ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ АВТОМАТИЗИРОВАННОГО РАСПОЗНАВАНИЯ ДЕПРЕССИИ И ЭЛЕВАЦИИ ST-СЕГМЕНТА НА ЭКГ В СТАНДАРТНЫХ ОТВЕДЕНИЯХ

По данным Министерства здравоохранения Российской Федерации в стране имеется серьезный дефицит медицинских работников. В одних лишь поликлиниках страны не хватает более 25 тыс. врачей и около 130 тыс. медсестер и специалистов среднего персонала. В связи с вышесказанным, актуальными являются разработки, направленные на повышение эффективности текущей деятельности медицинских работников. Системы автоматизированного распознавания различных заболеваний на ЭКГ могут существенно ускорить процесс постановки диагноза, ведь медицинскому работнику требуется лишь проверить и, по необходимости, подкорректировать описание к ЭКГ, а не создавать этот документ с нуля.

Самыми известными методами обработками электрокардиосигналов являются 5 метода:

1. Комплексный контурный анализ ЭКС.
2. Амплитудно-временной анализ ЭКС.
3. Частотно-временной анализ  ЭКС.
4. Нейросетевой анализ ЭКС.

Разработан метод автоматизированного распознавания депрессии и элевации ST-сегмента на ЭКГ, включающий в себя амплитудно-временной частотно-временной, амплитудно-фазовый и нейросетевой анализ кардиосигнала, и отличающийся тем, что анализ амплитудных, фазовых и частотных изменений в электрокардиосигнале проводятся параллельно, а полученные при этом результаты анализируются с использованием предварительно обученной нейронной сети.

Целью обучения нейронной сети при анализе ЭКС является такое упорядочение нейронов, которое минимизирует значение ожидаемого искажения, оцениваемого погрешностью аппроксимации входного вектора x^h, значениями весов нейрона-победителя в конкурентной борьбе. Эта погрешность может быть представлена в виде:

где p - количество входных векторов,

- i-й элемент вектора весов m-го нейрона конкурирующего слоя при предъявлении входного вектора x^h. Алгоритм обучения НС LVQ работает следующим образом:

А. Присваивается всем весам слоя Кохонена одно и то же начальное значение    

Б. Выбирается из обучающей выборки очередной вектор x^h.

В. Изменяются элементы вектора x^h в соответствии в формулой:

где t - номер эпохи обучения,

P(t)- монотонно возрастающая функция, меняющаяся от 0 до 1 по мере обучения.

Г. Определяется евклидово расстояние между вектором x^h и каждым нейроном конкурирующего слоя по формуле:

Д. Определяются 2 нейрона с наименьшим евклидовым расстоянием d_m до входного вектора x ^'.

Е. Проверяется условие:

min

где d₁ - евклидово расстояние между вектором х' и весами первого найденного нейрона,

d₂ - евклидово расстояние между вектором х' и весами второго найденного нейрона,

∊- значение, выбираемое из диапазона 0,2÷0,3.

Ж. Изменяются веса найденных нейронов.

При правильной классификации вектора х' выполняется корректировка по формуле:

где  - величина скорости обучения НС.

1) Проведен анализ основных методов автоматизированной обработки электрокардиосигналов, в результате которого было установлено, что наиболее часто используемыми и наиболее эффективными подходами являются амплитудно-временной, частотно-временной анализ, амплитудно-фазовый и нейросетевой анализ.

2) Разработан метод автоматизированного распознавания депрессии и элевации ST-сегмента на ЭКГ, включающий в себя амплитудно-временной частотно-временной, амплитудно-фазовый и нейросетевой анализ кардиосигнала, и отличающийся тем, что анализ амплитудных, фазовых и частотных изменений в электрокардиосигнале проводятся параллельно, а полученные при этом результаты анализируются с использованием предварительно обученной нейронной сети.

3) Произведена оценка эффективности предложенных решений, в частности установлено, что быстродействие процесса автоматизированного распознавания ST-сегмента было повышено на 12.7% а число ложных срабатываний снижено на 14.5%.

Список литературы:

1. Миронова, Т.Ф. Вариабельность сердечного ритма при ишемической болезни сердца / Т.Ф. Миронова, В.А. Миронов. Челябинск: Рекпол. - 2006. - 136 с.
2. Манило, Л.А. Методы управления водителем сердечного ритма / Л.А. Манило, Н.И. Родина // Вестник аритмологии. 2000. № 15. - С. 158.
3. Роженко, А.И. Теория и алгоритмы вариационной сплайн-аппроксимации. -Новосибирск: Сиб. отделение, ин-т вычисл. математики и мат. геофизики СО РАН, 2005.-243 с.