смоделированы шесть различных нейронных сетей с неблочной структурой, имеющих единую нейронную сеть для классификации всех функциональных со-
стояний [5]: линейная нейронная сеть для частот выпадения кодов (ЛНС1), линейная нейронная сеть для частот выпадения общих элементов (ЛНС2), радиальная базисная нейронная сеть для частот выпадения кодов (РБНС1), радиальная базисная нейронная сеть для частот выпадения общих элементов (РБНС2), вероятностная нейронная сеть для частот выпадения кодов (ВНС1), вероятностная нейронная сеть для частот выпадения кодов (ВНС2).
В качестве расчетных показателей качества классификации нейронных сетей используются диагностическая чувствительность (ДЧ) по отношению к определенному состоянию, диагностическая специфичность (ДС) по отношению к определенному состоянию, диагностическая эффективность (ДЭ). Результат оценки работы нейронных сетей на контрольной выборке приведены в табл. 3 и 4.
Международный научный журнал «Альтернативная энергетика и экология» № 08 (130) 2013 © Научно-технический центр «TATA», 2013
Таблица 3
Результаты исследования нейронных сетей на контрольной выборке
Table 3
Results of neural networks study using control sample
Тип сети № состояния
1 2 3 4 5 6 7 8 9 10
всего 350 81 81 27 27 27 24 24 24 24
правильных 346 33 38 4 0 1 1 1 0 24
О ошибочных 4 48 43 23 27 26 23 23 24 0
правильных, % 98,86 40,74 46,91 14,81 0 3,7 4,17 4,17 0 100
ошибочных, % 1,14 59,26 53,09 85,19 100 96,3 95,83 95,83 100 0
всего 350 81 81 27 27 27 24 24 24 24
ГНС2 правильных 240 29 39 0 2 3 1 0 2 24
ошибочных 110 52 42 27 25 24 23 24 22 0
правильных, % 68,57 35,8 48,15 0 7,41 11,11 4,17 0 8,33 100
ошибочных, % 31,43 64,2 51,85 100 92,59 88,89 95,83 100 91,67 0
всего 350 81 81 27 27 27 24 24 24 24
правильных 339 46 54 23 18 20 21 18 16 24
О К м ошибочных 11 35 27 4 9 7 3 6 8 0
Рч правильных, % 96,86 56,79 66,67 85,19 66,67 74,07 87,5 75 66,67 100
ошибочных, % 3,14 43,21 33,33 14,81 33,33 25,93 12,5 25 33,33 0
всего 350 81 81 27 27 27 24 24 24 24
<N правильных 311 42 50 21 19 18 18 17 16 24
О К ^ ошибочных 39 39 31 6 8 9 6 7 8 0
Рч правильных, % 88,86 51,85 61,73 77,78 70,37 66,67 75 70,83 66,67 100
ошибочных, % 11,14 48,15 38,27 22,22 29,63 33,33 25 29,17 33,33 0
всего 350 81 81 27 27 27 24 24 24 24
правильных 348 63 68 21 19 24 23 21 20 24
о К m ошибочных 2 18 13 6 8 3 1 3 4 0
правильных, % 99,43 77,78 83,95 77,78 70,37 88,89 95,83 87,5 83,33 100
ошибочных, % 0,57 22,22 16,05 22,22 29,63 11,11 4,17 12,5 16,67 0
всего 350 81 81 27 27 27 24 24 24 24
ВНС2 правильных 284 58 56 17 18 21 20 19 18 24
ошибочных 66 23 25 10 9 6 4 5 6 0
правильных, % 81,14 71,6 69,14 62,96 66,67 77,78 83,33 79,17 75 100
ошибочных, % 18,86 28,4 30,86 37,04 33,33 22,22 16,67 20,83 25 0
International Scientific Journal for Alternative Energy and Ecology № 08 (130) 2013
© Scientific Technical Centre «TATA», 2013
Таблица 4
Показатели качества классификации смоделированных нейронных сетей
Table 4
Quality of classification indicators of simulated neural networks
Тип сети № состояния
1 2 3 4 5 6 7 8 9 10
ЛНС1 ДЧ 98,86 40,74 46,91 14,81 0 3,7 4,17 4,17 0 100
ДС 30,09 68,26 67,43 67,07 67,67 67,52 67,22 67,22 67,37 63,76
ДЭ 65,02
ЛНС2 ДЧ 68,57 35,8 48,15 0 7,41 11,11 4,17 0 8,33 100
ДС 29,5 51,15 49,51 51,36 51,06 50,91 50,98 51,13 50,83 47,52
ДЭ 49,35
РБНС1 ДЧ 96,86 56,79 66,67 85,19 66,67 74,07 87,5 75 66,67 100
ДС 70,8 87,66 86,35 83,99 84,74 84,44 83,91 84,36 84,66 83,46
ДЭ 84,03
РБНС2 ДЧ 88,86 51,85 61,73 77,78 70,37 66,67 75 70,83 66,67 100
ДС 66,37 81,25 79,93 77,79 78,1 78,25 77,89 78,05 78,2 76,99
ДЭ 77,79
ВНС1 ДЧ 99,43 77,78 83,95 77,78 70,37 88,89 95,83 87,5 83,33 100
ДС 83,48 93,42 92,6 92,15 92,45 91,69 91,43 91,73 91,88 91,28
ДЭ 91,58
ВНС2 ДЧ 81,14 71,6 69,14 62,96 66,67 77,78 83,33 79,17 75 100
ДС 74,04 78,45 78,78 78,25 78,1 77,64 77,44 77,59 77,74 76,84
ДЭ 77,65
Рис. 3. Диагностическая эффективность нейронных сетей Fig. 3. Diagnostic efficiency of neural networks
Международный научный журнал «Альтернативная энергетика и экология» № 08 (130) 2013 © Научно-технический центр «TATA», 2013
Системный подход к анализу результатов построения нейронных сетей показал, что наилучший результат в задаче классификации функциональных состояний организма достигается при анализе частот выпадения кодов с использованием вероятностной нейронной сети (рис. 3).
Заключение
Средства кардиографии в мобильных устройствах совместно с двоичным кодированием сигнала и анализом с использованием нейронных сетей позволяют диагностировать функциональное состояние организма человека. Созданный комплекс можно применить для оценки регуляции сердечного ритма у людей с различными сердечными заболеваниями и людей, не имеющих патологий в работе ССС. Так же данный комплекс может оказаться полезен для оценки адаптивной деятельности организма и выделения групп риска по различным видам кардиопаталогий.
Таким образом, авторами было получено средство исследования и диагностики, позволяющее осуществлять контроль сердечно-сосудистой системы человека и оперативно получать достоверную информацию о ее текущем состоянии.
Список литературы
1. Савельев С.В., Рыбочкин А.Ф. Мониторинг сердечной активности человека в условиях чрезвычайной ситуации // Альтернативная энергетика и экология - ISJAEE. 2011. № 11. С. 89-95.
2. Ткаченко Б.И. Нормальная физиология человека // 2-е изд. М.: Медицина, 2005. 928 с.
3. Савельев С.В., Рыбочкин А.Ф. Мониторинг деятельности сердца в условиях чрезвычайной ситуации // Биотехносфера. 2011. № 5-6 (17-18). С. 49-58.
4. Рыбочкин А.Ф., Захаров И.С. Системный анализ акустических сигналов пчелиных семей с использованием кодовых сообщений: Монография / Курский гос. университет. Курск. Гуманитарно-технический институт. 2009.
5. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных. Под ред. В.П. Боровикова / 2-е изд., перераб. и доп. М.: Горячая линия - Телеком, 2008.
Г>С1 — TATA — LXJ
1 РОССИЙСКИ) и злрубсмыые гдзотн и журналы
О 2
ь- КхШ и И учебники
I
Vi ~
Of Si et
ГАЗЕТЫ И ЖУРНАЛЫ
ПОДПИСКА - 2013 на июль-декабрь
по Объединенному каталогу «Пресса России»
На почте с апреля 2013 г. проводится подписная кампания на
Международный научный журнал «Альтернативная энергетика и экология»
по Объединенному каталогу Пресса России «ПОДПИСКА-2013, второе полугодие» индекс: 41935 Условия оформления подписки (аннотация, индексы, стоимость) вы найдете в I томе каталога
ТРЕБУЙТЕ ОБЪЕДИНЕННЫЙ КАТАЛОГ НА ПОЧТЕ!
Контактный номер телефона специалиста по распространению (495) 661-20-30
International Scientific Journal for Alternative Energy and Ecology № 08 (130) 2013
© Scientific Technical Centre «TATA», 2013
