информационный портал по вопросам биомедицинской инженерии

Сейчас на сайте 0 пользователей и 0 гостей.

Вход в систему

аватар: Лукьянова Юлия Александровна

Исаков Р.В., Лукьянова Ю.А.

Владимирский государственный университет

 

В настоящее время сердечно-сосудистые заболевания являются главной причиной смертности взрослого населения в различных странах, причем ее снижение возможно лишь путем эффективной профилактики.

Актуальность исследований по искусственным нейронным сетям связана с тем, что они позволяют приблизиться к возможностям обработки информации человеческим мозгом, который представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер (систему обработки информации). Мозг обладает способностью организовывать свои структурные компоненты, называемые нейронами, так, чтобы они могли выполнять конкретные задачи (такие как распознавание образов, обработку сигналов органов  чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие современные компьютеры.

На сегодняшний день существует много примеров использования нейросетей для медицинских прогнозов. Целью настоящего исследования является рассмотрение вопросов целесообразности и особенностей применения нейронных сетей в автоматизированном определении патологических изменений электрической активности сердца.

Несмотря на то, что в последние годы теория нейронных сетей получила значительное  развитие, до сих пор не достаточно развиты методы системного проектирования и анализа  быстродействующих нейронных сетей высокой размерности. Среди различных структур нейронных сетей одной из наиболее известных является многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя или, в случае первого слоя, со всеми входами НС (многослойный персептрон).

Развитие нейросетевых методов дало возможность  использования их как инструмента научных исследований, с помощью которого можно изучать объекты и явления. В работе производилось сравнение многослойного персептрона (рис.1) и модульной структуры организации нейронной сети (рис.2), как вариантов построения системы автоматизированного анализа электрокардиосигнала.

Рис. 1 –Структура многослойного персептрона для распознавания патологий по ЭКС (М – количество элементов образа ЭКС, Kj – число нейронов в j-том слое, N – количество анализируемых патологий)

 


Рис. 2 –Модульный вариант построения нейронной сети для распознавания патологий сердца по ЭКС

Таким образом, можно отметить, что дальнейшие разработки алгоритмов  классификации электрокардиограмм по–прежнему актуальны.

В данной работе рассматривается проблема автоматического распознавания патологий сердца по одноканальной записи PQRST-комплекса ЭКГ.

Для реализации системы распознавания патологий ЭКГ была выбрана структура нейронной сети прямого распространения (рис.1,2), состоящей из 3 слоёв (1 входной, 1 выходной, 1 скрытый) в двух рассмотренных вариантах построения.

Для создания входного образа производились следующие процедуры:

1)      PQRST-комплексы локализовались по R-зубцу;

2)      Из исходных сигналов вырезалась часть ЭКГ, соответствующая временному окну равному максимальной длине PQRST-комплекса;

3)      Производилось изменение частоты дискретизации до 150 Гц;

4)      Применялась нормировка полученных образов до динамического диапазона нейронов (от 0 до 1).

Полученные образы (рис. 3) использовались для обучения и тестирования нейронных сетей.

Рис. 3. – Пример синхронизированной группы входных образов.

 

Обучающая выборка включает в себя известные виды патологий, выделяемых по ЭКГ, которые были сгруппированы в 8 основных классов и разделена на две независимые базы данных: обучающую и текстовую (таблица 1).

 

Таблица 1. Состав базы данных ЭКГ для нейронных сетей

Тип образа

Обозначение

Обучающая

Тестовая

1

Норма

Y1

87

129

2

Инфаркт миокарда

Y2

407

311

3

Блокады

Y3

125

69

4

Кардиомиопатия

Y4

136

150

5

Аритмия

Y5

117

141

6

Сердечная недостаточность

Y6

151

56

7

Гипертрофия миокарда

Y7

154

13

8

Порок клапанов

Y8

66

59

 

Таким образом, каждая патология была представлена реальными ЭКГ сигналами, включая помехи.  Исследование производилось путём многократного обучения искусственных нейронных сетей разного объёма скрытого слоя. После обучения каждая сеть проходила тестирование на независимой базе данных. После чего, выбиралось значение скрытого слоя нейронной сети, при котором в серии из трёх испытаний получались лучшие значения чувствительности и специфичности к каждой патологии. Результаты такого анализа для двух вариантов построения системы нейросетевого анализа ЭКГ представлены в таблице 2.

  

Таблица 2.  Результаты исследования нейронных сетей

Выход

Чувствительность

Специфичность

Погрешность

Число нейронов

Многослойный персептрон

Y1

70

98,7

0,0056

140

Y2

88,5

89,3

Y3

100

99

Y4

78,1

98,6

Y5

70,6

98,8

Y6

61

97,5

Y7

100

99,7

Y8

62,8

99,6

Модульная структура

Y1

90

98,3

0,0024

10

Y2

89

90

0,0072

20

Y3

100

100

0,00026

20

Y4

90

96

0,00027

10

Y5

81,6

99

0,00023

30

Y6

59,9

99,8

0,0024

10

Y7

100

100

0,00025

10

Y8

99,9

100

0,00025

10

 

Исходя из полученных результатов,  было выявлено, что наибольшей производительностью обладает модульная структура построения нейросетевого анализатора электрокардиосигнала.  Средняя чувствительность, которой составила 89% (79% в случае многослойного персептрона), а средняя специфичность – 98% (как и в случае многослойного персептрона).

Анализ точности нейросетевой модели также показывает преимущество модульной структуры, у которой средняя погрешность составила 0,0016 (0,0056 – в случае  многослойного персептрона).

Повышенная чувствительность к патологиям, низкая погрешность и возможность неограниченного повышения числа анализируемых патологий делает модульную структуру, вероятно, оптимальным выбором для решения задачи анализа электрокардиосигнала.

Результаты данного исследования могут помочь определиться со структурой искусственной нейронной сети, для применения её в разработке новых интеллектуальных медицинских приборов для кардиологии. Созданный и обученный на реальных примерах нейросетевой анализатор предполагается использовать совместно регистратором ЭКГ в бытовых системах автоматизированного анализа функционального состояния сердечно-сосудистой системы, при проведении массовых экспресс исследований для выделения «групп риска», а также в программах автоматизированной расшифровки суточной записи ЭКГ.

Работа проводится при поддержке Гранта МК- 2392.2009.8 Президента РФ молодым российским ученым.

 

Библиографический список

1.    Хайкин С. Нейронные сети: полный курс, 2­e издание. : Пер. с анrл. -­ М. Издательский дом "Вильямс", 2006. -­ 1104 с. : ил., ­ISBN 5­8459­0890­6

2.    Нейронные сети. Statistica Neural Networks.– М., 2000. — 182 с

3.    Дехтярь Г.Я. Электрокардиографическая диагностика. — 2-е изд., перераб. и доп. — М: Медицина, 1972. - 402с.

4.    Масалович А.И. От нейрона к нейрокомпьютеру // Журнал доктора Добба.- 1992.- N.1.- С.20-24.

5.    Люгер Д. Искусственный интеллект М.: Мир, 2003. 690 с.

6.    Теория нейронных сетей./под ред. Галушкина А.И. –М: ИПРЖР,2000г

7.    Шевченко К. Н., Шевченко Н. В., Шульгин Б. В. Модель нейронной сети. // Заявка 2006115706 РФ

Комментарии

Hi there, I dont know if I am

аватар: Гость
Опубликовано Гость (не проверено) в 8 Июль, 2010 - 17:27.

Hi there, I dont know if I am writing in a proper board but I have got a problem with activation, link i receive in email is not working...

В интернете появился сайт, на

аватар: нейронные сети
Опубликовано нейронные сети (не проверено) в 10 Ноябрь, 2010 - 22:02.

В интернете появился сайт, на котором рассмотрено интересное приложение для искусственных нейронных сетей, а именно нейронная сеть в качестве игрока в «хоккей». По словам автора игры игра в «хоккей» с управляющей нейронной сетью является отличным средством для исследования нейронных сетей прямого распространения. Имеющиеся средства построения сети, генерации выборки, обучения сети и визуализации позволяют легко строить нейронную сеть нужной топологии, обучать её, следить за всеми параметрами нейронной сети. В программе имеется окно с изображением хоккейного поля, двух игроков и шайбы, где пользователь может анализировать действия нейронной сети в игровой ситуации в реальном режиме времени. Программа позволяет строить и сохранять графики обучения сети, строить и сохранять графическую трассировку сети, имеется возможность открыть окно с подробными данными о параметрах обучения нейронной сети и значениями весов и изменений весов всех нейронов. Пользователь может сохранить построенную нейронную сеть, либо загрузить её из памяти. Такая же возможность имеется и для обучающей выборки. Противником нейронной сети является человек либо другая нейронная сеть.

Да и правда довольно

аватар: Исаков Р.В.
Опубликовано Исаков Р.В. в 15 Ноябрь, 2010 - 00:27.

Да и правда довольно интересное приложение для практического изучения основ нейронных сетей и их возможностей применения.

Интересное приложение.

аватар: Гость
Опубликовано Гость (не проверено) в 14 Ноябрь, 2010 - 15:09.

Интересное приложение.

Try to repeat the

аватар: Исаков Р.В.
Опубликовано Исаков Р.В. в 12 Июль, 2010 - 15:29.

Try to repeat the registration process.

Настройки просмотра комментариев

Выберите нужный метод показа комментариев и нажмите "Сохранить установки".

Отправить комментарий

Содержание этого поля является приватным и не предназначено к показу.
  • Доступны HTML теги: <a> <em> <strong> <cite> <code> <ul> <ol> <li> <dl> <dt> <dd> <img> <table> <td> <tr> <hr> <div> <span> <h1> <h2> <h3> <h4> <h5> <h6> <p> <pre> <adress> <center>
  • Строки и параграфы переносятся автоматически.

Подробнее о форматировании

7 + 9 =
Решите эту простую математическую задачу и введите результат. Например, для 1+3, введите 4.

Комментарии