CC BY
67
Таким образом, нелинейность биологических тканей может заметно проявляться даже при очень незначительных величинах возбуждающего тока. Причём эта нелинейность никак не связана с нестационарными переходными процессами и поляризационными явлениями на электродах, а является неотъемлемым свойством , .
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Сверкунов Ю.Д., Исаев А.Е. Идентификация нелинейных систем в классе обобщенных радиотехнических звеньев при гармоническом воздействии // Измерение, контроль, автоматизация. - 1980. - № 12. - C. 44-49.
2. Манойлов В.Е. Основы электробезопасности. Изд. 3-е, перераб. и доп. - Л.: Энергия, 1976. - С. 145-147.
3. - -
// : Сборник статей Всероссийской НТК. - Пенза, 2009. - С. 55-56.
Киреев Андрей Владимирович
ГОУ ВПО «Пензенская государственная технологическая академия».
E-mail: [email protected].
440605, г. Пенза, пр. Байдукова, ул. Гагарина, 1а/11.
Тел.: 88412496155.
Kireev Andrey Vladimirovich
State educational institution of the higher vocational training "Penza state technological academy”.
E-mail: [email protected].
1a/11, Baydukova pr., Gagarina street, Penza, 440605, Russia.
Phone: +78412496155.
УДК 615.47
B.H. Конюхов, BA. Погодина
ВЫБОР ПАРАМЕТРОВ КАРДИОРЕСПИРАТОРНОГО ВЗАИМОДЕЙСТВИЯ ДЛЯ ДИАГНОСТИКИ СЕРДЕЧНО-СОСОДИСТЫХ
ЗАБОЛЕВАНИЙ
Рассмотрен выбор параметров кардиореспираторного взаимодействия для диагно-- . , вариабельности ритма сердца и дыхания позволяет предсказать возникновение нарушений сердечной деятельности до их проявления на электрокардиограмме.
Вариабельность ритма сердца; кардиореспираторное взаимодействие; нейронные ; .
V.N. Konuyhov, V.A. Pogodina
SELECTING CARDIORESPIRATORY INTERACTIONS FOR DIAGNOSTICS CARDIOVASCULAR DISEASES
The article discusses the choice of parameters cardiorespiratory interactions for diagnosis of diseases of the heart. It was shown that the sharing of variability of heart rate and respiration can predict the occurrence of violations in the heart before they occur in the ECG.
Heart rate variability; cardiorespiratory interaction; neural network; feature selection.
11б
Актуальность ранней диагностики сердечно-сосудистых заболеваний обусловлена тем фактом, что эти заболевания наиболее широко распространены в развитых странах и являются основной причиной смертности насления.
Основным методом диагностики сердечно-сосудистых заболеваний в настоящее время является метод электрокардиографии. Однако с помощью этого метода можно выявить только нарушения, возникающие в момент регистрации электрокардиосигнала (ЭКС).
Нами была выдвинута гипотеза, что изменения в структуре сердечного ритма, а именно в параметрах его вариабельности [1,2], происходят до появления клинических признаков заболевания на ЭКС, что даёт потенциальную возможность диагностировать различные патологии до их явного проявления и проводить превентивные лечебные мероприятия. Далее, учитывая, что дыхание оказывает доминирующее влияние на вариабельность ритма сердца, дополнительно было
,
ритма сердца и дыхания позволит повысить достоверность диагностики. Основной , , выбора адекватного набора диагностических признаков, позволяющих провести достоверное разделение состояний сердечно-сосудистой системы.
Для подтверждения этой гипотезы из записей ЭКС были выделены фрагменты нормального синусового ритма и из них сформированы массивы RR-интервалов и соответствующие им огибающие дыхания по методике, изложенной в [3] (рис. 1,2), которые в дальнейшем использовались для обучения и тестирования нейронных ( ), . четырех групп сердечно-сосудистых заболеваний:
1. The MIT-BIH Normal Sinus Rhythm Database (База данных нормального синусового ритма - NSR).
2. The PAF Prediction Challenge Database (База данных, на основе которой можно предсказать случи фибрилляций предсердий - PAF).
3. The MIT-BIH Supraventricular Arrhythmia Database (База данных суправен-трикулярных аритмий — SA).
4. The Sudden Cardiac Death Holter Database (База данных холтеровских записей внезапной смерти - SD).
10 20 30 40 50 60 70 80 90 100
Рис. 1. ЕЯ-интервалы типа ШЯ
Были созданы пять групп выборок для пяти экспериментов. Выборки формировались следующим образом. Во-первых, были сформированы векторы КЯ-интервалов без какой-либо передобработки - обучающие и тестовые. Учиты-,
, ,
кодировались следующим образом: №Я=(-1,-1), РЛР=(1,-1), 8Л=(-1,1), 8Б=(1,1).
Для данного исследования было создано три обучающих выборки со следующими параметрами: файл данных, содержащий 240 примеров длиной 50 отсчетов ЯЯ-интервалов, что соответствует 50 входам НС (50x240), которому соответствует тестовый файл размером 50x200, файл данных, содержащий 400 примеров по 30 входов (30x400), которому соответствует тестовый файл размером 30x200 и файл, содержащий 400 примеров по 20 входов (20x400), которому соответствовал тестовый файл размером 20x200. Также были сформированы файлы-цели размерами 2x200, 2x240 и 2x400.
Рис. 2. Огибающая ЭКС для ЯЯ-интервалов типа ШЯ
Пример структуры входных данных вида 50x240 приведен на рис. 3. Аналогичная структура данных и для последующих обучающих выборок.
Рис. 3. Структура данных для обучения НС
Во-вторых, были сформированы массивы нормированных ЯЯ-интервалов. Для нормирования данных использовалась нелинейная функция вида [4]
X.
/
с
_ - X.
I_____I
а
> Ї(а ) =
1
1 +
(1)
где
_ 1 -А
Г а=1
а 2 _
Х1 - среднее значение ЯЯ-интервалов, - ■
- их дисперсия. После такого преобразования значения ЯЯ-интервалов распределены по закону близкому к равномерному, что, теоретически, должно улучшать качество обучения НС. Число входных нейронов в этом случае такое же, как и в .
а
В-третьих, были сформированы массивы статистик RR-интервалов: медиана, СКО, коэффициент асимметрии, коэффициент эксцесса, определенные на массиве в 100 RR-интервалов, а также вычисленные за средний период дыхания. Размерность входа НС для третьей группы данных составила четыре. Кроме того, иссле-, , , -мированы массивы дисперсии амплитуд огибающих дыхания. В этом случае размерность входа НС равнялась пяти.
- , RR- ,
относительно амплитуды огибающей дыхания, так называемые GG-интервалы. Для GG-интервалов была проведена та же нормировка и были найдены те же статистики, что и для RR-интервалов в предыдущем случае.
- , RR-
и массивы общих мощностей спектра амплитуд огибающих дыхания. Для вычисления мощностей спектров RR-интервалов были использованы стандартные интервалы частот [1] - HF, LF, VLF.
Выбор структуры персептрона, а именно числа входных нейронов и нейронов скрытого слоя, для каждого эксперимента осуществлялся исходя из размерности пространства признаков, количества обучающих примеров и ошибки обобщения. Число скрытых слоев равнялось одному.
На всех этапах подготовки данных были использованы программы, написанные в среде MatLab. Моделирование НС производилось с использованием модуля Neural Network Toolbox среды MatLab.
,
векторам RR-интервалов (первый набор данных, описанный выше) использовался двухслойный персептрон. Количество нейронов в скрытом слое менялось от 2 до 18 в зависимости от размерности входного вектора. Структура сети с двумя нейронами в скрытом слое и входным вектором размерностью 50 представлена на рис. 4.
Рис. 4. Пример нейронной сети с пятьюдесятью входами и двумя нейронами
в скрытом слое
Были проведены серии экспериментов с сетями различной конфигурации, а именно с различным числом нейронов в скрытом слое, различными наборами входных признаков и с обучающими выборками разных размеров. Число нейронов скрытого слоя менялось от 2 до 18. Во время обучения ошибка не превышала 0,01 для всех экспериментов.
После обучения на вход НС подавались данные из тестовых выборок, которые не участвовали в обучении, и определялось качество классификации как процент верно диагностированных патологий. Все данные экспериментов сводились в таблицы. Например, для входных данных, представляющих собой различные комбинации статистик ЯЯ-интервалов, в частности первые четыре центральных момента, и объема обучающих выборок 50 были получены следующие данные (табл. 1).
1
Ошибки классификации
Класс Число верно обнаруженных примеров для сетей Общее кол-во примеров тестовой выборки Ошибка классификации, %
TEST01_d TEST02_d TEST03_d TEST01_d TEST02_d TEST03_d
NSR Зб 33 34 50 2S 34 32
PAF 40 35 30 50 20 30 40
SA 34 32 25 50 32 Зб 50
SD 37 33 33 50 2б 34 34
Всего 147 133 122 200 2б,5 33,5 39
По результатам исследований можно сделать следующие выводы:
1) -ние тех или иных сердечных патологий;
2)
помощью многослойных персептронов;
3) качество распознавания сильно зависит от объемов исходной обучающей , -
гослойный персе птрон в процессе работы за счет добавления новых примеров;
4) качество распознавания в большой степени зависит от выбора входных
;
5) увеличить качество распознавания можно путем использования различных многослойных персептронов для разных видов патологий;
6) наилучшие результаты показала сеть с восемью нейронами в скрытом слое
, RR-
амплитуд огибающих дыхания, ошибка классификации в этом случае не превышала 25 % для всех выбранных патологий, а для SD составила 11 %;
7) средняя специфичность метода для нейронной сети, показавшей лучший результат, составляет 91,17 %, а специфичность по классам составляет:
♦ нормальный синусовый ритм (NSR) - 88 %;
♦ фибрилляция предсердий (PAF) - 98 %;
♦ суправентрикулярные аритмии (SA) - 84,67 %;
♦ внезапная сердечная смерть (SD) - 94 %.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Heart rate variability. Standarts of measurement, physiological interpretation and clinical use. Task force of the society of cardiology and the North American society of pacing and electrophysiology [Text] / Circulation. - 1996. - Vol. 93. - № 5. - P. 1043-1065.
2. Leder U. Cardiorespiratory desynchronization after acute myocardial infarct / U. Leder, D. Hon-er, M. Sommer // Z. Kardiol. - 2000. - № 7. - C. 630-637.
3. Конюхов B.H., Погодина BA. Аппаратно-программные средства оценки состояния сер-
-
// Известия ЮФУ. Технические науки. - 2009. - № 9 (98). - C. 107-111.
4. . . / . . ,
С.А. Шумский. - М., 1998.
Конюхов Вадим Николаевич Погодина Валерия Анатольевна
Самарский государственный аэрокосмический университет им. акад. С.П. Королева. E-mail: [email protected].
443086, . , , 34.
Тел.: 88462674474.
Konuyhov Vadim Nikolaevich Pogodina Valeriya Anatolievna
Samara state aerospace university.
E-mail: [email protected].
34, Moskovskoe shosse, Samara, 443086, Russia.
Phone: +78462674474.
УДК 616.8-073.7:004.9
HJI. Коржук, A.A. Индюхин, А.Ф. Индюхин, B.B. Савельев
СПОСОБ ЭЛЕКТРОЭНЦЕФАЛОГРАФИЧЕСКОЙ ДИАГНОСТИКИ НЕВРОЛОГИЧЕСКИХ НАРУШЕНИЙ
Приведены структурные схемы, принцип действия и математическая модель устройства для реализации принципиально нового способа обработки ЭЭГ, на основе которого предполагается построить биотехническую систему скрининговой диагностики невроло-. .
Электроэнцефалограмма; полосовой фильтр; неврологические нарушения.
N.L. Korzhuk, A.A. Indyukhin, A.F. Indyukhin, V.V. Saveliev
WAY OF ELECTROENTSEPHALOGRAPHIC DIAGNOSTICS OF NEUROLOGIC INFRINGEMENTS
Block diagrammes, principle of action and mathematical model of the device for realisation of essentially new way of processing EEG on which basis it is supposed to construct biotechnical system screening diagnostics of neurologic infringements are resulted. Comparison with existing ways of processing EEG is spent.
Electroencephalogram; the band filter; neurologic infringements.
В настоящее время для России характерно такое сочетание неблагоприятных демографических, наследственных, социальных и экологических факторов, которое представляет реальную угрозу здоровью населения. Увеличивается число детей и подростков с врожденной и приобретенной патологией центральной нервной системы, сенсорных систем, отклонениями в нервно-психическом развитии, нару-.
Клиническая практика показывает, что диагностика неврологических и сен, -можны только с привлечением нейрофизиологических исследований, регистрации электроэнцефалограммы (ЭЭГ) и вызванных потенциалов с последующей интегральной оценкой их результатов [1].
Огромное значение для успешной реабилитации и дальнейшей интеграции ребенка в общество имеет ранняя диагностика, в то время как электрофизиологи-ческие исследования не являются широко доступными и не входят в арсенал про. -
