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

Работа посвящена актуальной задаче контроля и повышения качества электрокардиографического сигнала за счет обнаружения искажений, приводящих к снижению достоверности диагностической информации и, как следствие, к ложным заключениям. Исследована возможность комплексирования дискретного вейвлет-преобразования и искусственных нейронных сетей (ИНС) для решения указанной задачи. Для исследования были созданы базы данных образов электрокардиограммы (ЭКГ) с искажениями и без них, обработка которых осуществлялась с помощью вейвлет-разложения на детализирующие и аппроксимирующие коэффициенты. Решена задача обнаружения искажений с помощью ИНС, на этапе обучения которой использовались детализирующие коэффициенты. Экспериментально показана возможность применения данного подхода для обнаружения с высокой эффективностью искажений в ЭКГ.

 

1. Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход / Пер. с англ. под ред. А.П. Немирко. М.: ФИЗМАТЛИТ. 2007. 440 с.
2. Всемирная организация здравоохранения. http://www.who.int/mediacentre/factsheets/fs317/ru/.
3. Arie C Maan, Erik W van Zwet, Sumche Man, Suzanne MM Oliveira-Martens, Martin J Schalij, Cees A Swenne. Assessment of Signal Quality and Electrode Placement in ECGs using a Reconstruction Matrix // Computing in Cardiology. 2011. V. 38. P. 289−292.
4. Козюра А.В. Оценка диагностической значимости электрокардиографического сигнала // Труды Х Междунар. научной конф. «Физика и радиоэлектроника в медицине и экологии». Владимир. 2012. Т. 1. С. 152−155.
5. Akay M. Wavelet Applications in Medicine // IEEE Spectrum. 1997. V. 34. № 5. P. 50−56.
6. David R Achanccaray, Marco A Meggiolaro. Detection of artifacts from EEG data using wavelet transform, high-order statistics and neural networks. RiodeJaneiro. Brasil.2010.
7. Аль-Хайдри В.А., Исаков Р.В., Сушкова Л.Т. Обзор основных методов обнаружения артефактов в биомедицинских сигналах // ФРЭМЭ-2014. С. 379−382.
8. Иванько Е.О., Иванушкина Н.Г., Синекоп Ю.С. Многоуровневый анализ электрокардиограмм для выявления поздних потенциалов предсердий // Электроника и связь. Тематический выпуск «Электроника и нанотехнологии». Ч. 2. 2009.
9. Геппенер В.В., Лейтане М.Я., Черниченко Д.А. Применение wavelet-преобразования для классификации артефактов в электроэнцефалографических сигналах // Междунар. конф. по мягким вычислениям и измерениям (SCM-2000). Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина).
10. Josy Joy, P.Manimegalai. Wavelet Based EMG Artifact Removal From ECG Signal // Journal of Engineering, Computers & Applied Sciences (JEC&AS). August 2013. V. 2. № 8.
11. Deepak Vala, Tanmay Pawar, Thakar V.K. Identification and Analysis of Motion Artifact in Ambulatory ECG Signal in 1‑D and 2‑D. International // Journal of Emerging Technology and Advanced Engineering. September 2013. V. 3. № 9.
12. Григорьев Д.С., Спицын В.Г. Применение нейронной сети и дискретного вейвлет-преобразования для анализа и классификации электрокардиограмм. Томский политехнический университет. 2012.
13. Н.А. Аль-Хулейди., Исаков Р.В., Сушкова Л.Т. Исследование методов кодирования выходов искусственных нейронных сетей при классификации вариабельности сердечного ритма // Нейрокомпьютеры: разработка, применение. 2013. № 6. С. 48−54.
14. P. Senthil Kumar, Arumuganathan R., Sivakumar K., and Vimal C. Removal of Ocular Artifacts in the EEG through Wavelet Transform without using an EOG Reference Channel // Int. J. Open Problems Compt. Math. December 2008. V. 1. № 3. С. 188−200.
15. Слепнев Е.С. Применение искусственных нейронных сетей для анализа предаварийных ситуаций турбоагрегатов электростанций // Интернет-журнал «Науковедение». Май-Июнь 2014. Вып. 3.
16. Hassoun M.H. Fundamentals of Artificial Neural Networks. TheMITPress. 1995. 511 p.
17. Лкричевскии М. Интеллектуальные методы в менеджменте. СПб: Питер. 2005. 304 с.
18. Калацкая Л.В., Новиков В.А., Садов В.С. Организация и обучение искусственных нейронных сетей: Учеб. пособие для студентов. Минск. 2002.
19. Заенцев И.В. Нейронные сети: основные модели: Учеб. пособие к курсу «Нейронные сети». Воронежский государственный университет. Воронеж. 1999.
20. Аль-Хайдри В.А., Исаков Р.В., Сушкова Л.Т. Исследование влияния выбора функций активации на эффективность работы многослойного персептрона // Нейрокопмьютеры: разработка и применение. 2015. № 7. С. 60−66.
21. Ясницкий Л.Н. Искусственный интеллект: популярное введение для учителей и школьников. http://inf.1september.ru/view_article.php-ID=200902304.