Способ диагностики состояния сердечно-сосудистой системы

Иллюстрации

Показать все

Изобретение относится к медицине и предназначено для диагностики состояния сердечно-сосудистой системы. Моделируют выбранные состояния или признаки, сравнивают информационные параметры характерных особенностей состояния или признака модели с информационными параметрами характерных особенностей исходного состояния или признака пациента, корректируют определение ключевых слов, создание основных карт описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков и параметры модели до обеспечения заданного уровня совпадения информационных параметров состояния и признака модели с характерными особенностями исходного состояния или признака пациента и синтезируют реалистическое трехмерное изображение полученного состояния или признака модели с характерными особенностями. При моделировании осуществляют получение информационных параметров характерных особенностей выбранного состояния или признака путем создания модели, параметры которой и параметры пациента находятся в определенных однозначных отношениях подобия. Способ позволяет повысить качество и расширить функциональные возможности диагностики состояния сердечно-сосудистой системы. 3 з.п.ф-лы, 21 ил.

Реферат

Предлагаемое изобретение относится к медицине, в частности к кардиологии, и может быть использовано в клинических и экспериментальных исследованиях как электрокардиографический способ диагностики состояния сердечно-сосудистой системы и наглядного представления состояния сердца.

Известна компьютерная диагностическая система «Поли-Спектр-12» [1], реализующая неинвазивный способ автоматической синдромной диагностики изменений контура электрокардиограммы (ЭКГ), основанный на регистрации ЭКГ, анализе ее информационных параметров, сравнения полученных результатов с предварительно занесенными в базу данных значениями соответствующих состояний сердечно-сосудистой системы и выдаче диагноза из базового словаря диагностических терминов.

Недостатками данного способа диагностики состояния сердечно-сосудистой системы являются ограниченность базового словаря диагностических терминов, отсутствие возможности моделирования состояния сердечно-сосудистой системы и невозможность получить наглядную реалистичную картину процесса функционирования сердца.

Наиболее близким по достигаемому результату к предлагаемому изобретению является компьютеризованная система медицинской диагностики, реализующая способ диагностики состояния пациента [2], заключающийся в том, что определяют ключевые слова, описывающие характерные особенности каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, создают доступную для поиска компьютерную форму основной карты описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, используя ключевые слова, обеспечивают доступ к основным картам базы данных в компьютере и сравнивают введенные ключевые слова с ключевыми словами, связанными с каждой основной картой, и определяют, какие состояния или признаки, представленные основными картами, имеют самую высокую степень совпадения с введенным описанием, и показывают эти состояния или признаки на дисплее.

Недостатками данного способа диагностики состояния сердечно-сосудистой системы являются отсутствие возможности моделирования состояния сердечно-сосудистой системы и невозможность получить наглядную реалистичную картину процесса функционирования сердца.

На фиг.1 приведены блок-схема алгоритма и структура компьютерной диагностической системы, реализующие известный способ диагностики состояния пациента. На блок-схеме приняты следующие обозначения:

1 - ключевые слова;

2 - база данных;

3 - диагноз.

Как следует из описания, известный способ диагностики состояния сердечно-сосудистой системы предполагает построение базы данных по ключевым словам, характеризующим особенности состояния сердечно-сосудистой системы, обеспечение диагностики по введенным ключевым словам, использование компьютера для сравнения ключевых слов и определения по критерию максимального соответствия наиболее подходящего для данного ключевого слова диагноза.

Однако, по мнению авторов предлагаемого изобретения, известный способ диагностики состояния сердечно-сосудистой системы (см. фигуру 1) не предоставляет возможности повышения качества диагноза в смысле представления пользователю новой диагностической информации. Действительно, диагностика состояния сердечно-сосудистой системы определена заранее экспертами и заложена в базу данных. То есть пользователь компьютерной диагностической системы, реализованной по известному способу диагностики состояния сердечно-сосудистой системы, не имеет возможности получить достоверную диагностическую информацию, соответствующую конкретному состоянию сердечно-сосудистой системы, а только информацию, «имеющую самую высокую степень совпадения» этого конкретного состояния сердечно-сосудистой системы с предварительно введенным описанием. По мнению авторов предлагаемого изобретения, это является принципиальной отличительной особенностью известного способа.

Изобретение направлено на повышение качества и расширение функциональных возможностей способа диагностики состояния сердечно-сосудистой системы путем моделирования состояния сердечно-сосудистой системы и синтеза реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями.

Это достигается тем, что в способ диагностики медицинских состояний, заключающийся в определении ключевых слов, описывающих характерные особенности каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, создании доступной для поиска компьютерной формы основной карты описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков, используя ключевые слова, обеспечении доступа к основным картам базы данных в компьютере и сравнении введенных ключевых слов с ключевыми словами, связанными с каждой основной картой, и определении, какие состояния или признаки, представленные основными картами, имеют самую высокую степень совпадения с введенным описанием, и показе этих состояний или признаков на дисплее, введены моделирование выбранных состояний или признаков, сравнение информационных параметров характерных особенностей состояния или признака модели с информационными параметрами характерных особенностей исходного состояния или признака пациента, корректировка определения ключевых слов, создания основных карт описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков и параметров модели до обеспечения заданного уровня совпадения информационных параметров состояния или признака модели с характерными особенностями исходного состояния или признака пациента и синтез реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями.

При этом при моделировании осуществляют получение информационных параметров характерных особенностей выбранного состояния или признака путем создания модели, параметры которой и параметры пациента находятся в определенных однозначных отношениях подобия.

Кроме того, при корректировке осуществляют объективное соответствие информационных параметров выбранного состояния или признака информационным параметрам характерных особенностей исходного состояния или признака пациента путем сравнения и корректировки при необходимости начальных и граничных условий модели.

А также синтез реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями осуществляют средствами компьютерной графики в реальном времени и наиболее удобном для восприятия виде.

Введенные действия и их последовательность проявляют новые свойства, которые позволяют повысить качество диагноза и расширить функциональные возможности способа диагностики состояния сердечно-сосудистой системы.

Отличительной особенностью предлагаемого способа диагностики состояния сердечно-сосудистой системы является возможность получения новой диагностической информации. Реализация этой возможности осуществляется за счет моделирования состояния сердечно-сосудистой системы с новыми исходными данными. Модель является инструментом исследования и средством получения новой диагностической информации. «Основным свойством и характерным признаком модели является то, что она способна замещать объект на определенных этапах и давать при исследовании информацию о нем» [3, стр. 28].

На фиг.2 приведена блок-схема алгоритма, реализующего предлагаемый способ диагностики состояния пациента.

На фиг.3 приведена классификация групп заболеваний.

На фиг.4 показан пример составления ключевых слов.

На фиг.5 изображен двойной электрический слой S по поверхности электрически активного миокарда.

На фиг.6 показаны участки ЭКГ, сформированные на основании модели распространения возбуждения в сердце в данной модели.

На фиг.7 показана предварительная локализация с помощью нейронной сети места повреждения миокарда.

На фиг.8 представлена область Вороного.

На фиг.9 представлена экранная форма, поясняющая процесс распознавания сигнала ЭКГ и выдачи сформулированного предварительного диагноза о том, к какому заболеванию относится рассматриваемый сигнал ЭКГ.

На фиг.10 изображена зависимость интервала сходимости НС при увеличении количества входных векторов, подаваемых при обучении НС.

На фиг.11 изображена зависимость интервала сходимости НС по отношению ко всем классам заболеваний.

На фиг.12 показана текстура.

На фиг.13 представлена визуализация повреждений миокарда на синтезированном изображении сердца.

На фиг.14-21 представлены экранные формы компьютерной диагностической системы, реализующей предлагаемый способ диагностики состояния сердечно-сосудистой системы.

На блок-схеме алгоритма, реализующего предлагаемый способ диагностики состояния пациента (фиг.2), приняты следующие обозначения:

1 - моделирование характерного состояния пациента,

2 - диагноз,

3 - ключевые слова,

4 - поиск в базе данных,

5 - диагноз,

6 - моделирование характерного состояния пациента,

7 - сравнение информационных параметров характерных особенностей состояния или признака модели с информационными параметрами характерных особенностей исходного состояния или признака пациента,

8 - синтез реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями,

9 - корректировка определения ключевых слов, создания основных карт описания каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков и параметров модели до обеспечения заданного уровня совпадения информационных параметров состояния или признака модели с характерными особенностями исходного состояния или признака пациента.

Из анализа фигуры 2 следует, что моделирование характерного состояния пациента в предлагаемом способе осуществляется дважды (блоки 1 и 6).

В первом случае (блок 1) моделирование характерного состояния пациента направлено на решение обратной задачи моделирования: определение диагноза по введенным ключевым словам и предназначено для повышения достоверности диагноза. Действительно, с точки зрения теории надежности блоки 2 и 5 дублируют работу по определению диагноза. Допустим, что вероятности определения диагноза у блоков 2 и 5 соответственно равны p27=0,5. Тогда вероятности определения ложного диагноза у блоков 2 и 5 равны:

q2=1-p2=0,5,

q7=1-p7=0,5,

и вероятность определения правильного диагноза в предлагаемом способе составит

P=[1-q2*q7/(q2+q7)]=0,75.

Следовательно, в предлагаемом способе обеспечивается повышение достоверности и качества диагноза по сравнению с известным способом диагностики.

Таким образом, параллельная работа блоков 2 и 5 способствует повышению качества диагноза, тем более, что установление диагноза осуществляется разными методами:

- блок 2 устанавливает диагноз с помощью моделирования;

- блок 5 устанавливает диагноз с помощью накопленной базы данных.

Во втором случае (блок 6) моделирование характерного состояния пациента направлено на решение прямой задачи моделирования: определение ключевых слов по введенному диагнозу и предназначено для получения первичной диагностической информации, вызвавшей полученный диагноз. Степень достоверности полученного диагноза определяется путем сравнения информационных параметров смоделированного состояния сердечно-сосудистой системы с информационными параметрами состояния сердечно-сосудистой системы пациента.

Причин, которые приведут к характерному состоянию пациента, может быть бесчисленное множество. Возможность для получения новой диагностической информации в предлагаемом способе принципиально существует.

Для реализации предлагаемого способа диагностики состояния пациента необходимо выполнить следующие действия:

- составить базовый словарь диагностических терминов из ключевых слов;

- сформировать базу данных;

- обеспечить доступ к данным;

- разработать методы анализа первичной диагностической информации;

- зарегистрировать и определить параметры характерных особенностей состояния сердечно-сосудистой системы;

- смоделировать характерные особенности состояния сердечно-сосудистой системы;

- синтезировать реалистичное трехмерное изображение полученного состояния или признака модели с характерными особенностями.

Поясним особенности выполнения действий на каждом этапе. На первом этапе экспертами, врачами-кардиологами, определяются ключевые слова, которые однозначно и точно описывают то или иное характерное состояние или признак состояния сердечно-сосудистой системы человека из всех возможных состояний или признаков (составляется словарь базовых терминов). Затем эксперты разделяют ключевые слова на три различных класса слов:

- главные слова, которые описывают самую важную особенность характерного состояния или признака состояния сердечно-сосудистой системы человека;

- дескрипторные слова, которые расширяют описание главного слова, добавляя характерные особенности характерного состояния или признака состояния сердечно-сосудистой системы человека;

- дополнительные слова, которые расширяют описание дескрипторного слова, добавляя к дескриптору количественные характеристики информационных параметров характерных особенностей характерного состояния или признака состояния сердечно-сосудистой системы человека.

Состояние сердечно-сосудистой системы человека можно классифицировать по типу заболевания на группы заболеваний (см. фигуру 3). Название группы является главным словом ключевого слова, описывающим самую важную особенность заболевания. К дескрипторным словам относится более подробное описание заболевания, а к дополнительным словам - количественные характеристики информационных параметров заболевания. Пример составления ключевых слов приведен на фигуре 4, где граф описания заболевания представлен в виде иерархической структуры, каждый уровень которой соответствует определенной степени детализации описания заболевания. Отличительной особенностью составления ключевых слов в предлагаемом способе является представление в дополнительных словах количественных характеристик информационных параметров заболевания для модели сердечно-сосудистой системы.

Сердечно-сосудистая система представляет собою сложную функциональную систему со многими уровнями иерархической организации отдельных подсистем и механизмов саморегуляции. В качестве отдельных подсистем можно выделить клеточную подсистему, проводящую подсистему и сократительную подсистему, которые обеспечивают основные свойства сердечно-сосудистой системы: автоматизм, проводимость, возбудимость и сократимость. В совокупности эти свойства выделенных подсистем сердечно-сосудистой системы направлены на выполнение основной функции сердца - насосной функции для обеспечения кровоснабжения.

Таким образом, с учетом особенностей подсистем сердечно-сосудистой системы определяют ключевые слова, описывающие характерные особенности каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков сердечно-сосудистой системы.

На этапе создания базы данных определяются структура базы данных, сущности, их атрибуты и взаимосвязи. В предлагаемой компьютерной диагностической системе из всего многообразия СУБД выбор сделан в пользу InterBase [4]. InterBase - это система управления реляционными базами данных, поставляемая корпорацией Borland для построения приложений с архитектурой клиент-сервер произвольного масштаба: от сетевой среды небольшой рабочей группы с сервером Novell NetWare, Linux или Windows NT на базе IBM PC до информационных систем крупного предприятия на базе серверов IBM, Hewlett-Packard и SUN.

На этапе обеспечения доступа к данным сначала в предлагаемом способе диагностики состояния пациента доступ к медицинской информации в целях обеспечения безопасности осуществляется с помощью средств проверки полномочий и проверки подлинности [5]. В предлагаемой компьютерной диагностической системе хранится информация, относящаяся к разным классам безопасности - от полностью открытой до совершенно конфиденциальной. Часть пользователей (например, обычный пациент) не имеет доступа к информации с грифом «Совершенно конфиденциально». Поэтому средства доступа к данным организованы таким образом, что пользователь, имеющий низший уровень доступа, может пользоваться базой данных, содержащей конфиденциальные данные, но ни при каких обстоятельствах не имеет доступа к ним. После проверки полномочий и проверки подлинности пользователь компьютерной диагностической системы с помощью устройства ввода задает корректное описание состояния пациента. Это описание содержит ключевые слова, которые компьютер сравнивает с ключевыми словами, связанными с характерными особенностями каждого из возможных состояний или признаков в пространстве всех возможных состояний или признаков сердечно-сосудистой системы, и определяет, какие состояния или признаки имеют самую высокую степень совпадения с введенным описанием.

На этапе анализа первичной диагностической информации определяются методы анализа. В настоящее время при анализе ЭКГ применяются математические методы. Все многообразие методов исследования разделяется на три большие группы:

- пространственно-временные и статистические методы;

- пространственно-спектральные;

- нелинейные.

Две первые группы методов применяются в комплексе. В частности, используются классические методы анализа временных рядов, например, для вычисления статистических параметров последовательности RR-интервалов, дисперсии QT-интервалов, спектрального распределения энергии и других традиционных характеристик ЭКГ. Появление третьей группы методов обусловлено развитием теории нелинейных динамических систем и хаоса, это направление продолжает оставаться предметом научных изысканий, оно ввело набор совершенно новых средств анализа ЭКГ: сечение Пуанкаре, реконструкция фазового портрета, вычисление показателя Ляпунова и энтропии Колмогорова и другие количественные характеристики нелинейных динамических систем. Авторами предлагаемого изобретения для анализа первичной диагностической информации используются методы вейвлет-преобразования [6], нелинейных динамических систем [7] и нейронных сетей [8]. Результаты анализа первичной диагностической информации используются для последующего моделирования характерного состояния или признака состояния сердечно-сосудистой системы пациента, а также для уточнения дополнительных слов в описании ключевых слов.

Использование конкретного метода анализа обусловлено удобством применения результатов анализа для последующего моделирования характерного состояния или признака состояния сердечно-сосудистой системы пациента.

Суть этапа регистрации заключается в получении качественных отсчетов, однозначно определяющих первичную диагностическую информацию. На этом этапе осуществляются усиление исходных сигналов, подавление помех, устранение артефактов и сопряжение источника исходных сигналов с компьютерной диагностической системой.

Этап моделирования характерного состояния или признака состояния сердечно-сосудистой системы пациента является одним из основных этапов предлагаемого способа диагностики, определяющим диагноз, наряду с этапами анализа первичной диагностической информации и синтеза реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями. Модель позволяет оценить состояние сердечно-сосудистой системы пациента. Для моделирования электрической активности сердца используется мультидипольная модель [9]. Модель электрической активности сердца рассматривает его в виде двойного электрического слоя S по поверхности электрически активного миокарда (см. фигуру 5), теоретическую основу которой составляют дифференциальные уравнения для потенциала электрического поля стационарных токов, создаваемого сердцем в теле, как в объемном проводнике, а также концепция эквивалентного генератора сердца. Разность потенциалов между внешней и внутренней поверхностями мембраны составляет в покое около 90 мВ. Эта разность изменяется при возбуждении клетки в соответствии с поведением трансмембранного потенциала во времени, причем любой бесконечно малый элемент мембраны можно в этом случае считать точечным дипольным источником тока, работающим в окружающей проводящей среде.

На фигуре 5 приняты следующие обозначения:

а - физический двойной электрический слой S (толщина слоя, т.е. расстояние d между образующими слой поверхностями S+ и S-, пренебрежимо мала по сравнению с расстоянием R до точки наблюдения 1);

b - элемент ΔS мембраны возбудимой клетки миокарда, потенциал которого Δϕ в точке 1 от элемента ΔS пропорционален величине трансмембранного потенциала U и телесному углу Δ Ω, под которым ΔS виден из точки 1: Δϕ=ΔSKmΔSr-2cos(N, r);

с - модель электрической активности сердца в виде двойного электрического слоя S по поверхности эпикарда и эндокарда (дискретизация поверхности S приводит к мульти-дипольной модели эквивалентного генератора сердца).

Для сердца в норме поверхность двойного слоя совпадает с поверхностью эпикарда и эндокарда. Упрощенный дискретный аналог выражения, связывающего потенциал ϕ1(t) точки 1 среды (точка однополюсного отведения) с событиями на поверхности эпикарда и эндокарда, разделенной на элементарные площадки, выглядит следующим образом:

где Ui(t) - характеристика электрической активности i-го элемента двойного слоя, эквивалентная трансмембранному потенциалу (ТМП) действия, причем форма кривой ТМП(t) зависит от локальных физико-физиологических процессов в миокарде и, следовательно, может различаться для отдельных групп элементов;

τI - задержка возбуждения каждого элемента относительно единого временного маркера;

n - число элементов разбиения поверхности S;

KМ - коэффициент, учитывающий свойства среды;

k1i - коэффициент передачи между i-м элементом и точкой отведения 1, определяющий парциальный вклад элемента в потенциал отведения. Величина k1i определяется, в частности, позиционными и ориентационными факторами (расстояние элемента поверхности и его ориентация относительно точки отведения) и может рассматриваться с некоторыми допущениями как телесный угол, под которым i-й элемент с учетом направления его внешней нормали виден из точки 1 (фиг.5b). Для поверхности S значения k1i разнятся по знаку и по своей величине (от некоторого максимума до нуля) и изменяются при изменении 1, т.е. от отведения к отведению.

Чем больше площадь элемента ΔS и чем меньше расстояние r от него до точки отведения и угол между r и нормалью N к ΔS (что эквивалентно условию: «чем больше телесный угол W»), тем больше потенциал Δϕ, создаваемый этим элементом в точке отведения. Знак Δϕ, плюс или минус, зависит от того, какая сторона элемента двойного слоя видна из точки наблюдения (точка отведения). Для равномерно заряженного двойного слоя S произвольной формы величина потенциала определяется телесным углом, под которым из точки отведения виден край слоя, т.е. контур, на который этот двойной слой натянут.

На основании модели распространения возбуждения в сердце в данной модели формируются участки ЭКГ (см. фигуру 6). Параметрами модели являются такие электрофизиологические и анатомофизиологические характеристики сердца, как: геометрия желудочков и специализированной проводящей системы Гис-Пуркинье; скорость распространения процесса деполяризации по миокарду; отношение скоростей проведения возбуждения по элементам миокарда, Гиса и Пуркинье; форма трансмембранных потенциалов действия на эпикарде и эндокарде желудочков, т.е. на поверхности S модели; ориентация собственных анатомических осей сердца относительно исходной системы координат и некоторые другие биофизические характеристики миокарда.

Исходными данными для получения предварительного диагноза с помощью модели являются информационные параметры ЭКГ пациента. По известным информационным параметрам ЭКГ пациента определяется распределение трансмембранных потенциалов по поверхности сердца. В тех участках поверхности сердца, где трансмембранный потенциал будет вести себя аномально (т.е. отличаться от ТМП, представленных на фигуре 6), будет поврежденный миокард. По обнаруженной области поврежденного миокарда можно поставить диагноз. Анализ функционирования модели [9] показал принципиальное ограничение электрокардиографии как метода функциональной диагностики. В электрокардиографии сигнал ЭКГ снимается в 12 стандартных отведениях: в 6 стандартных отведениях от конечностей и 6 стандартных грудных отведениях [10]. Поэтому, имея ЭКГ в 12 отведениях, можно составить систему только из 12 уравнений:

Каждое уравнение в качестве неизвестного члена содержит участок поверхности сердца. Для того чтобы найти зависимость ТМП от t, необходимо решить данную систему несколько раз для различных моментов времени. В каждый конкретный момент времени данная система имеет определенное решение.

Таким образом, в рамках модели [9] с использованием электрокардиографического метода можно локализовать только 12 участков поврежденного миокарда на поверхности сердца. Очевидно, что такая локализация участков поврежденного миокарда на поверхности сердца не удовлетворяет современным требованиям диагностики состояния сердечно-сосудистой системы. Идеальным положением является локализация участка поврежденного миокарда на поверхности сердца отдельным кардиомиоцитом. Однако это пожелание невозможно реализовать в рамках метода электрокардиографии. Разрешающая способность метода электрокардиографии ограничена 1 мВ, а ТМП кардиомиоцита составляет 90 мкВ. Следовательно, даже теоретически, «в чистом виде», разрешающая способность метода электрокардиографии способна зафиксировать электрическую активность от 10 кардиомиоцитов. Реально это цифра возрастает еще на порядок. Электроды стандартных отведений расположены на поверхности тела человека, а не на поверхности сердца, поэтому фиксируются ТМП не только кардиомиоцитов сердца, но и электрическая активность клеток других органов. Известно, что количество кардиомиоцитов составляет приблизительно 1 миллион [10]. Тогда возможное количество областей локализации участка поврежденного миокарда на поверхности сердца, определяемое с помощью метода электрокардиографии, составляет около 100000.

Таким образом, количество возможных областей локализации участка поврежденного миокарда на поверхности сердца гораздо больше (на 4 порядка) количества уравнений, описывающих состояние электрической активности сердца. Понижение размерности системы уравнений, описывающих состояние электрической активности сердца, по мнению авторов предлагаемого изобретения, возможно только с помощью нейронной сети, предварительно обученной на достаточно большой выборке пациентов с уже определенными и подтвержденными диагнозами. Суть процесса понижения размерности системы уравнений, описывающих состояние электрической активности сердца (2), заключается в предварительной локализации с помощью нейронной сети места повреждения миокарда и иллюстрируется на фигуре 7.

Главной особенностью электрокардиографической диагностики является неограниченный объем плохо структурированных сведений, содержащихся в ЭКГ и используемых при анализе [10]. Эта особенность является ответом на вопрос о трудности внедрения известных программных решений для диагностирования [1, 2]. Несомненно, здесь требуется не менее совершенная система, чем человеческий мозг.

Нейронная сеть (НС) является вычислителем нового класса, позволяющим анализировать сигнал ЭКГ с необходимой точностью и достоверностью. Степень необходимой точности и достоверности области повреждения миокарда определяется алгоритмом обучения НС.

Из всех типов НС (не учитывая специализированные НС, созданные для решения конкретной задачи) задачу классификации и распознавания образов способны выполнять радиальные НС типа PNN и самоорганизующиеся НС типа LVQ (Leaning Vector Quantization) [8].

Радиальная сеть, выполняющая задачи кластеризации и классификации, относится к типу LVQ-сети, в которой используется процесс самоорганизации. Процесс самоорганизации обучающих данных автоматически разделяет пространство на так называемые области Вороного, определяющие различающиеся группы данных (в нашем случае различные состояния сердечно-сосудистой системы человека). Пример такого разделения двухмерного пространства показан на фигуре 8. Данные, сгруппированные внутри кластера, представляются центральной точкой, определяющей среднее значение всех его элементов. Центр кластера в дальнейшем будет отождествляться с центром соответствующей радиальной функции. Разделение данных на кластеры можно выполнять с использованием одной из версий алгоритма Линде-Бузо-Грея, называемого алгоритмом К-усреднений [7]. Согласно этому алгоритму расчет центров производится после предъявления каждого очередного вектора х (множество отсчетов ЭКГ) из множества обучающих выборок (3). В накопительной версии алгоритма центры уточняются одновременно после предъявления всех элементов множества (4):

где с - центр множества, n - коэффициент обучения, имеющий малое значение (обычно n≪1), причем уменьшающееся во времени, Ni - количество векторов x(k), x(k) - обучающая выборка. В качестве примера Ni=9, то есть выбраны для анализа 9 разновидностей сигнала ЭКГ (1 сигнал ЭКГ здорового человека и 8 сигналов ЭКГ людей с острым инфарктом миокарда) в 12 отведениях - всего 108 сигналов. Эти сигналы сохраняются в виде двумерного массива, состоящего из 101 элемента (отсчетов сигналов ЭКГ), в котором первый столбец - массив отсчетов через 0.01 миллисекунду, а второй столбец - амплитуда сигнала ЭКГ на данном отсчете.

Независимо от способов обучения самоорганизующихся сетей большое значение имеет избыточность данных, без которых обучение просто невозможно. Широкий спектр обучающих данных, включающий многократные повторения похожих друг на друга выборок, образует «базу знаний» для обучения сети, из которой путем соответствующих сопоставлений НС выводятся решения по формированию на выходе сети определенного вектора. В нашем случае обучающая выборка формируется путем создания некоторого числа аналогов (45) для каждого типа сигнала ЭКГ в каждом отведении. Делается это с помощью добавления шума в исходный сигнал.

После нормализации входных векторов при активации сети вектором х в конкурентной борьбе побеждает тот нейрон, вес которого в наименьшей степени отличается от соответствующих компонентов этого вектора. Для w-го нейрона-победителя выполняется отношение

где d(x, w) - расстояние между векторами х и w. Вокруг нейрона-победителя образуется топологическая окрестность с определенной энергетикой, уменьшающейся с течением времени. Нейрон-победитель и все нейроны, лежащие в пределах его окрестности, подвергаются адаптации, в ходе которой их векторы весов изменяются в направлении вектора х по правилу Кохонена

где w - весовые коэффициенты нейронов, n - коэффициент обучения.

Процесс самоорганизации предполагает определение победителя каждого этапа, то есть нейрона, вектор весов которого в наименьшей степени отличается от поданного на вход сети вектора х. В этой ситуации важной проблемой становится выбор метрики, в которой будут измеряться расстояния между векторами х и wi. Чаще всего используется эвклидова мера:

При этом разбиение пространства на зоны доминирования нейронов равносильно мозаике Вороного.

Диагностика состояния сердечно-сосудистой системы с помощью НС предусматривает выполнение нескольких функций: обучение нейронной сети, распознавание сигнала ЭКГ из выбранной области локализации заболевания и анализ работы НС по двум характеристикам - анализ интервала сходимости в зависимости от количества векторов в обучающей выборке и анализ интервала сходимости по отношению ко всем классам заболеваний.

Экранная форма, поясняющая процесс распознавания сигнала ЭКГ и выдачи сформулированного предварительного диагноза о том, к какому заболеванию относится рассматриваемый сигнал ЭКГ, приведена на фигуре 9.

На фигуре 10 приведена зависимость интервала сходимости НС при увеличении количества входных векторов, подаваемых при обучении НС.

На фигуре 11 приведена зависимость интервала сходимости НС по отношению ко всем классам заболеваний. Построенный график отражает процесс соотнесения нейронной сетью сигнала к конкретному типу заболевания сердечно-сосудистой системы. Самый наименьший интервал сходимости является условием присвоения этого класса заболевания обрабатываемому сигналу ЭКГ. Для анализа был выбран сигнал ЭКГ одного из авторов предлагаемого изобретения. Как видно из фигуры 11, результатом анализа этого сигнала стал график, на котором четко отражено, что для тестируемого сигнала интервал сходимости в диапазоне 90-135 (сигналы ЭКГ здорового человека) наименьший, что свидетельствует о достоверности выводов, сделанных нейронной сетью о том, что сигнал ЭКГ относится к классу нормальных сигналов.

Таким образом, определив с помощью НС место повреждения миокарда, в систему (2) вводятся ТМП кардиомиоцитов только области повреждения (см. фигуру 7) и на основании решения системы (2) получается распределение ТМП по поверхности сердца в каждый момент кардиоцикла.

Для уточнения и проверки диагноза на следующем этапе (блок 8 на фигуре 2) решается прямая задача моделирования, т.е. по известному распределению ТМП на поверхности сердца находится ЭКГ в 12 отведениях.

На этапе сравнения ЭКГ пациента сравнивают с ЭКГ, полученной в результате моделирования и вычисляют расхождение параметров. Анализ этого расхождения позволяет определить изменения, которые необходимо внести в модель.

На этапе корректировки корректируются параметры модели для получения подобных ЭКГ. После получения в результате моделирования ЭКГ, идентичной ЭКГ пациента, выдается диагноз и определяются некоторые анатомические особенности строения сердца пациента, служащие параметрами модели сердца пациента при визуализации.

На этапе синтеза реалистичного трехмерного изображения полученного состояния или признака модели с характерными особенностями с помощью специальных алгоритмов компьютерной графики данные моделирования обрабатываются, интерпретируются и визуализируются. Другими словами, этот этап есть не что иное, как визуальное отображение результатов моделирования. К визуальному представлению состояния сердечно-сосудистой системы следует отнести визуальное отображение на реалистичном трехмерном изображении внешней и внутренней поверхностей сердца с локализацией места повреждения, электрическую (визуализация процессов возбуждения и распространения электромагнитных волн) и сократительную активности сердца, а также реализацию возможностей приближения/удаления и изменения точки наблюдения синтезированного изображения.

С точки зрения геометрического моделирования сердце представляет сложный трехмерный объект неправильной формы. Сам процесс синтеза реалистичного трехмерного изображения сердца разделяется на ряд подзадач, так называемый «технологический конвейер компьютерной графики». Поэтому разбиение сердца на составные анатомические части, например