Д. С. Логинов (аспирант) особенности нейросетевого анализа в компьютерной диагностической системе

О.Н. Бодин (д.т.н., профессор), Н.А.Волкова (аспирант),

Д.С. Логинов (аспирант)
ОСОБЕННОСТИ НЕЙРОСЕТЕВОГО АНАЛИЗА В КОМПЬЮТЕРНОЙ ДИАГНОСТИЧЕСКОЙ СИСТЕМЕ «кАРДИОВИД»

г. Пенза, Пензенский Государственный Университет

В последнее время для анализа электрокардиосигналов (ЭКС) широко используются нейронные сети (НС) [2, 3]. Преимуществом нейросетевых методов анализа ЭКС является более эффективная адаптация к нестационарным особенностям ЭКС по сравнению с другими методами, обусловленная алгоритмом обучения.

Данная статья посвящена описанию нейросетевого анализа (НСА) ЭКС в КДС «Кардиовид» и особенностям формирования обучающей выборки.

Особенностью использования НС для анализа ЭКС является то, что результатом является интегральная характеристика ЭКС. Если методы морфологического анализа и вейвлет-преобразования определяют дифференциальные характеристики ЭКС, то нейросетевые методы оценивают ЭКС в целом. НС является вычислителем нового класса, позволяющим анализировать сигнал ЭКГ более точно и достоверно. Однако при этом заранее неизвестны особенности ее структуры, какая функция активации у нейронов сети, сколько слоев в сети и сколько нейронов в каждом слое сети. Также неизвестны методы, позволяющие оценить оптимальность заданной архитектуры НС, не решая при этом задачу обучения НС с такой архитектурой. В настоящее время, к сожалению, не существует методики для определения числа скрытых слоев и числа нейронов в каждом слое, что приводит к необходимости использования методов перебора для выбора оптимальной структуры НС, приходится экспериментировать с некоторым количеством НС, чтобы сравнить полученные результаты. В каждом конкретном случае это является неформальной задачей, решение которой зависит от опыта разработчика.

Задача анализа ЭКС на основе НС относится к классификационным задачам. НС, использующая евклидову меру близости для классификации объектов, называется сетью Кохонена [4]. Недостаток сети Кохонена заключается в отсутствии возможности обучения «с учителем». НС LVQ является развитием структуры сети Кохонена, устраняя указанный недостаток. На рисунке 1 представлены нейросетевая парадигма анализа ЭКС для оценки состояния сердца (рис. 1а) и структура НС LVQ (рис. 1б).

В компьютерной диагностической системе (КДС) «Кардиовид» для анализа ЭКС используется НС LVQ в каждом отведении [5, 6].

При этом исходный аналоговый сигнал ЭКС оцифровывается в соответствии со стандартом SCP-ECG для обмена цифровыми ЭКС [7] и представляется в виде 500 отсчетов на один кардиоцикл. Выделение одного кардиоцикла [8] является отличительной особенностью: для выявления инфаркта миокарда (ИМ) достаточно одного кардиоцикла [9]. Значения отсчетов ЭКС поступают на входы НС в виде входного вектора.

Осуществление нейросетевого анализа ЭКС возможно только после выполнения процедуры обучения НС. Обучение является важным этапом в разработке НС. Алгоритм обучения определяет эффективность обучения и работы сети. В работе [6] предложен усовершенствованный алгоритм обучения НС LVQ для анализа ЭКС, о не рассмотрены особенности формирования обучающей выборки. Восполним этот пробел.

Перед обучением НС осуществляется подготовка обучающего набора данных. Обучающая выборка состоит из ЭКС с общедоступного сайта PhysioNet [10] и реальных ЭКС, полученных от пациентов. Каждый из используемых сигналов проанализирован специалистами и имеет соответствующий протокол обследования. После проверки специалистами проводится статистическая проверка ЭКС на принадлежность к одной генеральной совокупности. Для этого:

• 
  количество ЭКС одного состояния сердца должно быть не менее 50;
  
• 
  количество ЭКС одного состояния сердца делится на две равные выборки;
  
• 
  выдвигается нулевая гипотеза о принадлежности рассматриваемых выборок к одной генеральной совокупности;
  
• 
  рассчитываются параметры t-критерия [11];
  
• 
  при условии t_факт > t_табл, коэффициент корреляции признаётся значимым и принимается нулевая гипотеза о принадлежности рассматриваемых выборок к одной генеральной совокупности.
  

Полученные ЭКС (без зашумления и с зашумлением) используют для обучения нейронных сетей, а контрольные ЭКС используют для проверки обучения нейронных сетей.

После подготовки обучающих данных проводится обучение НС.

При обучении сеть адаптируется для распознавания конкретного ЭКС. При этом выявляются закономерности, неявно выраженные в ЭКС. Целью обучения НС при анализе ЭКС является такое упорядочение нейронов (подбор значений их весов), которое минимизирует значение ожидаемого искажения, оцениваемого погрешностью аппроксимации входного вектора , значениями весов нейрона-победителя в конкурентной борьбе. Эта погрешность (или ошибка распознавания) может быть представлена в виде:

Критерием завершения процесса обучения НС служит выполнение условия , где ε – величина погрешности, заданная пользователем перед началом обучения (например, ε = 0,01). Время, за которое будет выполнено это условие, является временем обучения или временем сходимости алгоритма обучения.

По мнению авторов, совершенствование структуры НС для анализа ЭКГ возможно при изменении параметров НС, таких как:

• 
  размерность входного вектора;
  
• 
  количество нейронов в конкурирующем слое;
  
• 
  количество внутренних слоев.
  

Размерность выходного слоя НС K соответствует числу анализируемых классов заболеваний, т.е. каждому заболеванию сердца соответствует один выход НС. Из-за снижения качества работы НС с увеличением количества анализируемых ею классов состояния сердца, используются НС для двух состояний: здоров и один из ИМ. Ответы НС LVQ кодируются значением «1» для выхода, соответствующего классу заболевания, к которому НС отнесла входной сигнал, и «0» для выхода, соответствующего классу «здоровый». НС в КДС «Кардиовид» анализируют 10 классов заболеваний (K=10), из них 9 классов относятся к различным видам ИМ [9] и один класс – к «здоровому пациенту».

Количество нейронов M в слое Кохонена соответствует числу кластеров, на которые предполагается разделить входные данные. Для определения данного значения используется следующая формула:

Диагностика инфаркта миокарда амплитудно-временными методами опирается на 5 признаков инфаркта [9]. В связи с этим, , поэтому K = 50.

Дальнейшее развитие нейросетевого анализа в КДС «Кардиовид», по мнению авторов, состоит в применении дополнительных параметров при анализе, таких как значения коэффициентов после выполнения преобразования Фурье и/или вейвлет-преобразования ЭКС. Вейвлет-преобразование позволяет выявить спектральные, локальные особенности с ЭКС. Значения коэффициентов вейвлет-преобразования характеризуют ЭКС и вместо отсчетов ЭКГ (или вместе и ними) подаются на вход НС. Количество коэффициентов вейвлет-преобразования определяется уровнем детализации вейвлет-преобразования.

Таким образом, более тщательная подготовка обучающей выборки, усовершенствованный алгоритм обучения и применение дополнительных параметров при анализе являются слагаемыми успешного нейросетевого анализа ЭКС, позволяющими повысить оперативность, чувствительность и специфичность диагностики состояния сердца.

1. 
   Гитун Т.В. Инфаркт миокарда. Диагностика, профилактика и методы лечения – Центрполиграф, 2004.
   
2. 
   Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998, 296с.
   
3. 
   Mahalingam N., Kumar D. Neural networks for signal processing applications: ECG classification // Australas. Phys. Eng. Sci. Med., 1997, vol. 20, №3, 147-151p.
   
4. 
   Kohonen T. Self-Organization and Associative Memory, 2nd Edition, Berlin: Springer-Verlag, 1987.
   
5. 
   Бодин О.Н., Адамов А.В. Агапов Е.Г., Бурукина И.П. Кузьмин А.В.Патент РФ № 2257838. Способ диагностики состояния сердечно-сосудистой системы. – Официальный бюллетень «Изобретения. Полезные модели». №22, 2005.
   
6. 
   Бодин О.Н., Логинов Д.С. Адаптация структуры нейронной сети LVQ для анализа электрокардиосигнала – Нейрокомпьютеры: разработка, применение, №6, 2008.
   
7. 
   Плотников А.В., Прилуцкий Д.А., Селищев С.В. Стандарт SCP-ECG для обмена цифровыми ЭКС. Тезисы докладов Международной конференции по биомедицинскому приборостроению «Биомедприбор-98» – Москва, ВНИИМП РАМН.–6-8 октября 1998, 213-215с.
   
8. 
   Бодин О.Н., Жулев И.О., Логинов Д.С., Митрошин А.Н., Прошкин В.В.Патент РФ №2294139. Способ выделения начала кардиоцикла и устройство для его осуществления – Официальный бюллетень «Изобретения. Полезные модели». №6, 2007.
   
9. 
   Зудбинов Ю.И. Азбука ЭКС. – Изд. 4-е, испр. и доп., Ростов н/Д: Феникс, 2003, 240с.
   
10. 
    www.PhisioNet.org.
    
11. 
    Симчер В.М., Багат А.В., Конкин М.М. и др. Под ред. В. М. Симчеры. Статистика Учеб. пособие для вузов – Москва, 2005г., Изд: Финансы и статистика, 367 с.