А.И. Власов1, С.Э. Гюльмалиева2, Ю.С. Либер3, С. Абдулкадер4
1–4 МГТУ им. Н.Э. Баумана (Москва, Россия)
Постановка проблемы. Задача диагностики заболевания решается не всегда корректно, т.е. заключение о состоянии сердечно-сосудистой системы не всегда соответствует ее истинному состоянию из-за погрешностей измерений, различных артефактов и недостаточной квалификации врача. Для исключения таких факторов при разработке алгоритмов анализа и выявления диагностического заключения, необходимо иметь полное описание различных ССЗ, определяемых по ЭКГ, прежде всего БД, содержащие ЭКГ пациентов с различными заболеваниями и отклонениями в ЭКГ.
Цель. Систематизировать и обобщить способы применения систем искусственного интеллекта для анализа электрокардиограмм.
Результаты. Предложена классификация методов получения информации о сердечной активности. Основное внимание уделено вопросам компьютерной обработки результатов анализа сердечной деятельности различными методами. Проанализированы принципы построения баз данных, содержащих результаты диагностики сердечной деятельности для пациентов с различными отклонениями, и возможности их использования для обучений нейронных сетей. Сделан обзор литературы о текущем состоянии и возможности развития систем искусственного интеллекта в электрокардиографии. Проанализированы перспективы применения методов машинного обучения для анализа биоэлектрической активности сердца. Кратко рассмотрены примеры решений для диагностики разных сердечно-сосудистых заболеваний.
Практическая значимость. Результаты работы могут быть использованы для создания различных типов нейросетей для автоматизированного анализа электрокардиограмм и формирования диагностического заключения.
Власов А.И., Гюльмалиева С.Э., Либер Ю.С., Абдулкадер С. Применение систем искусственного интеллекта в электрокардиографии // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 4. С. 36-52. DOI: https://doi.org/10.18127/j19998554-202201-04
- Орлов В.Н. Руководство по электрокардиографии. Изд. 9-е, испр. М.: Медицинское информационное агентство. 2017. 560 с.
- Галанин В.В. Физические основы электрографии // Вестник медицинского института «РЕАВИЗ»: реабилитация, врач и здоровье. 2013. № 4(12). С. 35–41.
- Власов А.И., Конькова А.Ф. Медико-диагностические экспертные системы для оценки адекватности адаптивной реакции организма на воздействие экстремальных факторов // Конверсия. 1995. № 9–10. С. 18–21.
- Мустафаев А.Г. Использование нейросетевых методов для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы // Кибернетика и программирование. 2019. № 1. С. 66–74.
- Ревенко С.В. Гармонические перспективы реографии // Нервно-мышечные болезни. 2012. № 4. С. 8–18.
- Atzler E., Lehmann G. Űberein Neues Verfahrenzur Darstellung der Hertztätigkeit (Dielektrographie) // Arbeitsphysiol 1931/32. V. 6. P. 636–680.
- Mann H. Study of peripheral circulation by means of alternating current bridge // Proc. Soc. Exp. Biol. Med. 1937. № 36. P. 670–673.
- Rosa L. Diagnostische Anwendung des Kurzwellenfeldes in der Herz und Kreislaufpathologie (Radiokardiographie) // Z. Kreislaufforsch. 1940. № 32. P. 118–135.
- Nyboer J., Bango S., Barnett A., Halsey R.H. Radiocardiograms: the electrical impedance changes of the heart in relation to electrocardiograms and heart sounds // J. Clin. Invest. 1940. № 19(5). P.773–778.
- Кедров А.А. О новом методе определения пульсовых колебаний кровенаполнения сосудов в различных участках человеческого тела // Клин. мед. 1941. № 19(1). C. 71–80.
- Кедров А.А. Попытка количественной оценки центрального и периферического кровообращения электрометрическим путем // Клин. мед. 1948. № 26(5). C. 32–51.
- Кедров А.А., Либерман Т.Ю. О так называемой реокардиографии // Клин. мед. 1949. № 27(3). C. 40–46.
- Holtzer W., Polzer K., Mario A. RKG Rheography. A Method of Circulation Investigation and Diagnosis in Circular Motion. Vienna: Wilhelm Maudrich. 1946.
- Nyboer J. Regional pulse volume and perfusion flow electrical impedance plethysmography // Arc. Intern. Med. 1960. № 105(9). P. 264–276.
- Nyboer J. Highlights in electrical impedance plethysmography or pulse volume and flow indices derived from segmental electrical characteristics // Data Acquisition and Processing in Biology and Medicine. Oxford. 1962. P. 133–145.
- Nyboer J. Electrical Impedance Plethysmography. Springfield. 1970.
- Pratesi F., Deidda C., Nuti A., Caramelli L. Selective rheography of the vertebral arteries and carotids in encephalic vascular diseases // Ann. N.-Y. Acad. Sci. 1970. V.170 (Part 2). P. 627–644.
- Schuhfried O., Wiesinger G., Kollmitzer J. et al. Fourier analysis of impedance rheography for peripheral arterial occlusive disease // Eur. J. Appl. Physiol. 2003. № 89. P. 384–638.
- Пушкарь Ю.Т. Исследование сократительной функции сердца при сердечно-сосудистых заболеваниях при помощи реографии аорты и легких // Тер. арх. 1961. № 3(1). С. 88–96.
- Пушкарь Ю.Т., Толпехин В.Е. Опыт применения раздельной реографии аорты и легкого у больных тетрадой Фалло // Кардиология. 1967. № 7(2). С. 42–46.
- Петраш В.В., Лазарев С.М., Данилов Е.Н. Механизмы формирования интраваскулярной реоплетизмограммы в системе легочной артерии // Вест. хирургии. 1981. № 126(6). C. 6–10.
- Фролькис А.В., Борисова Г.В. Использование математических методов при анализе формы реограмм печени // Вопросы патологии печени и поджелудочной железы. 1968. C. 42–43.
- Фролькис А.В., Борисова Г.В. Опыт использования гармонического анализа для количественной оценки формы реограмм печени // Сов. мед. 1973. № 36(3). С. 33–37.
- Фролькис А.В., Борисова Г.В. Количественная оценка формы реограмм методом гармонического анализа // Кардиология. 1974. № 14(4). C. 130–133.
- Стрелецкий Г.Н., Василенко И.С. Реография печени при дифференциальной диагностике обструктивной желтухи // Хирургия. 1975. № 9. C. 96–101.
- Николаев Д.В., Смирнов А.В., Бобринская И.Г., Руднев С.Г. Биоимпедансный анализ состава тела человека. М.: Наука. 2009. 392 с.
- Заирова А.Р., Рогоза А.Н. Объемная сфигмография сегодня // Медицинский алфавит. 2018. № 4(36). C. 8–18.
- Савицкий Н.Н. Биофизические основы кровообращения и клинические методы исследования гемодинамики. Л.: Медицина. 1974. 309 с.
- Блинова Е.В., Сахнова Т.А., Юрасова Е.С., Комлев А.Е., Имаев Т.Э. Фонокардиография: новые возможности в свете цифровых технологий // Кардиологический вестник. 2018. Т. 13. № 2. С. 15–21.
- Кипенский А.В., Шамардина В.Н., Дейнеко Д.М. Электрокардиография: Учебно-методическое пособие. Харьков: НТУ «ХПИ». 2002. 52 с.
- Зарецкий А.П., Митягин К.С., Тарасов В.С., Мороз Д.Н. Оценка параметров дыхательной активности пациента на основе данных фотоплетизмографии // Труды Московского физико-технического института (национального исследовательского университета). 2019. Т. 11. № 3(43). С. 61–69.
- Мурашко В.В., Струтынский А.В. Электрокардиография. 6-е изд. М.: МЕДпрессинформ. 2004. 320 с.
- Геселовиц Д. Б. К теории электрокардиограммы // Proc IEEE. Т. 77. № 857. 1989. 446 с.
- Дубровин В.И., Твердохлеб Ю.В. Усовершенствование методов анализа ЭКГ-сигналов на основе вейвлет-преобразования в системе электрокардиографии высокого разрешения // Радиоэлектроника, информатика, управление. 2011. № 1(24). С. 91–98.
- Эберт Г.-Х. Простой анализ ЭКГ: интерпретация, дифференциальный диагноз / Пер. с англ. под ред. Кокорина В.А. М.: Логосфера. 2010. 280 с.
- Елисеева Л.Н., Сирунянц А.А., Самородская Н.А., Басте З.А. Основы электрокардиографии для студентов медицинских вузов (обучающий материал и атлас учебных электрокардиограмм) // Международный журнал экспериментального образования. 2012. № 10. С. 98–99.
- Науменко А.И., Скотников В.В. Основы электроплетизмографии. Л.: Медицина. 1975. 216 с.
- Исаков Р.В. Алгоритмы предварительной обработки электрокардиосигнала для нейросетевого анализа // Сборник трудов научной школы по биомедицинской инженерии. СПб.: Изд-во СПГТУ. 2009. С. 82–87.
- Prudius A.A., Karpunin A.A., Vlasov A.I. Analysis of machine learning methods to improve efficiency of big data processing in industry 4.0 // Journal of Physics: Conference Series. 2019. № 032065.
- Адамова А.А., Зайкин В.А., Гордеев Д.В. Методы и технологии машинного обучения и нейросетевых технологий в задачах компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 4. С. 25–39.
- Yuldashev M.N., Vlasov A.I., Novikov A.N. Energy-efficient algorithm for classification of states of wireless sensor network using machine learning methods // Journal of Physics: Conference Series. 2018. V. 1015. № 032153.
- Гельцер Б. И., Циванюк М. М., Шахгельдян К. И., Рублев В. Ю. Методы машинного обучения как инструмент диагностических и прогностических исследований при ишемической болезни сердца // Российский кардиологический журнал. 2020. Т. 25. № 12. DOI:10.15829/1560-4071-2020-3999
- Verma L, Srivastava S, Negi P.C. A Hybrid Data Mining Model to Predict Coronary Artery Disease Cases Using Non-Invasive Clinical Data // J. Med. Syst. 2016. V. 40(7). P. 178.
- Kozlova E.V., Starostin I.V., Bulkina O.S. et al. Evaluation of the prevalence of cardiovascular events and mortality in stable coronary heart disease patients depending on baselinecoronary collateral blood flow (five-year follow-up) // Russian Journal of Cardiology. 2018. V. 3. P.11–16.
- Sridhar C., Acharya U.R., Bairy G.M. Automated diagnosis of Coronary Artery Diseaseusing nonlinear features extracted from ECG signals // IEEE International Conference on Systems, Man, and Cybernetics (SMC). Budapest, 2016. P. 000545-000549.
- Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении // Информационное общество. 2017. № 4–5. С. 78–93.
- Переверзев И.А., Квасницкий В.Н. Эффективные алгоритмы построения нейронной сети на основании оценки входных параметров (Глубокое машинное обучение) // Вестник Московского финансово-юридического университета. 2016. № 1. С. 253–261.
- Тихонов А.А. Большие данные и глубокое машинное обучение в искусственных нейронных сетях // Наука и образование сегодня. 2018. № 6 (29). С. 35–38.
- Кодиров Э.С.У., Халилов З.Ш. Взаимосвязи и различия между “Deep Learning” и “Machine Learning” // Universum: технические науки. 2020. № 7-1 (76). С. 23–25.
- Bizopoulos P., Koutsouris D. Deep Learning in Cardiology // IEEE Rev Biomed Eng. 2019. V. 12. P. 168–193. DOI: 10.1109/RBME.2018.2885714
- Al Rahhal M.M., Bazi Y., Al Hichri H., Alajlan N., Melgani F., Yager R.R. Deep learning approach for active classification ofelectrocardiogram signals // Information Sciences. 2016. V. 345. P. 340–354.
- Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. М.: Изд-во Машиностроение. 2000. 64 с.
- Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
- Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31.
- Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
- Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы. Управление, контроль, диагностика. 1999. № 2. С. 61–65.
- Адамова А.А., Шведова А.Г., Фирсов А.А. Анализ применения элекрофизических методов и средств в психиатрии и неврологии // Технологии инженерных и информационных систем. 2019. № 3. С. 53–62.
- Juarez-Orozco L.E., Saraste A., Capodanno D. et al. Impact of a decreasing pre-test probability on the performance of diagnostic tests for coronary artery disease // Eur. Heart J. Cardiovasc. Imaging. 2019. V. 20(11). P. 1198–1207. DOI: 10.1093/ehjci/jez054
- Knuuti J., Wijns W., Saraste A., et al. 2019 ESC Guidelines on the diagnosis and management of chronic coronary syndromes: The Task Force for diagnosis and management of chronic coronary syndromes of the European Society of Cardiology (ESC) // Eur. Heart J. 2019. V. 41(3). P. 407–477. DOI:10.1093/eurheartj/ehz425
- Bae Y., Kang S-J., Kim G., et al. Prediction of coronary thin-cap fibroatheroma by intravascular ultrasound-based machine learning // Atherosclerosis. 2019. V. 288. P. 168–174. DOI: 10.1016/j.atherosclerosis.2019.04.228
- Ahmadi E., Weckman G.R., Masel D.T. Decision making model to predict presence of coronary artery disease using neural network and C5.0 decision tree // J. Ambient. Intell. Human Comput. 2017. V. 9(4). P. 999–1011. DOI: 10.1007/s12652-017-0499-z
- Acharya U.R., Sudarshan V.K., Koh J.E.W., et al. Application of higher-order spectra for the characterization of Coronary artery disease using electrocardiogram signals // Biomedical Signal Processing and Control. 2017. V. 31. P. 31–43. DOI: 10.1016/j.bspc.2016.07.003
- Jiang C., Song S., Meng M. Q.-H. Heartbeat classification system based on modified stacked denoisingautoen coders and neuralnetworks // Information and Automation (ICIA). 2017 IEEE International Conference on IEEE. 2017. P. 511–516.
- Yang J., Bai Y., Lin F., Liu M., Hou Z., and Liu X. A novelelectro cardiogram arrhythmia classification method based on stackedsparse auto-encoders and softmax regression // International Journal of Machine Learning and Cybernetics. 2017. P. 1–8.
- Rajpurkar P., Hannun A.Y., Haghpanahi M., Bourn C., Ng A.Y. Cardiologist-level arrhythmia detection with convolutional neuralnetworks // arXiv preprint arXiv:1707.01836. 2017.
- Schwab P., Scebba G. C., Zhang J., Delai M., Karlen W. Beat bybeat: Classifying cardiac arrhythmias with recurrent neural networks // Computing. 2017. V. 44. P. 1.
- Yao Z., Zhu Z., and Chen Y. Atrial fibrillation detection by multiscale convolutional neural networks // Information Fusion (Fusion) 20th International Conference on IEEE. 2017. P. 1–6.
- Xiong P., Wang H., Liu M., Liu X. Denoising autoencoder for eletrocardiogram signal enhancement // Journal of Medical Imaging and Health Informatics. 2015. V. 5. № 8. P. 1804–1810.
- Wu J., Bao Y., Chan S.-C., Wu H., Zhang L., Wei X.-G. Myocardial infarction detection and classification - a new multi-scale deep feature learning approach // Digital Signal Processing (DSP), 2016 IEEE International Conference on. IEEE. 2016. P. 309–313.
- Zubair M., Kim J., Yoon C. An automated ECG beat classification system using convolutional neural networks // IT Convergence and Security (ICITCS), 2016 6th International Conference on. IEEE. 2016. P. 1–5.