Построение нейронных классификаторов для диагностики сердечно-сосудистых заболеваний по параметрам кардиореспираторного взаимодействия Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 615.47

В. Н. Конюхов, канд. техн. наук,

Самарский государственный аэрокосмический университет им. акад. С. П. Королева

Построение нейронных классификаторов для диагностики сердечно-сосудистых заболеваний по параметрам кардиореспираторного взаимодействия

Ключевые слова: электрокардиосигнал, вариабельность ритма сердца, кардиореспираторное взаимодействие, многослойный персептрон, ошибки классификации

Проведены исследования по выбору информативных признаков вариабельности ритма сердца и параметров дыхания. Показано, что изменения в структуре сердечного ритма, а именно в параметрах его вариабельности, происходят до появления клинических признаков заболевания на ЭКС. Приведены оценки вероятности правильной диагностики предварительно обученных многослойных персептронов на различных наборах входных признаков. Показано, что учет параметров дыхания существенно повышает достоверность диагностики.

Введение

Сердечно-сосудистые заболевания являются наиболее распространенной причиной смертности в развитых странах. В связи с этим актуальными становятся диагностика патологий сердца и создание методик, позволяющих достоверно выявить нарушения деятельности сердца на ранних этапах.

Основным методом диагностики сердечно-сосудистых заболеваний в настоящее время является метод электрокардиографии. Однако с помощью этого метода можно выявить нарушения, возникающие только в момент регистрации электрокар-диосигнала (ЭКС).

Целью данной работы является выбор информативных признаков кардиореспираторного взаимодействия для ранней дифференциальной диагностики сердечно-сосудистых заболеваний. Для решения этой задачи было выдвинуто предположение, что изменения в структуре сердечного ритма, а именно в параметрах его вариабельности, происходят до появления клинических признаков заболевания на ЭКС. Кроме того, по причине доминирующего влияния дыхания на вариабельность сердечного ритма (ВСР) была выдвинута гипотеза, что учет параметров дыхания позволит улучшить качество диагностики.

№ 3(9)/2010 |

Известно, что изменения характеристик ВСР сопутствуют различным заболеваниям сердечно-сосудистой системы [1, 2]. Например, при инфаркте миокарда уменьшается среднеквадратичное отклонение массива длительностей RR-интервалов [1], при артериальной гипертензии наблюдаются снижение общей мощности спектральной плотности и увеличение низкочастотного компонента спектра ВСР [3] и т. д. Однако при различных патологиях сдвиги показателей ВСР зачастую однонаправлен-ны, что не позволяет проводить дифференциальную диагностику сердечно-сосудистых заболеваний. Кроме того, различные режимы дыхания существенно изменяют значения показателей ВСР [4].

С учетом этих фактов были проведены исследования по выбору адекватного набора диагностических признаков ВСР и дыхания, позволяющих провести достоверное разделение состояний сердечнососудистой системы.

Материалы и методы

Для проведения исследования были использованы данные из базы записей ЭКС, размещенные на сайте www.physionet.org в свободном доступе. Были выбраны записи ЭКС для четырех групп заболеваний:

1) MIT-BIH Normal Sinus Rhythm Database (база данных нормального синусового ритма — NSR);

2) PAF Prediction Challenge Database (база данных, на основе которой можно предсказать случаи фибрилляций предсердий — PAP);

3) MIT-BIH Supraventricular Arrhythmia Database (база данных суправентрикулярных аритмий — SA);

4) Sudden Cardiac Death Holter Database (база данных холтеровских записей внезапной смерти — SD).

Из выбранных записей ЭКС были выделены фрагменты нормального синусового ритма и из них сформированы массивы RR-интервалов и соответствующие им кривые дыхания по методике, изложен-

биотехносфера

Медицинские компьютерные технологии

ной в работе [5]. Алгоритм выделения кривой дыхания основан на том, что при дыхании изменяется направление вектора эквивалентного электрического диполя сердца и, как следствие, наблюдается изменение амплитуды ЭКС. Алгоритм выделения кривой дыхания включает в себя три основные стадии: помехоустойчивую оценку амплитуд И-зубцов ЭКС, интерполяцию, коррекцию фазового сдвига кривой дыхания.

Из полученных массивов ИИ-интервалов и огибающих дыхания были сформированы обучающие и тестовые выборки параметров вариабельности ритма сердца и дыхания, которые в дальнейшем использовались для обучения и проверки классифицирующей способности нейронной сети (НС), а именно многослойных персептронов.

Были созданы пять групп выборок для пяти экспериментов. Выборки формировались следующим образом.

Во-первых, были сформированы векторы ИИ-интервалов без какой-либо предобработки — обучающие и тестовые. Учитывая, что для обучения пер-септрона необходимо закодировать каждый из четырех классов, была выбрана НС с двумя бинарными выходными нейронами, которые кодировались следующим образом: МйИ = (-1, -1), РАБ = (1, -1), йА = (-1, 1), йБ = (1, 1). Для данного исследования были созданы три обучающие выборки со следующими параметрами: файл данных, содержащий 240 примеров длиной 50 отсчетов ИИ-интервалов, что соответствует 50 входам НС (50x240), которому соответствует тестовый файл размерами 50x200; файл данных, содержащий 400 примеров по 30 входов (30x400), которому соответствует тестовый файл размерами 30x200; файл, содержащий 400 примеров по 20 входов (20x400), которому соответствовал тестовый файл размерами 20x200. Также были сформированы файлы-цели размерами 2x200, 2x240 и 2x400. Пример структуры входных данных вида 50x240 приведен на рис. 1. Аналогичная структура данных была и для последующих обучающих выборок.

РАР

Во-вторых, были сформированы массивы нормированных ИИ-интервалов.

Для нормирования данных использовалась нелинейная функция вида

х = f

f («) =

1 + ,

где х - ^ х? — среднее значение ИИ-интерва-

а=1

лов; а? -

1 ^ (xf - х1) — их дисперсия.

а=1

После такого преобразования значения ИИ-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 предыдущем.

В-третьих, были сформированы массивы статистик ИИ-интервалов: медиана, СКО, коэффициент асимметрии, коэффициент эксцесса, определенные на массиве в 100 ИИ-интервалов, а также вычисленные за средний период дыхания. Размерность входа НС для третьей группы данных составила четыре. Кроме того, исследовался вариант, в котором, помимо предыдущих массивов статистик, были сформированы массивы дисперсии амплитуд огибающих дыхания. В этом случае размерность входа НС равнялась пяти.

В-четвертых, были сформированы массивы ИИ-интервалов, нормированных относительно амплитуды огибающей дыхания, так называемые ОО-ин-тервалы. Для ОО-интервалов была проведена та же нормировка и были найдены те же статистики, что и для ИИ-интервалов в предыдущем случае.

В-пятых, были сформированы массивы мощностей спектров ИИ-интервалов и массивы общих мощностей спектра амплитуд огибающих дыхания. Для вычисления мощностей спектров ИИ-интервалов были использованы стандартные интервалы частот [1]: НБ, ЬГ, УББ. Выбор структуры персептрона, а именно числа входных нейронов и нейронов скры-

8

А

1 2 3 60 61 62 63 120 121 122 123 180 181 182 183 240

1 0.8125 0.8359 0.6875 0.8203 0.8516 0.9219 0.7969 0.9141 0.7969 0.8203 0.8516 0.9375 0.8680 0.8440 0.8240 0.8360

2 0.8281 0.8047 0.7031 0.9297 0.8750 0.8438 0.7188 0.9063 0.7969 0.8750 0.8438 0.9297 0.8720 0.8360 0.8720 0.8320

3 0.8125 0.8125 0.7266 0.8672 0.7578 0.8438 0.9297 0.9141 0.7813 0.7734 0.8438 0.9531 0.8120 0.8920 0.8480 0.8200

4 0.7969 0.8516 0.7031 0.9766 0.9453 0.8438 0.7422 0.8828 0.7969 0.8203 0.8047 0.9609 0.8240 0.8600 0.8280 0.8120

5 0.8047 0.8125 0.6953 0.9844 0.8828 0.8594 0.8203 0.8984 0.7891 0.8125 0.8516 0.9844 0.8600 0.8160 0.8400 0.8320

б 0.8203 0.7813 0.6953 0.8594 0.8906 1.0469 0.8906 0.9219 0.7969 0.8359 0.8594 1.0078 0.8520 0.8320 0.8480 0.8840

7 0.8359 0.7891 0.7109 0.7734 0.8828 0.5313 0.8125 0.9063 0.7813 0.8281 0.8516 1.1641 0.8440 0.8760 0.8160 0.8320

8 0.8047 0.7422 0.6953 0.7188 0.8594 0.8906 0.8203 0.8906 0.7891 0.8281 0.8750 0.7109 0.8440 0.8600 0.8200 0.7920

9 0.7656 0.7344 0.6875 0.6953 0.8672 0.8828 0.8203 0.8750 0.7734 0.8516 0.9063 0.9453 0.8600 0.8280 0.8560 0.8440

10 0.7969 0.7422 0.7344 0.6719 0.8828 0.8672 0.7891 0.8984 0.7500 0.8359 0.9375 1.0078 0.8240 0.8480 0.8560 0.8560

11 0.8516 0.7578 0.7734 0.6953 0.8828 0.8906 0.7891 0.8984 0.7734 0.8359 0.9453 0.9688 0.8160 0.8680 0.8160 0.8480

50 0.8438 0.7422 0.8984 0.8438 0.8750 0.8594 0.7969 0.8516 0.7578 0.8125 1.1406 0.9531 0.8800 0.8360 0.8520 0.8400

Рис. 1\ Структура данных для обучения НС

| № 3(9)/2010

биотехносфера

того 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 проводилось с использованием модуля Neural Network Toolbox среды MatLab.

Результаты

Для исследования возможности диагностики по необработанным 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. 2.

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 вектор RR-интервалов размерностью 50, для персептронов с п = 2, п = 8, п = 12 обученных на 240 примерах были получены данные, сведенные в табл. 1.

Из полученных данных видно, что ошибки классификации на примерах, не участвовавших в обучении НС, очень велики. Аналогичные эксперименты и расчет ошибок классификации были выполнены и для других обучающих и тестовых выборок.

Наилучшие результаты были получены в том случае, когда в качестве входных признаков использовались статистики RR-интервалов и дисперсия огибающей кривой дыхания, определенные на 100 RR-интервалах для НС с числом нейронов в скрытом слое, равном восьми (табл. 2). Здесь Т_01 — сеть, обученная на 400, Т_02 — на 300, Т_03 — на 250 примерах.

rIW{l,l} Ь{1}

LW{2, 1}

ZF

Ь{2}

-f

50

Рис. 2

Пример нейронной сети с пятьюдесятью входами и двуми нейронами в скрытом слое

Таблица 1 Ошибки распознавания для тестовой выборки необработанных RR-интервалов

Класс Число верно обнаруженных примеров для сетей Общее количество примеров тестовой выборки Ошибка распознавания, %

п= 2 п = 8 «=12 п = 2 п = 8 п= 12

NSR 4 13 18 50 92 74 64

PAF 13 17 13 50 74 66 74

SA 30 14 21 50 40 72 58

SD 9 27 38 50 82 46 24

Всего 56 71 90 200 72 64,5 55

Таблица 2 Ошибки классификации персептрона с восьмью нейронами в скрытом слое для входного вектора признаков, представляющего собой статистики RR-интервалов и огибающей дыхания

Класс Число верно обнаруженных примеров для сетей Общее количество примеров тестовой выборки Ошибка классификации, %

TOI Т02 Т_03 TOI Т_02 Т_03

NSR 36 33 34 50 28 34 32

PAF 40 35 30 50 20 30 40

SA 34 32 25 50 32 36 50

SD 37 33 33 50 26 34 34

Всего 147 133 122 200 26,5 33,5 39

Выводы

1. Структура синусового ритма сердца позволяет предсказывать возникновение тех или иных сердечных патологий.

2. Вероятное возникновение нарушений можно распознавать с помощью многослойных персептронов.

3. Качество распознавания сильно зависит от объемов исходной обучающей выборки, поэтому для повышения качества распознавания можно до-обучать многослойный персептрон в процессе работы за счет добавления новых примеров.

4. Качество распознавания в большой степени зависит от выбора входных признаков.

5. Увеличить качество распознавания можно путем использования различных многослойных персептронов для разных видов патологий.

6. Наилучшие результаты показала сеть с восьмью нейронами в скрытом слое и пятью входами, на которые подавались статистики RR-интервалов,

№ 3(9)/2010]~

биотехносфера

и дисперсия амплитуд огибающих дыхания. Ошибка классификации в этом случае не превышала 32 % для всех выбранных патологий.

7. Средняя специфичность метода для нейронной сети, показавшей лучший результат, составляет 91,17 %, а специфичность по классам:

нормальный синусовый ритм (NSR) — 88 %; фибрилляция предсердий (PAF) — 98 %; суправентрикулярные аритмии (SA) — 84,67 %; внезапная сердечная смерть (SD) — 94 %.

| Л и т е р а т у р а

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. V. 93, N 5. P. 1043-1065.

Яблучанский H. И., Мартимьянова Л. А. Сердечная недостаточность и вариабельность ритма сердца при мерцательной аритмии // Вестн. аритмологии. 1998. № 9. С. 47-57.

Бильченко А. В. Закономерности нарушения автономной регуляции у больных гипертонической болезнью// Укр. кардиол. журн. 1998, № 5-6. С. 10-15. Aysin В., Aysin Е. Effect of Respiration in Heart Rate Variability (HRV) Analysis. Conf. Proc. IEEE Eng. Med. Biol. Soc. 2006. N 1(1). P. 1776-1779. Конюхов В. H., Погодина В. А. Аппаратно-программные средства оценки состояния сердечно-сосудистой системы по параметрам кардиореспираторного взаимодействия // Изв. ЮФУ. Техн. науки. Темат. вып. «Перспективы медицинского приборостроения», Таганрог, 2009, №9, С.107-111.

УДК 615.47:616-072.7

А. А. Кузьмин, канд. техн. наук,

A. П. Белобров, аспирант,

B. В. Жилин, канд. техн. наук, Кассим Кабус Дерхим Али, аспирант, Мохаммед Авад Али Абдо, магистрант, Юго-западный государственный университет

Классификация квазипериодических сигналов в медицинских диагностических системах на основе авторегрессионного моделирования

Ключевые слова: маркер риска сердечно-сосудистого заболевания, авторегрессионная модель, нейронная сеть

В статье рассмотрены модели акустических сигналов кровотока, предназначенные для построения диагностических систем по определению риска возникновения сердечно-сосудистых заболеваний. На основе полученных моделей сформированы подпространства информативных признаков и синтезирована структура нечеткой нейронной сети для классификации риска сердечно-сосудистых заболеваний.

Введение

Основная причина смертности в России — это болезни сердца и сосудов. В абсолютном выражении цифры ужасающие — в год в России по этой причи-

биотехносфера

не умирают около миллиона человек, причем высокая смертность и потеря работоспособности отмечаются среди наиболее трудоспособного населения, что наносит значительный ущерб современному обществу. Учитывая важность профилактики сердечнососудистых заболеваний (ССЗ), в начале 50-х годов прошлого века в практику введена концепция факторов риска (ФР), влияющих на показатели смертности, в частности от ССЗ, которая в настоящее время получила многочисленные научные подтверждения и является общепризнанной. В многочисленных исследованиях, проведенных как в нашей стране, так и за рубежом, получены доказательства того, что путем целенаправленного лечебного и профилактического вмешательства, в первую очередь в отношении ФР, можно снизить сердечно-сосудистую заболеваемость и предупредить преждевремен-

| № 3(9)/2010