CC BY
157
Реализована рекурсивная модель с двумя узлами в среде TURBO PASKAL, что позволяет использовать IBM совместимые компьютеры от 286 и выше, как в DOS, так и в Windows. Особенностью рекурсивной системы является возможность движения по цепочке (программе) как вперёд, так и назад, обучение (совершенствование) и тренировка.
Использование данной экспертной системы в практике врача-невропатолога может существенно повысить достоверность дифференциальной диагностики поясничных болей, имеющих различные причины происхождения, создать базу данных больных, автоматизировать процесс принятия решения, постановки диагноза и лечения больных
[1-3].
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Модель построения систем диагностики неврологических больных / Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности». -Таганрог, 2001. -С.219-220
2. Лечение остеохондроза шейного отдела позвоночника методом акупунктуры / Сборник медицинских научных работ «Актуальные проблемы неврологии и нейрохирургии». -Ростов-на-Дону, 1999. -С.144 - 145
3. Терапия неврологических проявлений дегенеративно-дистрофических поражений позвоночника с учётом соматической патологии / Сборник медицинских научных работ «Актуальные проблемы неврологии и нейрохирургии». -Ростов-на-Дону, 2002. -С.84
Максимов А.В.
СТРУКТУРА АЛГОРИТМИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ МИКРОПРОЦЕССОРНОЙ СИСТЕМЫ СБОРА И ОБРАБОТКИ ЭКГ-СИГНАЛОВ
Из всех многочисленных методов функционального исследования сердечнососудистой системы электрокардиография (ЭКГ) за годы своего клинического применения не только не утратила своего значения, но находит все более широкие области применения.
В настоящее время используется несколько эффективных электрокардиографических методов анализа сердечной деятельности, например, ЭКГ покоя, стресс-ЭКГ исследование. Все они имеют различную диагностическую ценность при поиске определенных патологий и, как правило, дополняют друг друга.
Неотъемлемой частью кардиологии является анализ и оценка ЭКГ-сигналов, так или иначе получаемых с пациента. Поэтому в последние годы решающее влияние на ее развитие оказывает применение персональных компьютеров и специализированных микропроцессорных систем для реализации методов, основанных на применении сложных современных математических алгоритмов обработки и представления медицинских сигналов.
Мощности современных вычислительных систем позволяют все действия по выделению и распознаванию отдельных феноменов на ЭКГ и их математической обработке организовывать не только с помощью настольных персональных компьютеров, но и с помощью микропроцессорных контроллеров, встроенных в устройства съема ЭКГ. Это позволяет не только проводить обследования более качественно, точно и в сжатые сроки, но и улучшать условия труда врача при проведении рутинных методик, связанных с измерением параметров и идентификацией феноменов.
Применение компьютерных технологий приводит к созданию и развитию различного рода медицинских систем, выполняющих функции от съема, распознавания и расчета основных параметров различных медицинских феноменов в регистрируемом сигна-
ле, до попыток реализации в них советующих подсистем при формировании заключения о состоянии здоровья.
При анализе электрокардиограмм считается, что искомая информация содержится в участках кривой, называемых кардиокомплексами, таких как Р-, Q-, R-, S-, Т-зубцы. В этом случае в процессе извлечения информации из кривой нужно произвести выделение указанных "информативных" участков по определенным критериям и классифицировать их, а представление информации о кривой в целом следует строить через описание классов выделенных участков. В таком описании названия (индексы, номера) классов участков играют роль " букв", а последовательности этих индексов могут пониматься как "слова" некоторого языка. При помощи этого языка производится анализ отдельных кривых, и лишь после этого анализируется вся совокупность кривых, описывающая поведение исследуемого объекта в целом. Указанный процесс извлечения информации в известной мере копирует общий подход к изучению кривых, разработанный специали-стами-прикладниками опытным путем в процессе анализа кривых на глаз.
Перед тем как провести такой анализ, необходимо провести предварительную обработку полученных данных: фильтрацию и коррекцию изолинии.
Фильтрация ЭКГ-сигнала необходима для уменьшения уровня помех и более надежной работы распознавателя элементов ЭКГ. При этом используют следующие типы программных фильтров:
• фильтр скользящего среднего;
• рекурсивный цифровой фильтр;
• низкочастотный сплайн-фильтр;
• фильтрация в частотной области.
Рассмотрим эти фильтры более подробно.
Фильтр скользящего среднего наиболее прост. Он предполагает взвешенное суммирование п+1 отсчетов входного сигнала относительно текущего отсчета. Кроме того, если весовые коэффициенты симметричны относительно у(^, т.е. 0 = w(-i) ,то такой фильтр не вносит фазовых искажений. К недостаткам его можно отнести относительно небольшие величины затухания в области фильтрации.
Рекурсивный фильтр. Для расчета выходных параметров используют не только входные, но и предшествующие выходные значения, поступающие через цепь обратной связи. Такой фильтр дает гораздо большие значения затухания, но вносит большие фазовые искажения и обладает довольно большой неравномерностью в полосе прозрачности.
Низкочастотный сплайн-фильтр. Низкочастотный сплайн-фильтр обладает наилучшей формой характеристики в полосе прозрачности, большой крутизной амплитудно-частотной характеристики. К недостаткам его можно отнести значительную фазовую погрешность и большой объем вычислений (каждый раз решается система линейных уравнений с ленточной матрицей длиной порядка размеру выборки).
Фильтрация в частотной области. Осуществляется фильтрация сигнала в определенной области частот с помощью дискретного преобразования Фурье. Из набора сигналов у(к) рассчитываются коэффициенты S(j), соответствующие частотам 0, 1/Т,2/Т ...,(№1)/Т, где Т- время дискретизации сигнала. После умножения коэффициентов на значения частотной характеристики производят обратное преобразование, восстанавливающее отфильтрованный сигнал. Теоретически это наиболее универсальный метод фильтрации, однако он требует большого объема вычислений (порядка 4*п*^(п) операций сложения и умножения) и использовать его без аппаратных ускорителей нецелесообразно. Для подавления помехи от сети используют адаптивный режекторный фильтр частотой режекции 50Гц, для антитремморной фильтрации используют косину-
соидальный фильтр скользящего среднего с частотой режекции 35Гц и с нулевым фазовым сдвигом, для фильтрации участков Р-зубца и ST- интервала используется низкочастотный сплайн-фильтр.
Задача распознавание элементов ЭКГ-сигналов состоит в том, чтобы найти и реализовать метод (методы) автоматического построения языка описания экспериментальных кривых. Такой метод позволяет эффективно вырабатывать язык, специально приспособленный для анализа определенного рода информации. На первом этапе анализа происходит автоматическое построение алфавита (набора эталонов), который затем используется для классификации вновь выделенных информативных участков, а сам процесс выделения этих участков не требует задания значительного числа априорной информации. В соответствии с используемым методом прежде всего выделяются небольшие участки, на которых кривая сильно изменяется. Этот подход дает возможность разделить кривую на сегменты, на каждом из которых кривая ведет себя относительно плавно и называется процессом сегментации, а эти участки — переходными. Затем следует этап составления алфавита, например, при помощи заранее заданного составителем языка эталонных форм или на основе эталонных форм строящихся автоматически и каждый раз заново по мере появления нового класса исследуемых кривых, предъявленных для описания. При автоматическом методе построения набора эталонов на этапе сегментации машина создает массив всех выделенных переходных участков. Затем для каждого массива определяется вектор признаков, характеризующих "форму" поведения кривой на рассматриваемом переходном участке. Множество таких векторов классифицируется на классы близких векторов в смысле близости характеристик векторов по каким-либо наперед заданным критериям.
Каждый класс "похожих" векторов (или переходных участков), полученных в результате применения алгоритма классификации, понимается как одна буква формируемого языка. Имея теперь какой либо переходной участок можно при помощи какого-либо алгоритма распознавания образов отнести его к одному из выделенных классов. В этом смысле выделенные классы можно понимать как алфавит, с помощью которого именуются переходные участки. Следующий этап состоит в индексации кривой, т.е. кривая представляется в виде последовательности букв составленного алфавита.
Построенные таким образом первичные описания кривых могут быть использованы для сравнения кривых между собой - либо по наличию того или иного символа в представлении кривой, либо по порядку следования букв алфавита (могут быть заранее выбраны для конкретизации несколько букв).
Каждое отведение представляет собой запись электрической активности сердечной мышцы за определенный промежуток времени. Существует строгая связь между сигналом ЭКГ и функционированием сердца.
Сердечные аритмии довольно хорошо выражены на ЭКГ. Качество автоматической диагностики аритмий в значительной степени зависит от качества съема и обработки электрокардиосигналов. При этом наблюдается эффект "накопления ошибок", который заставляет проводить анализ аритмий лишь в упрощенном виде.
Особенно ухудшить качество диагностики могут пропуски и ложные обнаружения QRS-комплексов. Эти ошибки возникают в условиях помех при съеме, а также в связи с трудностями различения образов разных фрагментов кардиоцикла патологической ЭКГ (например, Т-зубец трудно отличим от ранней желудочковой экстрасистолы). При автоматической диагностике аритмий трудно обнаружить низкоамплитудный Р-зубец ЭКГ в реальном масштабе времени, что особенно влияет на анализ сложных случаев комбинированных видов аритмий. Большой частью автоматической диагностики аритмий является распознавание опасных для жизни аритмий. Малый резерв времени
(до 10 с), отпускаемый на выявление этих нарушений, и очень жесткие требования к ошибкам диагностики обоих видов делают эту задачу также довольно трудной для автоматизации.
Особое значение имеет распознавание внеочередных сокращений желудочков сердца, инициируемых очагом возбуждения в самих желудочках (эктопических сокращений). Они проявляются в виде различных видов желудочковых экстрасистол и эпизодов пароксизмальной желудочковой тахикардии и имеют большое прогностическое значение. Кроме того, необходимо постоянно наблюдать за их динамикой при протиарит-мической терапии. На ЭКГ данные аритмии проявляются в основном в виде характерных изменений формы QRS-комплекса и последовательности RR-интервалов, поэтому крайне желательно, чтобы эти признаки учитывались диагностическим алгоритмом.
Рассмотрим особенности построения алгоритмов автоматической диагностики аритмий. На первом этапе этого алгоритма каждый текущий RR-интервал Тт делится на последующий Тгг^+1). Результат этого деления gi=Trri/Trr(i+1) квантуется на 5 уровней в соответствии с правилом:
1, если gi>=1.2;
2, если 1.2>^>=1.1;
Zi = 3, если 1.1^>=0.9;
4, если 0.9^>=0.8;
5, если 0.8^^
где Zi- номер уровня в результате преобразования ьго RR- интервала.
Запись Z2=5 означает, что отношение g2=Trr2/Trr3 относится к 5-му уровню квантования. Для обнаружения некоторых видов аритмий вводится подуровень 1-го уровня, названный шестым и определяемый следующим образом: gi>=1.4, при Trri<=200мс;
Zi=6, если Trri>=4.9Trr(i+1)-500 мс, при Тт>200 мс.
При обозначении некоторого данного QRS-комплекса через Ro следующие за ним анализируемые комплексы обозначаются как R1,R2,R3 и т.д. В результате работы алгоритма классификации формы QRS-комплекса, каждому комплексу приписана некоторая марка М. Значение М=1 соответствует нормальной форме, М=2 — патологически измененной (желудочковой). При М=0 или М=3 алгоритм выдает неопределенный ответ. Таким образом, запись М1=1 означает, что комплекс R1 имеет нормальную форму. Для нормальной ЭКГ такими являются все комплексы. По характерным изменениям RR-интервалов и связанной с ними динамикой формы QRS-комплекса алгоритм обнаруживает появление кратковременных аритмичных событий, а затем, с учетом выявленной ритмичности сердечных сокращений, подсчитанной ЧСС, и возможных изменений формы желудочкового комплекса на всем интервале ta, формирует окончательный диагноз по последовательности этих событий за некоторый временной интервал ta (время анализа).
Обнаружение аритмий типа событий производится в текущем режиме по мере выполнения условий, выраженных в виде логических формул, истинность которых означает наступление соответствующих событий. Определяются следующие события и предварительные диагнозы. Например: одиночная наджелудочковая экстрасистола ^1) может быть записана следующим образом: S1=(Z1 = 1)Л(Z2=5)Л(M1=1)Л(M2=1)Л(M3=1); ранняя желудочковая экстрасистола ^2) может быть представлена так: S2=(M1=1)Л(М2=2,3)Л(М3=1)Л(Z1=6)Л[(Z2=5)V(Z3=5)]; парная желудочковая экстрасистола ^3) так: S3=(M1 = 1)Л(М2=2,3)Л(М3=2,3)Л(M4=1)Л(Z1=1,2,6) и так далее по всему перечню возможных аритмий.
Рассмотрим алгоритм контурного анализа. Характерные элементы сердечного цикла являются основанием для анализа, понятия причины отклонений от нормы и принятия решения о возможных способах их устранений. Каждый комплекс содержит несколько разнонаправленных пиков. Число пиков неодинаково в разных отведениях и у разных пациентов. Р- и Т-комплексы обычно содержат один или два зубца, а QRS-комплекс - от одного до семи. Характерные элементы ЭКГ-анализа - это комплексы, сегменты и интервалы. Таким образом, возникают задачи сегментации, распознавания и анализа экспериментальных данных.
Задачу распознавания и измерения характерных элементов ЭКГ-сигнала можно разбить на шесть последовательных этапов:
а) выявление пиков (выявление истинных пиков);
б) разграничение пиков;
в) распознавание пиков;
г) распознавание элементов ЭКГ;
д) классификации комплексов;
е) интерпретация ЭКГ и ее классификация.
Как видно, возникает необходимость использовать такие методы, как методы спектрального анализа, структурно-лингвистические методы обработки информации и методы распознавания образов.
Для пунктов (а) и (б) целесообразно использование вышеприведенного алгоритма классификации, который использует формализацию интуитивно понятных и легко различимых образов так называемого простого и сложного поведения сигнала. После этого необходимо построить алфавит (пункт (в)), используя выделенные формы кривой, и разбить их на классы "похожих" векторов. Эти классы будут представлять алфавит, который именует переходные участки (элементы ЭКГ сигнала: Р, Q, R, S, Т). После этого логично провести индексацию кривой (пункт (г)), т.е. представить ЭКГ-сигнал в виде последовательности букв составленного алфавита (слов): Р, QRS, Т. Как правило, наиболее рельефный элемент ЭКГ это QRS комплекс. Затем эти комплексы необходимо классифицировать (пункт (д)) по конфигурациям.
Комплекс может включать до семи пиков. Следует отметить, что начало, конец и другие параметры комплексов легко определить, зная параметры отдельных элементов сигнала, т.е. буквы составленного алфавита. Классификация осуществляется на основе метода «выявления/классификация», согласно которому комплекс представляется в виде набора либо формальных признаков типа координат множеств ортонормированных векторов, либо в виде соответствующих эвристических признаков. В последнем случае значительно сокращается время анализа и расчетов.
К этим признакам обычно относят амплитуду комплекса, его ширину, усредненное отклонение от нулевой линии, площадь, временной интервал между пиками и т.д. Итак, комплекс можно представить в виде набора параметров-координат векторов данных: {QRS1, QRS2, ..., QRSn}. Их разбивают на т классов: {С1, С2, ..., Ст} с помощью алгоритма классификации по ближайшим значениям следующим образом: 1) относят комплекс QRS1 к классу С1; ]=1, m=1; 2) увеличивают ] на 1 и рассчитывают D=min
d(C1, QRS1), где: d(C1, QRS1) - стандартное расстояние между классом С1 и комплексом QRSj. Присваивают i=1, когда расстояние минимально, если D<=t (; - некоторая критическая величина, по которой осуществляется разделение на классы), то QRSj относят к классу 0], иначе образуют новый класс и увеличивают т на 1; 3) повторяют этап
2, пока все комплексы не будут разбиты на классы.
При расчетах используется нормирование для универсальности расчетов в смысле независимости от масштабов.
Для формирования окончательных диагностических заключений помимо обнаружения аритмических событий определяются характеристики морфологии QRS-комплекса, частоты и ритмичности сердечных сокращений на всем интервале tа (обычное значение ta составляет 1 мин). К таким характеристикам относятся следующие:
- нормальная форма для QRS-комплексов (№):
- №= (для всех QRS-комплексов за ta выполняется условие М=1):
- аномальная форма всех QRS-комплексов (ЛГ);
- ЛГ= (для всех QRS-комплексов за ta выполняется условие М=2);
- свойство полиморфности (МГ):
- МГ= (за ta эталоны QRS-комплексов, для которых М=2 встречается хотя бы
один раз с разными индексами ]1).
По частоте сердечных сокращений выделяются следующие классы:
- брадисистолия (BR): BR=(40<=ЧССБ60);
- нормосистолия (КК): КЯ=(60<=ЧССБ90);
- тахисистолия (TL): TL=(90<=ЧССБ120);
- выраженная тахисистолия (ТН): ТН=(120<=ЧСС).
Классы аритмичности определяются следующим образом:
- слабая аритмичность (ЛЬ): AL=(N2/N3<25);
- средняя аритмичность (FV): ЛМ= (0.25<=Ш/№);
- сильная аритмичность (ЛН): ЛН= (Ш+Ш)/Ш<0.55,
где Ш,№,Т3- число событий Ь1,Ь2,Ь3, соответственно происшедших за ta;
Ь1=(г2=2)У(г1=4), Ь2=(г1=з); ьз=(г1=1)У(г1=5)У(г1=б).
Окончательное заключение формулируется как частость встречаемости или вообще факт появления каких-либо аритмических событий, а также как комбинации характеристик морфологии, частости и ритмичности следования желудочковых комплексов. К окончательным диагнозам относятся частые наджелудочковые экстрасистолы, если их появляется больше 6 за 1 мин, частые желудочковые экстрасистолы, если их число за 1 мин превышает 6, а также частые выпадения QRS-комплекса, если число этих выпадений за 1 мин превышает 5.
Отдельно отмечаются факты появления хотя бы один раз за ta ранних, парных и групповых экстрасистол с выработкой соответствующих диагнозов. Если форма QRS-комплекса различается хотя бы у двух экстасистол, появившихся за ta, то алгоритм вырабатывает диагноз полиморфная экстрасистолия.
С.В. Федосеев ДИСПЕТЧЕРСКОЕ УПРАВЛЕНИЕ ВОЗДУХОРАСПРЕДЕЛЕНИЕМ
Применение систем управления проветриванием должно обеспечивать повышение безопасности ведения горных работ, создание нормальных климатических условий труда для горнорабочих, снижение энергетических затрат на проветривание, сокращение простоев оборудования вследствие превышения допустимых норм запыленности. Для обеспечения этих требований необходимо поддержание объекта в состоянии, определяемом множеством векторов ^ ,а] ,НВ, QB) Q1 - количество воздуха в 1-й горной выработке, а] - концентрация пыли в ]-й лаве, НВ -общешахтная депрессия,
