CC BY
1УДК 61 Гранкин В.Е., Михеева И.А.
Гранкин В.Е.
канд. пед. наук, доцент, доцент кафедры физики, информатики и математики Курский государственный медицинский университет (г. Курск, Россия)
Михеева И.А.
студентка 2 курса педиатрического факультета Курский государственный медицинский университет (г. Курск, Россия)
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ СЕРДЕЧНО-СОСУДИСТЫХ ПАТОЛОГИЙ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
Аннотация: в данной работе приводятся примеры использования генетических алгоритмов для выявления сердечно-сосудистых заболеваний у пациентов на основе анализа результатов электрокадиографии средствами технологий искусственного интеллекта.
Ключевые слова: генетические алгоритмы, сердечно-сосудистые патологии, технологии искусственного интеллекта.
Актуальность: Область поиска в медицине обычно слишком обширная для быстрой обработки информации. Результаты производят на основе клинических тестов, в которых присутствует огромное количество данных. Именно поэтому широкое распространение в медицине получили генетические алгоритмы, или же эволюционные, сущность которых заключается в комбинировании данных и поиску нескольких возможных вариантов решения задачи. Одним из примеров работы генетических алгоритмов является ЭКГ (электрокардиограмма) - инструмент, используемый для визуализации,
регистрации и исследовании электрических полей, возникающих при работе сердца. В результате можно увидеть волны деполяризации и реполяризации во время каждого сокращения сердца.
Принцип работы аппарата ЭКГ следующий: к запястьям и ногам пациента крепятся электроды, три из которых отвечают за регистрацию сигналов, а один, закрепленный на правой ноге, служит для заземления. Сами электроды подключены к машине, которая принимает сигналы и анализирует их, а та к компьютеру, который графически воспроизводит данные. В основе обработки и систематизации результатов ЭКГ лежат генетические алгоритмы.
Цель: На основе данных ЭКГ сформировать описать работу генетических алгоритмов и сформировать соответствующие выводы.
Материалы и методы: В исследовании был проведён анализ составляющих ЭКГ, предоставленных Биляловой Д.Э. за 2021 год, сделаны выводы о сущности работы генетических алгоритмов.
Результаты исследования:
На основе данных ЭКГ, предоставленных Биляловой Д. Э. (рис.1.), была построена схема, на которой отмечены зубцы Р, Т, и сегменты Рр, БТ и комплекс ОЯБ, а также интервалы Рр и рТ.
Рис. 1. Электрокардиограмма Биляловой Д.Э.
Собственно, эти показатели имеют следующие значения и нормы:
Зубец P отражает распространение возбуждения по миокарду предсердия. В норме амплитуда не превышает 2, 5 мм, а длительность 0,1 с.
Зубец T отражает процесс реполяризации желудочков, в норме продолжительность 0,1 - 0,25 с.
Зубец U непостоянный компонент ЭКГ. Обычно он небольшой, регистрируется после зубца Т.
Сегмент PQ соответствует периоду, когда оба предсердия полностью охвачены возбуждением. В норме продолжительность 0,02-0,04 с.
Сегмент ST регистрируется, когда оба желудочка полностью охвачены возбуждениям. В норме расположен на изолинии, смещение вниз допускается до 0,5 мм, а его подъем в стандартных условиях в норме не должен превышать 1мм. Продолжительность до 0,15 с.
Интервал QT измеряется от начала комплекса ORS до окончания зубца T и рассчитывается по формуле Базетта: QTc = QTm / V (RR) RR = 60 / ЧСС. QTc — Корригированный интервал QT QTm — измеренный QT RR — RR интервал ЧСС - частота сердечных сокращений. Продолжительность зависит от пола, ЧСС и возраста пациента.
Комплекс QRS отражает распространение возбуждения по желудочкам. Продолжительность - 0,06 - 0,08 с.
Электрокардиограмму проводят благодаря наличию у сердца электрической оси (ЭОС), которая является суммарным вектором деполяризации (изменения разности потенциалов при возбуждении) желудочков, который образуется при сложении многочисленных ЭДС, возникающих при возбуждении миокарда [3]. Происходит это следующим образом: машина, на основе введенных в неё данных, фиксирует поступивший сигнал, обрабатывает его и воспроизводит графически. Фиксируется 1 отведение (от правой руки и левой руки), 2 отведение (от правой руки и левой ноги) и 3 отведение (от левой руки и левой ноги), которые, собственно, обозначают разности потенциалов между точками электрического поля. При
этом фиксируется не только сигнал каждого отведения, но и помехи, обучающие выборки которых выделяет изоэлектрическая фаза ЭКГ. В целом, общая модель некоторого кардиоцикла может быть представлена в виде следующей формулы:
где информационным сигналом является низкоамплитудный компонент Яд 1[к], нерегулярно проявляющийся в Ь кардиоциклах, все остальные составляющие: 5 [к] — высокоамплитудный, повторяющийся, сигнал «обычной» ЭКГ, — матрица преобразования координат размера 3х3, описывающая механические перемещения источника сигналов, многокомпонентный случайный процесс ^ [к], в контексте решаемой задачи рассматриваются как помехи.
Саму обработку сигнала осуществляют по скалярному сигналу каждого отведения. Вспомним, что отведения - это способ выявления разности потенциалов между двумя участками тела, которые подразделяют на однополюсные и двухполюсные. Механизм обработки процесса на фоне помехи основан на декоррелирующем выбеливающем преобразовании. Такой алгоритм реализации выбеливающего фильтра использует представление помехи параметрической авторегрессионной моделью, которая связывает некоторое количество дискретных отсчетов процесса во временной области линейным рекуррентным соотношением
где р - порядок модели, {%[к]} - «порождающий» процесс (например, ЧСС), дисперсия которого равна единице, а отсчеты взаимно некоррелированны, остальные же значения - параметры модели.
Благодаря такой обработке получают исходные значения без помех, что позволяет точно изобразить в виде кривой процессы деполяризации и реполяризации, возникающие в сердечном цикле.
В качестве примера применения современных информационных технологий для анализа результатов ЭКГ на основе использования генетических алгоритмов с целью диагностики сердечно-сосудистых патологий можно привести технологию EcgLib, которая относится к классу систем интеллектуального анализа результатов электрокардиограммы. Система EcgLib сконструирована на базе нейросетевой модели.
Интеллектуальная компьютерная технология EcgLib предоставляет врачу-кардиологу возможность использовать архитектуры моделей, предварительно обученные на более чем 500 000 записей ЭКГ, для их точной
настройки на собственных наборах данных.
К основным функциям технологии EcgLib относятся:
- предобработка сигналов ЭКГ,
- загрузка наборов данных,
- создание классов набора данных для обучения моделей по обнаружению
патологий ЭКГ.
Заключение: Все перечисленные значения и нормы, а также расчеты выборки и обнаружения сигнала проблематично произвести быстро и точно самостоятельно. Поэтому, все данные введены в машину, которая и производит расчеты и графически отображает результат на основе генетических алгоритмов. Как естественный отбор в природе, в машине заложены определенные нормы, параметры выборки и способы обработки, выше или ниже значений которых нельзя осуществить расчет. Такая методика, несомненно, будет развиваться в дальнейшем.
СПИСОК ЛИТЕРАТУРЫ:
1. Жаринов, О.О. Методика обнаружения микропотенциалов ЭКГ/О.О. Жаринов, А.П. Шепета // Управление в медицине и биологии. - 2002. - №1. - С.48-51;
2. Иванов, С.В. Преимущества генетических алгоритмов и их применение в медицине / С.В. Иванов // Актуальные проблемы гуманитарных и естественных наук. - 2014;
3. Нестерова, Е.А. Основы электрокардиографии. Нормальная электрокардиография (модуль для непрерывного медицинского образования) / Е.А. Нестерова // Кардиология: Новости. Мнения. Обучение. - Москва, 2014. - С. 77-85.
Grankin V.E., Mikheeva I.A.
Grankin V.E.
Kursk State Medical University (Kursk, Russia)
Mikheeva I.A.
Kursk State Medical University (Kursk, Russia)
ARTIFICIAL INTELLIGENCE TECHNOLOGIES IN DIAGNOSIS OF CARDIOVASCULAR PATHOLOGIES BASED ON THE USE OF GENETIC ALGORITHMS
Abstract: this paper provides examples of the use of genetic algorithms for the detection of cardiovascular diseases in patients based on the analysis of electrocadiography results using artificial intelligence technologies.
Keywords: genetic algorithms, cardiovascular pathologies, artificial intelligence technologies.
