Н.А. Аль-Хулейди
зав. кафедрой программной инженерии; доцент, кафедра робототехники и мехатроники, факультет инженерных и информационных технологий, Университет Таиз (г. Таиз, Республика Йемен)
E-mail: nashwan1email@gmail.com
А.А. Саллам
зав. кафедрой компьютерных сетей и распределенных систем, факультет инженерных и информационных технологий, Университет Таиз (г. Таиз, Республика Йемен)
E-mail: amer.sallam@taiz.edu.ye
A.Р.А. Aбдулракеб
ассистент, кафедра биомедицинских и электронных средств и технологий, Институт информационных технологий и радиоэлектроники, Владимирский государственный университет
E-mail: atef_alsanwy@mail.ru
Л.Т. Сушкова
к.т.н., профессор, зав. кафедрой биомедицинских и электронных средств и технологий, Институт информационных технологий и радиоэлектроники, Владимирский государственный университет
E-mail: ludm@vlsu.ru

Сигналы артериального давления содержат достаточно большую патологическую информацию, которая является очень важной при диагностике сердечно-сосудистой системы организма. В данной работе проводится сравнительный анализ возможности классификации сигналов артериального давления с использованием нейронных сетей двух типов: радиальной базисной функции (РБФ) и многослойного персептрона (МП). Выбор архитектуры нейронной сети типа многослойного персептрона основывался на исследовании количества слоев в скрытом слое как наиболее значимый параметр. Данный параметр был исследован вместе с фиксированным числом входных и выходных слоев, в то время как значимый параметр для определения архитектура нейронной сети типа РБФ выбрался параметр распространения. В качестве критериев оценки результатов классификации сигналов артериального давления применялись следующие критерии: чувствительность, специфичность и точность. Результаты сопоставительного анализа классификации сигналов артериального давления показали, что применение РБФ превосходит МП на 4,3% по чувствительности, 1,8% по специфичности и 2,2% по точности.

1. Qiao Zhang. Cuff-free blood pressure estimation using signal processing techniques. College of Graduate Studies and Research in Partial Fulfillment of the Requirements for the degree of Master of Science in the Division of Biomedical Engineering, University of Saskatchewan Saskatoon. 2010. 25 p.
2. Bojanov G. Handbook of Cardiac Anatomy, Physiology, and Devices/ Iaizzo P.A., Ed. Totowa, NJ: Humana. 2005. 320 p.
3. Radian Belu. Artificial Intelligence Techniques for Solar Energy and Photovoltaic Applications. Drexel University, USA & Desert Research Institute. 2013. 658 p.
4. Jeff Heaton. Introduction to Neural Networks for C#, 2nd Edition Paperback. Heaton Research, Inc. St. Louis. 2008. 450 p.
5. Tonekabonipour H., Emam A., Teshnelab M., Shoorehdeli M. A. Ischemia prediction via ECG using MLP and RBF predictors with ANFIS classifiers epileptic seizure prediction using ANN // for. Conference: ISSD'12, Third International Symposium on Sustainable Development, At Sarajevo, Bosnia and Herzegovina. P. 491–498.
6. Kevric J., Subasi A. Classification of EEG signals for epileptic seizure prediction using ANN // Conference: ISSD'12, Third International Symposium on Sustainable Development, At Sarajevo, Bosnia and Herzegovina. 2012. P. 491–498.
7. Mai V., Khalil I., Meli C.  ECG biometric using multilayer perceptron and radial basis function neural network // Conf Proc IEEE Eng Med Biol Soc. 2011. P. 2745–2748.
8. Javad K., Boostani R., Dehghani P., Nowroozipour F., Saki N. Prediction of acute myocardial infarction with artificial neural networks in patients with nondiagnostic electrocardiogram // Journal of Cardiovascular Disease Research. 2015. P. 51–59.
9. Rajesh G., Ghato A. An Effective Feature Set for ECG Pattern Classification. Medical Biometrics // First International Conference ICMB. 2008. P. 25–32.
10. Mohamed M. Neuronal Classification of Atrial Fibrillation // Leonardo Journal of Science. 2008. Is. 12. P. 196–213.
11. Zhang Q.J., Gupta K.C. Neural Networks for RF and microwave Design. Norwood, MA: Artech House, USA. 2000. 695 p.
12. Subana S., Sandhy S. Artificial Neural Network Modelling. Springer. 1st ed. 2016. 1200 p.
13. web page http://www.physionet.org/physiobank date of access [01.07.2018]
14. Inspection and Palpation of Venous and Arterial Pulses. Examination of the Heart Part 2. American Heart Associations, Fighting Heart Disease and Stroke.
15. Walker H.K., Hall W.D., Hurst J.W.  Clinical Methods: The History, Physical, and Laboratory Examinations // 3rd edition. Emory University School of Medicine, Atlanta, Georgia. Boston: Butterworths. 1990. P. 1320–1345.
16. Kumar P., Clark’s M. Clinical Medicine. 7th ed. Elsevier Saunders. 2009. 812 p.
17. Pijush S., Sanjiban S., Valentina E. Sanjiban Sekhar and Valentina E. Balas. Handbook of Neural Computation. 1st Edition.Elsevire. 2017. 658 p.
18. Ke-Lin Du, Swamy M.N.S. Neural Networks and Statistical Learning // Springer. 2014. P. 950–967.