ЭЛЕКТРОННЫЙ СТЕТОСКОП ДЛЯ ВЫЯВЛЕНИЯ СЕРДЕЧНЫХ АНОМАЛИЙ

​АННОТАЦИЯ

Сердечно-сосудистые заболевания (ССЗ) являются одной из основных причин смертности и инвалидности в большинстве стран мира. В рамках борьбы с высокой заболеваемостью наблюдается явный сдвиг в парадигме глобального здравоохранения в сторону активной профилактики, а не лечения заболеваний, а также стремление сократить стационарное лечение в пользу амбулаторного лечения, ухода на дому и самопомощи пациентов о собственном здоровье. В большинстве современных глобальных клинических руководств четко указана последовательность действий врача, к которому пациент обратился за помощью, включая обязательство оценивать объективные данные о состоянии здоровья, выявлять факторы риска и на их основе определять сердечно-сосудистый риск у конкретного пациента, а затем предпринимать шаги по снижению этого риска.

Однако в настоящее время в большинстве стран отсутствует всеобъемлющая массовая идентификация факторов риска и общая оценка риска развития ССЗ. Большинство сердечных заболеваний связаны между собой и отражаются звуками, которые издает сердце. Аускультация сердца, определяемая как прослушивание звука сердца, была очень важным методом ранней диагностики сердечной дисфункции. В этом случае фонокардиограмма (PCG) записывает тоны сердца и шумы, которые содержат важную информацию о здоровье сердца. Анализ сигнала PCG потенциально может выявить аномальное состояние сердца. Появление электронного стетоскопа проложило путь к новой области компьютерной аускультации. В данной статье подробно рассматривается технология электронного стетоскопа и метод диагностики нарушений сердечного ритма на основе компьютерной аускультации.

Ключевые слова: Умный стетоскоп, Машинное обучение, Классификация, ФКГ, Аномальные звуки сердца, сердцебиение.

Введение

С появлением интеллектуальных устройств и Интернета вещей объем данных и их тип увеличились благодаря устройствам, которые их собирают [1-5]. Датчики маленького размера, которые легкодоступны и достаточно точны, являются основным преимуществом автоматизации такой задачи, требующей квалифицированного врача. Особенно полезно для отдаленных районов, где нет квалифицированных рабочих. Во-вторых, развитие инфраструктуры для оценки и регистрации обходится дешевле, следовательно, она будет иметь более высокий уровень проникновения и принятия. Включение детекторов ЭКГ в смарт-диапазоны является большим достижением, хотя они не очень точны, следовательно, обнаружение аномалий также является неточным [6]. Со временем эти устройства станут более точными, что требует разработки такого программного обеспечения.

Побуждением для выполнения этой задачи является растущее число человеческих жертв из-за сердечно-сосудистых заболеваний согласно статье Всемирной организации здравоохранения (ВОЗ), по оценкам, от сердечно-сосудистых заболеваний умерло 17,9 миллиона человек, на долю этой популяции приходится 31 процент всех смертей в мире [7]. В бедных странах, таких как Индия, где соотношение врачей и пациентов составляет менее 1:921, это большое число означает, что многие люди остаются без лечения, а очереди в больницах огромны. Эта проблема требует автоматического обнаружения и точных процедур лечения, а также необходимых мер предосторожности. Поскольку ФКГ является неинвазивным, дешевым и точным способом мониторинга сердца, поэтому он предпочтительнее любого другого сигнала.

В этой статье мы рассмотрим умный стетоскоп для диагностики сердечных патологий с использованием записей сердцебиений, основанных на методах машинного обучения.

Обзор литературы

Функциональное состояние сердечно-сосудистой системы изучается с использованием комплекса инструментальных методов, позволяющих объективно оценить биофизические процессы в системе кровообращения (электрическую и механическую активность сердца, внутрисердечную и общую гемодинамику) [8]. Особое место среди этих методов занимает фонокардиография (ФКГ), которая позволяет контролировать состояние сердечно-сосудистой системы, нарушения в которой занимают ведущее место среди других заболеваний [9]. Анализ биомедицинских сигналов часто является трудной задачей для врача или специалиста в области биомедицинских наук, поскольку клинически важная информация в сигнале обычно маскируется шумом и сигналами. Кроме того, параметры сигналов чаще всего не могут быть непосредственно восприняты визуальной и звуковой системами человека-наблюдателя, поскольку большая часть энергии сердечных тонов сосредоточена на уровне или даже ниже порога восприятия звука большинством людей. Следовательно, надежность и последовательность оценки фонокардиосигнала (ФКС) [10], а также понимание наблюдаемых явлений являются субъективными факторами с точки зрения их интерпретации, зависящими от квалификации, опыта и диагностических возможностей врача-специалиста. Эти факторы определяют необходимость не только в более совершенном оборудовании, но и в разработке методов объективного анализа сигналов в условиях помех с использованием современных алгоритмов обработки и анализа фонокардиосигнала, реализованных на основе современных радиотехнических средств. Поэтому научно-практическое обоснование, разработка и развитие методов и средств надежной ранней диагностики функции сердца на основе современных радиотехнических методов обработки и анализа биомедицинских сигналов, способствующих увеличению объема и качества информации о функциональном состоянии человека, и, как следствие, созданию более эффективные аппаратные и программные средства - это насущная проблема. Основными требованиями к таким методам являются простота внедрения, информативность и достоверность результатов профилактической диагностики сердечно-сосудистой системы [11-13].

Анализ сигналов выполняется путем вычисления коэффициента корреляции, определения амплитуды и продолжительности волны и оценки фазовых характеристик волны. Более детальный анализ требует использования нескольких функций. Для морфологического анализа формы ФКГ необходимо выполнить следующие шаги: обнаружение тонов ФКГ(S1 и S2) - сегментация; определение их границ и вычисление параметров, характеризующих форму тонов; анализ формы (рисунок 1).

Рисунок 1. Сигнал ФКГ. Отображение состояний фазы S1, систолической фазы, фазы S2 и диастолической фазы

Таким образом, анализ ФКС включает в себя такие важные параметры, как: а) вычисление длительности тонов и идентификация дополнительных тонов (III, IV, V); б) проведение сравнительной оценки формы и амплитуды тонов I и II в разных точках регистрации; в) обнаружение расщепления, бифуркации тонов, щелчка при открытии митрального клапана и т.д.; г) обнаружение и анализ характеристик сердечного шума в различных частотных диапазонах; д) определение взаимосвязи между электрическими, механическими и электромеханическими систолами. Чтобы выполнить морфологический анализ, необходимо выполнить предварительную обработку сигнала: фильтрацию для устранения шума и помех, создаваемых окружающей средой. На ФКС также могут присутствовать другие шумы и помехи: сетевые помехи, внутренние физиологические помехи и т.д. Для их подавления необходима дополнительная фильтрация, которая осуществляется во втором блоке фильтров на основе фильтров низких и высоких частот. Далее выполняется сегментация ФКС, которая является важным этапом обработки при анализе сигнала ФКГ, а также для извлечения информативных признаков и выделения основных компонентов сигнала. Фундаментальным шагом в анализе сердца является выявление состояний сердечного цикла, таких как диастолический и систолический периоды. Первый звук сердца (S1) и второй звук сердца (S2) являются доминирующими звуковыми отражениями и указывают на начало систолы и диастолы соответственно. Сегментация основных компонентов обеспечивает повышение информативности и достоверности диагностической информации о состоянии ССС. Таким образом, использование частоты сердечных сокращений в качестве интегрального показателя процессов регуляции позволяет оценить состояние адаптации организма в целом и функционирование вегетативной нервной системы.

ОБОРУДОВАНИЕ ЭЛЕКТРОННОГО СТЕТОСКОПА

Предлагаемый аппарат - стетоскоп, который подключается к разъему TRS смартфона (mini-jack 3.5) и использует мобильное приложение для прогнозирования вашего состояния. Разработанный интеллектуальный стетоскоп представляет собой простую систему без батареи, встроенную в аудиомикрофонный интерфейс, обеспечивающий питание и передачу сигнала. Блок-схема, обобщающая метод, проиллюстрирована на рисунке 2.

Рисунок 2. Принцип работы интеллектуального стетоскопа

Устройство спроектировано максимально просто с использованием самых маленьких компонентов: стетоскопа, мобильного приложения и небольшого устройства. Для получения звука в трубку стетоскопа вставляется электретный микрофон. Шланг заблокирован на всех других концах, кроме зоны приема, для устранения фактора шума. На рисунке 3 показаны компоненты интеллектуального стетоскопа.

Рисунок 3. Компоненты интеллектуального стетоскопа

На рисунке 4 показан интеллектуальный стетоскоп в виде устройства, подключаемого к смартфону.

Рисунок 4. Умный стетоскоп как устройство, подключенное к смартфону

ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ЭЛЕКТРОННОГО СТЕТОСКОПА

A. Обнаружение аномального сердечного ритма

Наблюдаемый сигнал ФКГ S(n) может быть представлен как:

S(n) = F(n) + O(n) = F(n) + C(n) + N(n)                                                              (1)

где F(n) обозначает основные компоненты сердечного звука, первый (S1) и второй (S2) записи сердца, и O(n) представляет собой смесь других сигналов, включая другие компоненты сердечного звука (C(n), например, ропот) и шумовые компоненты N(n).

На рис. 5 показан технологический процесс обнаружения аномалий сердцебиения. Для обнаружения первого звука сердца в шумной среде разработана двухэтапная система. На первом этапе основные компоненты F(n) отделяются от фоновых сигналов O(n) с помощью адаптивного модуля отслеживания подуровня. Отслеживание энергии Шеннона применяется для обнаружения пиков S1/S2 от шумовых помех, за которыми следует процедура идентификации S1.

Рисунок 5. Технологический процесс для обнаружения отклонений

B. Набор данных

Для эксперимента использовалась база данных PhysioNet, содержащая измерения ЭКГ, фонокардиограмму и дыхание [1][2][3]. Чтобы обучить модель машинного обучения, мы использовали 400 записей ФКГ, которые были разделены на два типа. Половина всех записей принадлежала людям с отклонениями в сердечных тонах, а другая часть принадлежала здоровым людям. Набор данных был разделен на две части от 80% до 20%. 80% всех данных были использованы для обучения, а остальные 20% были использованы для тестирования модели машинного обучения.

РЕЗУЛЬТАТЫ

На рисунке 6 показан процесс обнаружения сердечных аномалий с помощью смартфона после получения звуков сердцебиения через стетоскоп. Первый - это умный стетоскоп, который изучает звук, получаемый от стетоскопа. Второй - это обученный алгоритм, который анализирует посторонний шум. Третий - это процесс классификации. Более того, выходные данные показывают ваш потенциальный диагноз.

Рисунок 6. Процесс обнаружения аномалий сердцебиения

После обработки и устранения шумов в сигналах мы начинаем идентифицировать тепловые звуки. После обнаружения нормальных и ненормальных тонов сердца результаты были приведены в таблице 2 и таблице 3. Как мы сообщали ранее, мы разделили набор данных на две части: 200 ненормальных до 200 нормальных сердечных тонов. Кроме того, данные обучения и тестирования разделены в пропорции от 80% до 20%.

Результаты обнаружения нарушений сердцебиения с использованием методов машинного обучения считаются истинно положительными (TP), ложноположительными (FP), ложноотрицательными (FN) и истинно отрицательными (TN). Истинно положительный результат означает общее количество аномалий в звуках сердца, которые действительно идентифицированы, в то время как ложноположительный результат представляет общее количество аномалий сердцебиения, которые неправильно обнаружены моделью. Ложноотрицательное значение - это общее количество нарушений сердцебиения, которые вообще не идентифицируются. Эти результаты используются для вычисления результатов оценки обнаружения нарушений сердечного ритма с использованием различных классификаторов машинного обучения, которые включают чувствительность (SN), положительную прогностическую способность (PP) и общую точность (OA). Приведенные ниже уравнения показывают расчет для SN, PP и OA.

                                                                   (2)

                                                                 (3)

                                                                 (4)

В таблицах 1 и 2 показаны результаты сегментации нормальных и аномальных тонов сердца.

Таблица 1.

Сегментация нормальных сердечных тонов

Таблица 2.

Сегментация аномальных сердечных тонов

ОБСУЖДЕНИЕ И ЗАКЛЮЧЕНИЕ

В статье представлена модель для обнаружения патологических щаблонов ФКГ для обнаружения сердечной непроходимости и электронный стетоскоп для использования модели спортсменами.

Анализ аудиосигнала в основном связан с такими проблемами, как слабость сигнала, узкая полоса пропускания, загрязнение различными типами шума, случайность, необходимость разделения объединенных сигналов в единый сигнал и т.д. Звуки сердца как сложные сигналы также подчиняются этому правилу. Звуки сердечного клапана, наполнение и опорожнение желудочков и артерий, а также интерференция между этими звуками и узким частотным диапазоном затрудняют обнаружение проблем, связанных с сердцем, на основе анализа звука.

С другой стороны, наличие надежных сигналов, таких как ЭКГ, побудило экспертов полагаться на них для диагностики сердечных заболеваний. В то время как сигнал ФКГ может быть использован в качестве независимого метода для недорогого и быстрого выявления многих нарушений и функций остановки сердца. Хотя в последние годы было разработано несколько алгоритмов обнаружения тонов сердца, каждый из них имеет некоторые барьеры из-за природы звуковых сигналов.

Чтобы иметь возможность использовать сигнал фонокардиограммы в качестве диагностического инструмента в области сердечных заболеваний, мы должны сначала предоставить метод сегментации и обнаружения сердечных тонов как клинически значимых сегментов и определения их соответствия сердечным циклам. Ценность этого алгоритма и метода возрастает, когда сигнал независимо используется в качестве диагностического метода, а не все еще влияет на сигнал ЭКГ. Конечно, иногда необходимо использовать любой из этих методов, поскольку дополнительный метод используется вместе.

В этой статье, прежде чем описать предлагаемый нами алгоритм, мы рассмотрели некоторые распространенные и традиционные методы обработки сигналов, используемые для обнаружения тонов сердца, и обсудили их проблемы. Причина этого заключалась в том, чтобы изучить сильные и слабые стороны этих методов и подчеркнуть тот факт, что все еще существует потребность в методах, которые могут обеспечить более точную сегментацию сердечных тонов. Некоторые из проблем, с которыми сталкиваются эти методы, - это неопределенность методов, основанных на пороге, потенциальная путаница и ошибки в методах, основанных на огибающей (преобразование Гильберта и энергетическая огибающая), а также неэффективное удаление фонового шума и сердечного шума даже в методах визуального представления, таких как CWT.

В предлагаемом нами алгоритме мы не использовали методы аппроксимации и пороговые значения, и полученные результаты зависят от характера сигналов и выбора наилучшего IMF, соответствующего основному сигналу ФКГ, что является одним из преимуществ алгоритма. Благодаря этим преимуществам алгоритм также успешно обнаруживает аномальные звуки, которые немного отличаются от нормальных звуков. Если бы мы использовали методы, основанные на пороговом уровне или приближении, из-за непредсказуемого характера аномального поведения звуки могли бы находиться не на том пороге или расстоянии, которые ожидались; это приведет к обнаружению ошибки. Предложенный алгоритм позволяет избежать подобных ошибок.

Основными преимуществами предлагаемого стетоскопа являются скорость – для анализа достаточно 10 секунд, местоположение – умный стетоскоп не отправляет данные на серверы, поэтому все хранится в вашем телефоне. Запись звука может быть предоставлена врачу без проблем, точность – точность достигла около 90%. В заключение хотелось бы сказать, что такие технологии достаточно удобны и практичны. В дальнейшем мы собираемся повысить точность стетоскопа и увеличить количество сердечных заболеваний, которые могут быть диагностированы с помощью интеллектуального стетоскопа.

БЛАГОДАРНОСТЬ

Выпуск данной статьи был поддержан грантом «Применение методов машинного обучения для ранней диагностики патологий сердечно-сосудистой системы», финансируемая Министерством образования Республики Казахстан. Номер гранта - IRN AP13068289.

Список литературы:

1. Dorri, A., Kanhere, S. S., Jurdak, R., & Gauravaram, P. (2017, March). Blockchain for IoT security and privacy: The case study of a smart home. In 2017 IEEE international conference on pervasive computing and communications workshops (PerCom workshops) (pp. 618-623). IEEE.
2. Neto, A. R., Soares, B., Barbalho, F., Santos, L., Batista, T., Delicato, F. C., & Pires, P. F. (2018, July). Classifying Smart IoT Devices for Running Machine Learning Algorithms. In 45º Seminário Integrado de Software e Hardware 2018 (SEMISH 2018) (Vol. 45, No. 1/2018). SBC.
3. Shyam, G. K., Manvi, S. S., & Bharti, P. (2017, February). Smart waste management using Internet-of-Things (IoT). In 2017 2nd international conference on computing and communications technologies (ICCCT) (pp. 199-203). IEEE.
4. Saravanan, M., Das, A., & Iyer, V. (2017, June). Smart water grid management using LPWAN IoT technology. In 2017 Global Internet of Things Summit (GIoTS) (pp. 1-6). IEEE.
5. Ejaz, W., Naeem, M., Shahid, A., Anpalagan, A., & Jo, M. (2017). Efficient energy management for the internet of things in smart cities. IEEE Communications Magazine, 55(1), 84-91.
6. Mahdy, L. N., Ezzat, K. A., & Tan, Q. (2018, November). Smart ECG Holter Monitoring System Using Smartphone. In 2018 IEEE International Conference on Internet of Things and Intelligence System (IOTAIS) (pp. 80-84). IEEE.
7. https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
8. Sundaram, D. S. B., Shivaram, S., Balasubramani, R., Muthyala, A., & Arunachalam, S. P. (2019, May). Discriminating Normal Phonocardiogram From Artifact Using a Multiscale Entropy Technique. In 2019 IEEE International Conference on Electro Information Technology (EIT) (pp. 542-545). IEEE.
9. Maitra, S., & Dutta, D. (2019, March). A Systemic Review on the Technological Development in the Field of Phonocardiogram. In 2019 Devices for Integrated Circuit (DevIC) (pp. 161-166). IEEE.
10. Dia, N., Fontecave-Jallon, J., Gumery, P. Y., & Rivet, B. (2019, May). Heart Rate Estimation from Phonocardiogram Signals Using Non-negative Matrix Factorization. In ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 1293-1297). IEEE.
11. Banerjee, R., Biswas, S., Banerjee, S., Choudhury, A. D., Chattopadhyay, T., Pal, A., ... & Mandana, K. M. (2016, September). Time-frequency analysis of phonocardiogram for classifying heart disease. In 2016 Computing in Cardiology Conference (CinC) (pp. 573-576). IEEE.
12. Durand, L. G., & Pibarot, P. (2017). Most Recent Advancements in Digital Signal Processing of the Phonocardiogram. Critical Reviews™ in Biomedical Engineering, 45(1-6).
13. Clifford, G. D., Liu, C., Moody, B., Millet, J., Schmidt, S., Li, Q., ... & Mark, R. G. (2017). Recent advances in heart sound analysis. Physiological measurement, 38(8), E10-E25.