А.В. Киселев1, С.А. Филист2, Хайдер А.Х. Алавcи3, В.В. Песок4, А.Е. Пшеничный5, О.В. Шаталова6

1–6 Юго-Западный государственный университет (г. Курск, Россия)
1 Kiselevalexey1990@gmail.com, 2 SFilist@gmail.com, 3 book.hp.2015@gmail.com, 4 lera.pesok@mail.ru,
5 lera.pesok@mail.ru, 6 shatolg@mail.ru

Постановка проблемы. Важной проблемой дифференциальной диагностики кардиореспираторных заболеваний являются затруднения в применении стандартных тестов. Длительный мониторинг сигнала дыхания не представляется возможным, так как требует осуществления дыхания через лицевую маску, что неприемлемо в условиях реанимации или в процессе активной жизнедеятельности. Выходом из этой ситуации является использование в качестве носителей информации о функциональном состоянии системы дыхания хорошо изученных и легко доступных для длительного мониторинга кардиосигналов и электромиосигналов дыхательных мышц, которые несут комплексную информацию о кардиореспираторной системе.

Цель. Повысить качество диагностики и прогнозирования функционального состояния кардиореспираторной системы путем использования методологии искусственного интеллекта в системах поддержки принятия клинических решений.

Результаты. За ключевой предиктор функционального состояния системы дыхания принят показатель кардиреспираторного синхронизма. Показатель кардиореспираторного синхронизма предложено вычислять на основе синхронности вариации спектра электромиосигнала дыхательных мышц и вариации спектра кардиосигнала в области ритма дыхания. Так как исследуются нестационарные сигналы, то для определения их спектральных характеристик использован вейвлет–анализ. При высоком показателе кардиореспираторного синхронизма спектр мощности электромиосигнала дыхательных мышц и спектр мощности кардиосигнала в том же частотном диапазоне изменяются синхронно, и показатель этой синхронности может быть использован для вычисления дескрипторов обучаемого классификатора. Дана структурная схема классификатора функционального состояния системы дыхания, позволяющая реализовать предложенный метод, а также рассмотрена методика вычисления интегрального показателя кардиореспираторного синхронизма, и методика построения пространства информативных признаков для классификатора функционального состояния системы дыхания.

Практическая значимость. Проведены экспериментальные и статистические исследования показателей качества разработанного классификатора на примере риска внебольничной пневмонии. Основные статистические показатели качества классификатора сопоставимы с показателями качества диагностики рентгенологических исследований на той же контрольной выборке, что позволяет рекомендовать его для клинической практики.

Киселев А.В., Филист С.А., Алавси Хайдер А.Х., Песок В.В., Пшеничный А.Е., Шаталова О.В. Метод классификации функционального состояния системы дыхания, основанный на контроле показателей кардиореспираторного синхронизма // Биомедицинская радиоэлектроника. 2024. T. 27. № 2. С. 5−12. DOI: https://doi.org/10.18127/j15604136-202402-01

1. Huang Yu Chen, Ting Yu Lin, Hau Tieng. Cardiorespiratory Coupling is Associated with Exercise Capacity in Patients with Chronic Obstructive Pulmonary Disease. BMC Pulmonary Medicine. 2021; 21(1): 22 (1-10). DOI: 10.1186/s12890-021-01400-1
2. Филист С.А., Кузьмин А.А., Алавcи Хайдер А.Х., Песок В.В., Пшеничный А.Е. Классификации функционального состояния системы дыхания на основе анализа кардиореспираторного синхронизма // International Journal of Open Information Technologies. 2023; 11 (4): 21–28. ISSN: 2307-8162.
3. Гришин О.В., Гришин В.Г., Коваленко Ю.В. Вариабельность легочного газообмена и дыхательного ритма // Физиология человека. 2012. Т. 38. № 2. С. 87–93.
4. Петрова Т.В., Филист С.А, Дегтярев С.В., Киселев А.В., Шаталова О.В. Предикторы синхронности системных ритмов живых систем для классификаторов их функциональных состояний // Системный анализ и управление в биомедицинских системах. 2018. Т. 17. № 3. С. 693–700.
5. Ren Y., Zhang J. Increased Cardiorespiratory Synchronization Evoked by a Breath Controller Based on Heartbeat Detection. BioMed Eng OnLine. 2019; 18: 61. DOI:10.1186/s12938-019-0683-9
6. Мяснянкин М.Б., Филист С.А., Киселев А.В., Кузьмин А.А. Формирование дескрипторов для классификаторов функционального состояния системы дыхания на основе спектрального анализа электрокардиосигнала // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборо­строение. 2020. Т. 10. № 3/4. С. 8–28.
7. Киселев А.В., Кузьмин А.А., Мяснянкин М.Б., Маслак А.А., Филист С.А., Рыбочкин А.Ф. Классификация функционального состояния системы дыхания на основе анализа вариабельности медленных волн VLF диапазона // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборо­строение. 2022. Т. 12. № 1. С. 8–32. DOI: 10.21869/2223-1536-2022-12-1-8-32
8. Filist  S.A.,  Al-Kasasbeh R.T., Shatalova O.V., Btoush M.H., Namazov M., Shaqadan A.A., Alshamasin M., Korenevskiy N., Aloqeili S., Myasnyankin M.B. Biotechnical Neural Network System for Predicting Cardiovascular Health State Using Processing of Bio-Signals [Electronic Resource] // International Journal of Medical Engineering and Informatics. 2022; 1. URL: https://www.scilit.net/ journal/2329896. DOI:10.1504/IJMEI.2022.10047451 (date accessed 25.07.2023).
9. Филист С.А., Али Кассим К.Д., Кузьмин А.А., Шаталова О.В., Алябьев Е.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур // Известия Юго-Западного государственного университета. 2016. № 4 (67). С. 56–68.
10. Филист С.А., Шашкова Е.А., Шаталова О.В., Томакова Р.А. Анализ биомедицинских изображений различными методами сегментации, основанными на операторах вычисления градиента // Перспективы развития информационных технологий. 2011. № 3-1. С. 146–150.
11. Ефремов М.А., Старцев E.A., Рыбочкин А.Ф., Шаталова О.В., Серебровский В.В. Модели формирования пространства информативных признаков для прогнозирования инсультов по результатам исследования переходных процессов в аномальных зонах электропроводности в экспериментах in vivo // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2017. Т. 7. № 3 (24). С. 120–131.
12. Курочкин А.Г., Жилин В.В., Суржикова С.Е., Филист С.А. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков // Прикаспийский журнал: управление и высокие технологии. 2015. № 3 (31). С. 85–95.
13. Филист С.А., Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35–39.
14. Khatatneh K., Filist S., Al-Kasasbeh R.T., Aikeyeva A.A., Namazov M., Shatalova O., Shaqadan A. and Miroshnikov A. Hybrid Neural Networks with Virtual Flows in Medical Risk // Journal of Intelligent & Fuzzy Systems. 2022; 43 (1): 1621–1632. URL: https://www.elibrary.ru/item.asp?id=48718437. DOI: 10.3233/JIFS-212617
15. Филист С.А., Салем Х.А.Р., Шаталова О.В., Руденко В.В. Модели нечетких нейронных сетей с трехстабильным выходом в инструментарии для психологических и физиологических исследований // Системный анализ и управление в биомедицинских системах. 2007. Т. 6. № 2. С. 475–479.
16. Ефремов М.А., Филист C.А., Шаталова О.В., Старцев E.A., Шульга Л.В. Гибридные нечеткие модели для прогнозирования возникновения и осложнений артериальной гипертензии с учетом энергетических характеристик биоактивных точек // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2018. Т. 8. № 4 (29). С. 104–119.
17. Киселев А.В., Петрова Т.В., Шаталова О.В. Гибридные решающие модули c виртуальными потоками в классификаторах функционального состояния сложных систем // Нейроинформатика, её приложения и анализ данных: материалы XXVI Всероссийского семинара (28–30 сентября 2018 г.). Красноярск: Институт вычислительного моделирования СО РАН, 2018. С. 79–85.
18. Комлев И.А., Шаталова О.В., Дегтярев С.В., Серебровский А.В. Прогнозирование и оценка степени тяжести ишемии сердца на основе гибридных нечётких моделей // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9. № 1 (30). С. 133–145.
19. Суржикова С.Е., Шаталова О.В., Федянин В.В. Программно-аппаратный комплекс диагностики социально значимых заболеваний // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2015. № 2 (15). С. 79-87.
20. Мохаммед Авад Али, Шаталова О.В., Аль-Кдаси Адел Мохаммед, Снопков В.Н. Моделирование влияния электрокардиосигнала на оценку динамической составляющей биоимпеданса // Медицинская техника. 2013. № 4 (280). С. 30–32.
21. Shatalova O., Filist S., Korenevskiy N., Protasova Z., Taha Al-kasasbeh R., Shaqadan A., Ilyash M., Rybochkin A. Application of fuzzy neural network model and current-voltage analysis of biologically active points for prediction post-surgery risks // Computer Methods in Biomechanics and Biomedical Engineering. 2021. V. 24. No. 13. P. 1504–1516. DOI: https://doi.org/10.1080/10255842. 2021.1895128