350 руб
Журнал «Динамика сложных систем - XXI век» №1 за 2017 г.
Статья в номере:
Возможности применения искусственных нейронных сетей для классификации фонокардиографических сигналов
Ключевые слова: фонокардиограмма (ФКГ) классификация искусственные нейронные сети (ИНС)
Авторы:
В.М. Аед - аспирант, кафедра «Биомедицинские и электронные средства и технологии», Владимирский государственный университет им. А.Г. и Н.Г. Столетовых E-mail: walid_aed@mail.ru В.А. Аль-Хайдри - аспирант, кафедра «Биомедицинские и электронные средства и технологии», Владимирский государственный университет им. А.Г. и Н.Г. Столетовых E-mail: fawaz_tariq@mail.ru Р.В. Исаков - к.т.н., доцент, кафедра «Биомедицинские и электронные средства и технологии», Владимирский государственный университет им. А.Г. и Н.Г. Столетовых E-mail: Isakov-RV@mail.ru Л.Т. Сушкова - д.т.н., профессор, зав. кафедрой «Биомедицинские и электронные средства и технологии», Владимирский государственный университет им. А.Г. и Н.Г. Столетовых E-mail: ludm@vlsu.ru
Аннотация:
Предложен алгоритм классификации функциональных состояний (ФС) сердца по фонокардиограмме (ФКГ) на основе искусственных нейронных сетей (ИНС), который представляется более перспективным благодаря своей универсальности, простоте и наглядности. Рассмотрен вопрос точности сегментации фонокардиосигнала (ФКС) и корректности подготовки информативных данных для ИНС. Классификация функциональных состояний проведена по типу «Норма» или «Патология». На основе полученных в данной работе результатов классификации ФС показана высокая эффективность данного подхода, что подтверждено значениями общепризнанных критериев: чувствительность (90,06%) и специфичность (87,89%). Это свидетельствует о высокой эффективности оценки ФС сердца по ФКГ. Отмечено, что разработанный алгоритм дает качественный инструмент врачу для постановки первичного диагноза при использовании простой технологии фонокардиографии.
Страницы: 33-39
Список источников

 

  1. Слепнев Е.С. Применение искусственных нейронных сетей для анализа предаварийных ситуаций турбоагрегатов электростанций // Науковедение (Интернет-журнал). Май-июнь 2014. № 3.
  2. Аль-Хайдри В.А. Исаков Р.В., Сушкова Л.Т. Методика оценки эффективности нейросетевой системы анализа электрокардиографического сигнала // Доклады 12‑й межд. научн. конф. «Физика и радиоэлектроника в медицине и экологии». Владимир. 2016. Кн. 1. С. 134−137.
  3. Рангайан Р.М. Анализ биомедицинских сигналов. Практический подход: Пер. с англ. Под ред. А.П. Немирко. М.: ФИЗМАТЛИТ. 2007. 440 с.
  4. The relevance of the use of Holter monitoring of blood pressure and ECG. URL = http://www.incart.ru/text.jsp-id=10473.
  5. Краснов Л.А., Олейник В.П.Х. Фонокардиография. Технические средства электронной и компьютерной диагностики в медицине: Учеб. пособие. Харьков: Харьковский авиационный институт. 2013. 64 с.
  6. Фонокардиография. URL = http://www.serdechno.ru.
  7. Минкин Р.Б., Павлов К.Д. Электрокардиография и фонокардиография. Л.: Медицина. 1980.
  8. Милославский Я.М., Ходжаева Д.К. Основные инструментальные методы исследования сердца. Казань: Изд-во КГУ. 1983. 143 с.
  9. Кушаков В.И. Практическая фонокардиография: Учеб. пособие. М.: Центральный институт усовершенствования врачей. 1989. 48 с.
  10. Kao WC, Wei CC. Automatic phonocardiograph signal analysis for detecting heart valve disorders // Expert Systems with Applications. 2011. V. 38. № 6. P. 6458−68.
  11. Huiying L, Sakari L, Iiro H. A heart sound segmentation algorithm using wavelet // 19th International Conference IEEE/EMBS. Chicago. IL. 1997.
  12. Wang P., Lim C.S., Chauhan S., Foo J.Y., Anantharaman V. Phonocardiographic signal analysis method using a modified hidden markov model. // Annals of Biomedical Engineering. 2007. V. 35. P. 367−374.
  13. Tanachat Nilanon, Jiayu Yao, Junheng Hao, Sanjay Purushotham, Yan Liu. Normal /abnormal heart sound recordings classification using convolutional neural network department of computer science // University of Southern California Los Angeles. California. 2016. 90089 USA.
  14. Iga Grzegorczyk, Mateusz Soliński, Michał Łepek, Anna Perka, Jacek Rosiński, Joanna Rymko, Katarzyna Stępień, Jan Gierałtowski. PCG Classification Using a Neural Network Approach. Faculty of Physics, Warsaw University of Technology. Warsaw. Poland. 2016.
  15. Physionet/cinc Challenge 2016: Training Sets. URL = https://www.physionet.org/challenge/2016/.
  16. L. Hamza Cheri, S.M. Debbal. Algorithm for detection of the internal components of the heart sounds and their split using a Hilbert transform // Journal of medical engineering and technology. 2013. V. 37. № 3. P. 220−230.
  17. Ясницкий Л.Н. Искусственный интеллект: популярное введение для учителей и школьников.
  18. URL = http://inf.1september.ru/view_article.php-ID=200902304.
  19. Аед В.М., Исаков Р.В., Сушкова Л.Т., Аль-Хайдри В.А. Алгоритм построения кардиоинтервалограммы на основе фонокардиограммы // Радиотехнические и телекоммуникационные системы. 2016. № 2. С. 34−42.
  20. Аед В.М., Исаков Р.В., Сушкова Л.Т. Обзор методов обработки фонокардиограммы // Доклады 12‑й Междунар. научная конф. «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ). 2016. Владимир-Суздаль. Россия. Кн. 1. С. 138−144.