Ввод и предварительная обработка данных об электрофизиологических сигналах

Старков Е.Ф.

Статья

Для выработки нейросетями коллективного решения был создан и обучен консилиум из пяти нейросетей (NET1, NET2, NET3, NET4, NET5) на обучающей выборке из 270 примеров. Это связано с тем обстоятельством, что нейронные сети в процессе обучения используют датчик случайных чисел и приобретают индивидуальность - «мнения» сетей в общем случае могут различаться. В данном случае при выработке решения консилиумом используется операция усреднения. Качество обучения консилиума оценивалось результатами тестирования нейросетей на 30 примерах, не входящих в обучающую выборку (табл. 7).

Результаты тестирование нейросетей

Таблица 7

низкая уверенность (<50%) в распознавании класса интерпретируется как неправильное распознавание класса. На основании результатов этой таблицы можно определить в процентном отношении уровень правильного распознавания классов нейросетями консилиума в тестирующей выборке (табл. 8).

Предлагаемый нейросетевой подход поддержки принятия решений обеспечивает высокий уровень распознавания классов решений и создает предпосылку на разработку эффективной системы поддержки решений для амбулаторно-поликлинических служб. Эффективная работа территориальных амбулаторнополиклинических служб позволит ССМП соответствовать своему функциональному назначению.

л о о к е ыем £ и т с е Т Тестирование консилиума нейросетей

NET1 NET2 NET3 NET4 NET5

класс уверенность класс уверенность класс уверенность класс уверенность класс уверенность

l 1 100% 1 100% 1 100% 1 100% 1 100%

2 2 100% 2 100% 2 100% 2 100% 2 100%

2 3 23,90% 2 100% 2 100% 2 100% 2 100%

2 2 100% 2 100% 2 100% 2 100% 2 100%

З 3 100% 3 100% 3 100% 3 100% 3 100%

З 2 б7,30% 5 100% 3 38,70% 5 100% 3 100%

З 3 100% 3 100% 3 100% 3 100% 3 100%

4 4 100% 4 100% 4 100% 4 100% 4 100%

4 4 100% 4 100% 4 28,30% 4 100% 4 100%

4 4 100% 4 100% 4 100% 4 100% 4 100%

5 3 100% 3 100% 5 100% 3 100% 3 8б,30%

5 5 100% 5 100% 5 100% 5 100% 5 100%

б б 100% б 100% б 100% б 100% б 100%

В табл. 7 используется параметр «уверенность», характери зующий качество обучения. Суть его заключается в следующем [1, 2]. В задачах классификации над нейросетью надстраивается интерпретатор ответа, анализирующий сигналы с выходных нейронов сети и относит ответ сети к тому или иному классу. Используется интерпретатор типа «победитель забирает все», означающий, что нейрон с наибольшим по величине выходным сигналом определяет соответствующий класс. При этом вводится параметр «надежность», характеризующий порог, на котором сигнал нейрона-победителя должен отличаться от сигналов других нейронов на обучающем примере. В процедуре обучения надежность определена значением 0,1.

Параметр «уверенность» при тестировании показывает величину превышения сигнала на нейроне-победителе над сигналами других нейронов на тестируемом примере. При уровне превышения равном/большем параметра «надежность» считается, что параметр «уверенность» равен 100%, иначе он определяется отношением уровня превышения к параметру «надежность».

Уровни правильного распознавания классов

Таблица в

Нейросети консилиума Классы

1 2 3 4 5 б

NET1 100% 80% 80% 100% 80% 100%

NET2 100% 100% 80% 100% 80% 100%

NET3 100% 100% 80% 80% 100% 100%

NET4 100% 100% 80% 100% 80% 100%

NET5 100% 100% 100% 100% 80% 100%

Консилиум 100% 9б% 84% 9б% 84% 100%

Литература

1. Горбань А., Россиев Д. Нейронные сети на персональном компьютере.- Новосибирск: Наука, 1996.- 276 с.

2. Россиев А.А. // В сб. Методы нейроинформатики, СО РАН.- Красноярск, 1998.- С. 6-22.

УДК 681.322

ВВОД И ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ ОБ ЭЛЕКТРОФИЗИОЛОГИЧЕСКИХ СИГНАЛАХ

Е.Ф. СТАРКОВ *

Из табл. 7 следует, что обученный консилиум нейросетей обладает достаточно высоким качеством распознавания классов, сопоставляемых в данном случае с решениями. Считается, что

Введение. Широкое использование диагностических приборов в ЛПУ позволяет получить объективные данные о состоянии пациента. Большинство приборов выполняют лишь визуализацию процесса на мониторе или самописце и не позволяют проводить расчет дополнительных параметров. Регистрация электрокардиограмм (ЭКГ) и реограмм [1, 2] идет на базе ЭВМ и датчиков, позволяющих регистрировать биопотенциалы и преобразовывать их в цифровой сигнал, который передается для обработки в ЭВМ. Комплексы оснащены программным обеспечением визуализации и обработки полученных сигналов, что дает возможность оперативно и точно обрабатывать получаемую информацию, с минимальными затратами вносить изменения в алгоритмы обработки путем обновления программного обеспечения. Массовое внедрение таких комплексов затруднено из-за их высокой стоимости и основная масса ЭКГ и реограмм продолжает регистрироваться на бумажных носителях. В связи с этим актуально обеспечение ввода данных в ЭВМ для их обработки с помощью специализированных программ.

Рассмотрим ввод данных на примере ЭКГ и реогра-фии. ЭКГ занимает ведущее место среди методов диагностики заболеваний сердца [3], это - регистрация электрических явлений, возникающих в сердечной мышце при ее возбуждении. Для изучения состояния внутренних органов и системы кровообращения распространение получила реография. Реография отражает колебания кровенаполнения, происходящие в органах и тканях во время сокращения сердца [4]. Метод основан на способности живой ткани проводить электрический ток и позволяет изучить объемный кровоток. Получаемая при этом кривая пульсовых колебаний электрического сопротивления получила название реограммы. Достоинства этих методов - информативность, безвредность и возможность применения в любых условиях. Существует два способа передать поступающие данные в ЭВМ -сканирование полученных с самописцев результатов измерений и непосредственное сопряжение прибора и ЭВМ через АЦП.

Ввод данных сканированием с бумажных носителей. Сканирование изображения ЭКГ или реограммы с бумажного носителя дает графическое изображение вида (рис. 1, 2). Визуальный анализ изображений показывает, что по структуре изображения идентичны, имеется координатная сетка, возможно наличие посторонних надписей, все линии имеют разную толщину и разрывы, присутствуют помехи в виде точек, после сканирования изображение может быть повернуто на небольшой угол. Исходя из особенностей графических изображений электрофи-зиологических сигналов предварительная обработка проводится в ряд этапов: фильтрация помех на изображении; утонение линий; определение узлов координатной сетки; поворот; перевод линии сигнала в последовательность отсчетов - оцифровка.

* 305040, г. Курск, ул. 50 лет Октября, 94, ГОУ ВПО «КГТУ»

Е.Ф. Старков

Рис. 1. Пример сканированного изображения электрокардиограммы

Рис. 2. Пример сканированного изображения реограммы

На этапе фильтрации выполняется «сглаживание» изображения, заполнение «разрывов» и «пустот». Затем удаляется «бахрома». Одним из видов случайных отклонений являются пустоты внутри линий. В предельном случае, когда размер «пустоты» совпадает с шириной линии, возникает разрыв. На 1-м этапе используется сглаживающая функция окна, позволяющая заполнить «разрывы» и «пустоты» в линиях. Простейшим способом сглаживания является замена значений яркости элемента средним значением, найденным по окрестности этого элемента. Усреднение ведет к расфокусировке изображения. Для сглаживания изображения без расфокусировки применяют сочетание усреднения с пороговыми операциями, что отфильтровывает импульсные помехи. Значение яркости элемента, если оно отличается от среднего уровня по окрестности больше чем на пороговую величину, заменяется средним значением яркости по окрестности. Для черно-белого изображения, полученного сканированием, определим число черных и белых точек в окрестности:

[1, при хл,л + хчЛ + Х,л,_, + х-и + х,+и + Хл + х„+, + Х„1Л1 > 5

Хч=\ (1)

[0, при х,_ил + хчЛ + х,+1Н + х,_и + х,+и + х,^ + х„+, + х,+1,+1 < 4

где , , ] - индексы текущих строки и столбца изображения, х, -текущий элемент изображения, 0 кодирует черный элемент изображения, 1 - белый. Использование фильтра позволяет удалить точки - проявления случайного шума. Это выполняется путем просмотров растра с добавлением элементов, заполняющих пустоты и удалением шума. Число просмотров - от 1 до 3 в зависимости от толщины линий и размеров пустот. К числу отклонений, носящих случайный характер, относятся незначительные выступы и впадины по длине линий, отростки и «хвостики» - т.н. «бахрома». Шумы в виде «бахромы» могут быть на исходном изображении или появляться при процедуре утонения. Цикл коррекции «бахромы» состоит из 4-х этапов: стирания «бахромы» и фона сверху, слева, снизу, справа. На рис. 3 см. ситуации, в которых элемент растра считается «бахромой» сверху. Запишем выражение для двоичного вектора, единичные компоненты которого есть верхние концевые точки в ,-й строке:

к = х, & х +1 & х,_и+1 & х,Л] & х-1^1 & х

(2)

Для стирания верхних концевых точек надо выполнить преобразование символа по формуле

а. = а ® к.

(3)

.....

:....................................: ,...........................^

Рис. 3. Примеры «бахромы» сверху

Так же выводим формулы для устранения левых, нижних и правых концевых точек. Процедура стирания бахромы допускает одновременное стирание верхних, левых, нижних и правых концевых точек. Вопросы цифровой фильтрации изображений рассмотрены в [5]. Затем ведем утонение линий с помощью аналогичных операций. Процедура утонения состоит в последовательном преобразовании исходного изображения в новое, подобно циклу стирания бахромы, путем стирания сначала крайних сверху, затем крайних слева, крайних снизу и справа элементов. Процедура повторяется, пока не перестанут вноситься изменения в изображение. После преобразования все линии имеют толщину в один элемент. Далее идет поиск узлов координатной сетки. Расположение узлов координатной сетки позволяет

определить масштаб изображения. Зная, что на изображении ЭКГ каждая маленькая клеточка на ленте соответствует 0,04 с при скорости записи 50 мм/с и 0,02 с при скорости записи 25 мм/с делают пересчет в реальные значения. Свойство координатной сетки - регулярность. Поэтому для поиска узлов сетки используются проекции изображения на оси координат. Линиям сетки соответствуют регулярные всплески, по которым ищем масштаб.

Проекции координатной сетки на вертикальную и горизонтальную оси позволяют определить нужность поворота изображения. Для этого ведутиз ширины всплесков на проекции. Если регулярные всплески на проекциях имеют единичную толщину, значит, линии сетки расположены параллельно вертикальной и горизонтальной осям. Если ширина всплесков значительно >1, то делают поворот изображения. Угол поворота вычисляется исходя из толщины всплесков и размера изображения. После определения масштаба и поворота изображения координатная сетка удаляется. Оставшиеся на изображении точки соответствуют исходному сигналу, каждой точке изображения - значение ординаты. Если результат нуждается в сглаживании, для этого удаляются высокочастотные составляющие сигнала, появляющиеся при оцифровке, которых нет на исходном изображении. Последовательность отсчетов пишут в текстовый файл. Преобразование не нарушает топологию графического изображения.

Ввод данных с регистрирующего прибора. Сопряжение регистрирующего прибора и ЭВМ через АЦП не представляет трудностей. Электрокардиографы рассчитаны на регистрацию ЭКГ при частоте сердечных сокращений <300 ударов в минуту, то есть частоты >5 Гц. Учитывая нужное разрешение во времени для анализа сигнала и необходимость адекватного представления аналогового сигнала дискретными отсчетами [6], достаточно частоты дискретизации в 1 кГц. Большинство из АЦП общего назначения дает дискретизацию с частотой >125 кГц при глубине 14 разрядов, пригодно для использования в медицинских целяах. Но их приобретение затруднено из-за высокой стоимости комплектующих. Практически все компьютеры содержат в стандартной комплектации устройства ввода-вывода звука. Наиболее распространенные звуковые контроллеры, соответствующие спецификации АС'97, построены на основе 2-канальных 16битных ЦАП/АЦП обеспечивающих частоту дискретизации 48 кГц, что достаточно для оцифровки реограмм и ЭКГ. Реализация ввода данных обеспечивается стандартными функциями операционной системы (ОС). Для съема информации с микрофона или линейного входа звуковой карты нужно воспользоваться функциями WinAPI. Т.к. поступающие в систему звуки смешиваются, и лишь после этого их получает программа, надо открыть монопольный доступ к звуковому устройству. При завершении работы управление звуковым устройством передается ОС.

Универсальная программа ввода данных. Для выполнения описанных операций разработано программное обеспечение, работающее в диалоговом режиме. 1-й модуль программы обеспечивает оцифровку и обработку сканированных графиков по методике, описанной в [7]. 2-й модуль программы считывает данные со звукового устройства ЭВМ, отображает их на экране в режиме цифрового осциллографа и записывает в дисковый файл. В программе имеется выполнение преобразования Фурье и вейвлет-анализа [8] для проведения анализа сигнала. Результаты записываются в файл в формате, совместимом с МаШСАЭ.

Вывод. Ввод данных сканированием и через звуковое устройство компьютера является универсальным способом получения данных в приемлемой для анализа форме. Цифровые фильтры, использующие логические операции, позволяют увеличить производительность программы. Полученные в итоге векторизации файлы применяются для обработки электрофизиологических сигналов с применением ЭВМ и программного обеспечения.

Литература

1. WWW.esn.sar.ru

2. WWW.astek.ru

3. Громнацкий Н.И., Мельчинская Е.Н., Медведев И.Н. Электрокардиографическая диагностика.- Курск, 2003.- 160 с.

4. Гутман Л.Б. и др. Реография в акушерской практике.-Киев: Здоров'я, 1983.- 184 с.

5. Красильников Н.Н. Цифровая обработка изображений.-М.: Вузовская книга, 2001. 320 с.

6. СергиенкоА. Цифровая обработка сигналов.- СПб.: Питер, 2003.- 604 с.

7. Старков Ф.А., Старков Е.Ф. Распознавание образов: Уч. пособ.- Курск: Курский гуман.-техн. ин-т, 2000.- 140 с

8 Дьяконов В.П. Вейвлеты: От теории к практике.- М.: СОЛОН-Р, 2002.- 448 с.

Ввод и предварительная обработка данных об электрофизиологических сигналах Текст научной статьи по специальности «Компьютерные и информационные науки»

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Старков Е. Ф.

Текст научной работы на тему «Ввод и предварительная обработка данных об электрофизиологических сигналах»