ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ ДЛЯ АВТОМАТИЧЕСКОГО АНАЛИЗА ЭЛЕКТРОКАРДИОГРАММ ПРИ ДИАГНОСТИКЕ ЗАБОЛЕВАНИЙ СЕРДЕЧНОСОСУДИСТОЙ СИСТЕМЫ

Цель. Цель работы состоит в использовании нейронных сетей для обнаружения характерных ЭКГ сигналов, определяющих аномалии сердечного ритма и выявлении соответствующего заболевания сердца. Одним из важнейших факторов для своевременного оказания медицинской помощи является быстрое и точное получение информации о состоянии здоровья пациента. Своевременность постановки диагноза нередко является основным фактором, определяющим прогноз больного. В последние годы в кардиологии значительно увеличилась точность диагностики благодаря широкому применению, как инструментальных, так и лабораторных методов исследований. Тем не менее, процент диагностических ошибок в кардиологии достаточно высок. Электрокардиография (ЭКГ) представляет собой неинвазивный процесс интерпретации электрической активности сердца, позволяющий оценивать скорость и регулярность сердечных сокращений. Эти данные используются для определения повреждений и патологий сердца. Автоматический анализ ЭКГ является непростой теоретической и практической задачей.

Метод. При проектировании был использован пакет Neural Network Toolbox из MATLAB 8.6 (R2015b) моделирующий аппарат искусственных нейронных сетей. При обучении нейронной сети использовался алгоритм обратного распространения ошибки. Эффективность разработанной нейросетевой модели для анализа ЭКГ была исследована с использованием базы данных аритмий MIT-BIH.

Результат. Точность обнаружения и извлечения компонентов сигнала ЭКГ показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов. Чувствительность модели составила 71%, специфичность 89%. Развитие существующих и разработка новых методов обработки электрокардиографических данных позволяют решить проблему своевременной диагностики и профилактики сердечно-сосудистых заболеваний на ранних этапах их выявления.

Вывод. Точность обнаружения и извлечения компонентов сигнала ЭКГ, показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов.

1. Всемирная организация здравоохранения [Электронный ресурс]: Сердечно-сосудистые заболевания. URL: http://www.who.int/mediacentre/factsheets/fs317/ru (дата обращения: 25.10.2017).

2. Lee J.W., Lee G. Design of an Adaptive Filter with a Dynamic Structure for ECG Signal // Processing. International Journal of Control, Automation, and Systems, 2005, Vol. 3, No. 1, pp. 137-142.

3. Ince T., Kiranyaz S., Gabbouj M. A Generic and Robust System for Automated Patient-Specific Classification of ECG Signals // IEEE Transactions on Biomedical Engineering, 2009, Vol. 56, pp. 1415-1426.

4. Lin C.H., Du Y.C., Chen T. Adaptive wavelet network for multiple cardiac arrhythmias recognition // Expert Systems with Applications, 2008. No. 34, pp. 2601-2611.

5. Мустафаев А.Г. Нейросетевая модель прогнозирования уровня глюкозы в крови у больных сахарным диабетом // Кибернетика и программирование. 2016. № 3. C. 1-5.

6. Мустафаев А.Г. Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом // Кибернетика и программирование. 2016. - № 2. - С.1-7.

7. Никитин В.М., Ломакин В.В., Анохин Д.А., Кайдалова И.К., Иванов И.И. Информационная система поддержки принятия решений слабоструктурированных задач в кардиологии // Научные ведомости БелГУ серия «История. Политология. Экономика. Информатика». 2010. № 19(90). Вып. 16/1. с. 112–119.

8. Файнзильберг Л.С., Лебедушко Т.Ю. Исследование диагностической ценности фазовых портретов ЭКГ по данным специализированных баз // Кибернетика и вычислительная техника. 2012. Вып. 169. С. 34-50.

9. Калиниченко А.Н. Оценка разделяющей способности методов классификации форм ЭКГ // Известия СПбГЭТУ "ЛЭТИ". Сер. Биотехнические системы в медицине и экологии. 2006. Вып. 1. С. 21-30.

10. Портал искусственного интеллекта [Электронный ресурс]: Искусственный нейрон. Структура искусственного нейрона. URL: http://neuronus.com/theory/151-iskusstvennyj-nejron.html дата обращения: 25.12.2017).

11. Guangying Y., Yue C. The Study of Electrocardiograph Based on Radial Basis Function Neural Network // Intelligent Information Technology and Security Informatics (IITSI), 2010, pp.143-145.

12. Gao D., Madden M. Bayesian ANN Classifier for ECG Arrhythmias Diagnostic System // Proceeding of IEEE International Joint Conference on Neural Network, 2003, pp. 2454-2459.

13. База данных аритмий Массачусетского технологического института [Электронный ресурс]: Описание. URL: http://ecg.mit.edu/ (дата обращения: 20.09.2017).

14. Габриэль ХанМ. Быстрый анализ ЭКГ // М.: Бином, 2009. - 408 с.

15. Trenn S. Multilayer perceptrons: approximation order and necessary number of hidden units // IEEE Transactions on Neural Networks, vol. 19, no. 5, pp. 836–844, 2008.

16. Xu S., Chen L. A novel approach for determining the optimal number of hidden layer neurons for FNN's and its application in data mining // Proceedings of the 5th International Conference on Information Technology and Applications (ICITA '08), 2008, pp. 683–686.

17. Sun J. Learning algorithm and hidden node selection scheme for local coupled feedforward neural network classifier // Neurocomputing, vol. 79, 2012, pp. 158–163.

18. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем // – СПб: Наука и техника, 2003. – 380 с.

19. Masters T. Practical Neural Network Recipes in C++ // Academic Press, 1993. -504 p.

20. Салех М.А., Исаков Р.В. Оценка эффективности применения искусственных нейронных сетей для анализа сегментированных электрокардиокомплексов // Биомедицинская радиоэлектроника. № 6, 2012, с.21-27.

21. Галушкин А.И. Теория нейронных сетей. - М.: ИПРЖР, 2000. - 348 с.