Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий

Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий

Иллюстрации

Показать все

Реферат

ОБЛАСТЬ ТЕХНИКИ

[0001] Данное изобретение, относится к области вычислительной техники в медицине, а именно к способам и системам скрининговой диагностики различных патологий и определению физиологических параметров человека, и может быть использовано в области предиктивной, диагностической, профилактической и реабилитационной медицины.

УРОВЕНЬ ТЕХНИКИ

[0002] В настоящее время в области медицины изобретаются множество приборов и способов для диагностики различных патологий и определения физиологических параметров, например, таких как ишемическая болезнь сердца, артериальное кровяное давление, хроническая обструктивная болезнь легких, бронхиальная астма, туберкулез, уровень глюкозы в крови и т.д. Как правило, это сложные диагностики, в рамках которых необходимо проводить клинические анализы, посещать несколько врачей различных специальностей, использовать комплексы оборудования высокой стоимости, требующих высокой квалификации обслуживающего персонала.

[0003] Например, для сердечно-сосудистых заболеваний диагностические обследования включают в себя: амбулаторные электрографические исследования (ЭКГ), сцинтиграфические исследования, эхокардиографию, коронароангиографию, позитронно-эмиссионную томографию. В то же время самым надежным вариантом диагностики является процедура катетеризации. Следует отметить, что эти способы диагностики являются дорогостоящими, менее доступными, а в случае катетеризации - инвазивными и несут определенный риск для пациента.

[0004] ЭКГ - способ регистрации электрической активности сердца и может, например, выявить ряд кардиологических патологий и дает понятие о физическом состоянии сердца. Импульсы деятельности сердца регистрируются на бумажном носителе или в цифровом виде. Электрографическое исследование в состоянии покоя, как правило, включает в себя подготовку к процедуре и регистрацию ЭКГ-сигналов и занимает не менее 10 минут, проводятся в специально-подготовленном помещении, требует помощи медицинского персонала. Подготовка к процедуре и регистрация ЭКГ во время нагрузки пациента занимает порядка 20-25 минут, которая является более информативной. В другом варианте диагностики пациент проходит исследование с использованием холтеровского монитора: медицинский персонал устанавливает электроды на строго определенные участки тела пациента, запись проводится 12, 24 или 48 часов. Получается, что для повышения точности диагностики, необходимо увеличивать время диагностики и увеличивать количество используемых специальных приборов и методов диагностики.

[0005] Важная задача современной практической медицины - упреждение и раннее выявление заболеваний. Разрабатываются неинвазивные способы диагностики, при которых за одно измерение регистрируется наибольшее количество показателей состояния организма человека и проводится их анализ-интерпретация. На практике в электрокардиографии используются два метода: оценка функционального состояния вегетативной нервной системы с помощью анализа кардиоинтервалограммы (КИГ) и сравнение электрокардиограммы (ЭКГ), вариабельности сердечного ритма (ВСР) больного и человека без патологии. Математический анализ данных, полученных этими методами, позволяет дать прогноз, определить характер кардиологического или иного заболевания, адаптационные возможности организма в условиях стресса или физических нагрузок.

[0006] Из уровня техники известен патент № DE 4307545 (А1) «Device and method for determining the location and/or the extent of ischemias and/or infarcts in the heart of a patient», патентообладатель: SIEMENS AG, опубликовано: 15 сентября 1994. В данном техническом решении описывается устройство и способ для определения местоположения и/или степени ишемии и/или инфаркта в сердце пациента, которое содержит измерительную систему. Также в данном решении существует классификатор, который может обучаться посредством использования нейронной сети.

[0007] Также из уровня техники известен патент № KR 2006117546A «Device and method for diagnosing cardiac diseases based on ecg by training features extracted from ecg signal through neural network», патентообладатель: INHA INDUSTRY PARTNERSHIP INSTITUTE, опубликовано: 17 ноября 2006. Данное решение представляет собой устройство и способ диагностики сердечно-сосудистых заболеваний на основе ЭКГ посредством использования нейронной сети для автономной диагностики сердечных заболеваний путем обучения функции, выделенной из ЭКГ-сигнала через нейронную сеть.

[0008] Недостатками известных из уровня техники решений является то, что, как правило, используют несколько способов для определения физиологических параметров или патологий, причем часто способы инвазивные, приборы не обладают высокой чувствительностью и специфичностью, причем имеют длительный период исследования и обработки результатов.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

[0009] Данное техническое решение направлено на устранение недостатков, присущих существующим решениям.

[00010] Технической проблемой (или другими словами задачей) в данном техническом решении является выявление на базе нейросетевого моделирования патологии или определение значений физиологических параметров у пациента.

[00011] Техническим результатом, достигаемым при решении технической проблемы, является повышение точности выявления патологий или значений физиологических параметров у пациента на базе нейросетевого моделирования.

[00012] Причем патологии в данном техническом решении могут быть различные, например, патологии в сердечно-сосудистой системе, а также дыхательной, эндокринной, нервной, не ограничиваясь.

[00013] Указанный технический результат достигается благодаря способу скринингового определения патологий, в котором формируют обучающую и тестовую выборку записей пациентов, имеющих заданную патологию или физиологические параметры, зависящие от сердечной деятельности пациентов, включающие записи о пациентах разного пола и возраста, причем каждая запись содержит, по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте; получают записи из обучающей выборки, причем для каждой записи производят обработку, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла; обучают искусственную нейронную сеть выявлению заданной патологии или физиологических параметров, используя записи обучающей и тестовой выборки, сопоставляя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациентах; сохраняют связи и веса обученной искусственной нейронной сети; получают по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте; производят обработку полученного, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла; определяют физиологические параметры или наличие заданной патологии, при помощи обученной нейронной сети, используя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациенте.

[00014] В некоторых вариантах реализации технического решения при формировании обучающей и тестовой выборки в случае патологии, выборка содержит записи пациентов априори имеющих данную патологию или не имеющих данную патологию.

[00015] В некоторых вариантах реализации технического решения информация о пациенте включает, по крайней мере, антропометрические показатели человека.

[00016] В некоторых вариантах реализации технического решения информация о пациенте содержит сведения о заранее известных диагнозах у пациента на основании международной классификации болезней.

[00017] В некоторых вариантах реализации технического решения информация о пациенте содержит сведения о физиологических параметрах пациента.

[00018] В некоторых вариантах реализации технического решения информация о пациенте включает сведения о наличии или отсутствии вредных привычек.

[00019] В некоторых вариантах реализации технического решения ЭКГ-сигнал хранится в формате хранения электрокардиограмм SCP-ECG или DICOM-ECG, или HL7 aECG.

[00020] В некоторых вариантах реализации технического решения при обработке, по крайней мере, одного кардиологического отведения ЭКГ-сигнала используют аппаратные и программные средства подавления синфазных помех или фильтры высоких частот для устранения дрейфа нуля или фильтры низких частот для удаления высокочастотных помех или режекторные фильтры для удаления гармонических помех.

[00021] В некоторых вариантах реализации технического решения при обработке, по крайней мере, одного кардиологического отведения ЭКГ-сигнала используют полосовые фильтры с нижним значением полосы пропускания 0,5 Гц.

[00022] В некоторых вариантах реализации технического решения обучающая и тестовая выборка имеют равное количество записей.

[00023] В некоторых вариантах реализации технического решения обучающая и тестовая выборка имеют различное количество записей.

[00024] В некоторых вариантах реализации технического решения параметром ВСР является частота пульса (PR) и/или количество экстрасистол (ЕС) и/или стандартное отклонение NN интервалов (SDNN) и/или коэффициент вариации (CV) и/или процент отклонений между интервалами (pNN50) и/или суммарная мощность спектра (TP) и/или мощность спектра очень низких частот (VLF) и/или мощность спектра низких частот (LF) и/или мощность спектра высоких частот (HF) и/или соотношение мощности спектра низких и высоких частот (LF/HF) В некоторых вариантах реализации технического решения и/или RR-интервалы и/или усредненный кардиоцикл и его параметры.

[00025] В некоторых вариантах реализации технического решения параметром усредненного кардиоцикла является площадь под каждым сегментом и/или общая длина и/или длины по отдельности для каждого сегмента и/или амплитуды сегментов.

[00026] В некоторых вариантах реализации технического решения при расчете параметров вариабельности сердечного ритма используют методы временной области или методы частотной области.

[00027] В некоторых вариантах реализации технического решения искусственной нейронной сетью является многослойный персептрон с 2 слоями сигмоидальных нейронов (SS).

[00028] В некоторых вариантах реализации технического решения искусственной нейронной сетью является многослойный персептрон с 2 сужающимися слоями нейронов и линейным выходом (SSPD).

[00029] Также указанный технический результат может достигаться благодаря системе скринингового определения патологий или физиологических параметров, которая содержит модуль диагностики, выполненный с возможностью построения и обучения нейронной сети для определения наличия заданной патологии и значений физиологических параметров, при помощи обученной нейронной сети; модуль хранения данных, выполненный с возможностью хранения обучающей и тестовой выборки искусственной нейронной сети, связей и весов обученной искусственной нейронной сети, записей о пациентах, ЭКГ-сигналов; модуль обработки ЭКГ-сигнала, выполненный с возможностью обработки, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, полученного из базы данных; модуль вычисления параметров ВСР, выполненный с возможностью расчета параметров вариабельности сердечного ритма и усредненного кардиоцикла; модуль ввода/вывода данных, выполненный с возможностью получения ЭКГ-сигналов и информации о пациентах и вывода данных о наличии заданной патологии и значения физиологического параметра.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[00030] Признаки и преимущества настоящего технического решения станут очевидными из приводимого ниже подробного описания и прилагаемых чертежей, на которых:

[00031] На Фиг. 1 показан пример осуществления способа скринингового определения патологий или физиологических параметров;

[00032] На Фиг. 2 показан пример искусственной нейронной сети, которая может применяться в данном техническом решении и является многослойным персептроном с 2 слоями сигмоидальных нейронов;

[00033] На Фиг. 3 показан пример искусственной нейронной сети, которая может применяться в данном техническом решении и является многослойным персептроном с 2 сужающимися слоями нейронов и линейным выходом (SSPD);

[00034] На Фиг. 4 показана блок-схема способа обработки ЭКГ-сигнала;

[00035] На Фиг. 5 показан пример осуществления системы скринингового определения патологий или физиологических параметров;

[00036] На Фиг. 6 показан ЭКГ-сигнал одного кардиологического отведения.

ПОДРОБНОЕ ОПИСАНИЕ

[00037] Данное техническое решение может быть реализовано на компьютере, в виде системы, устройства, программно-логического автомата или машиночитаемого носителя, содержащего инструкции для выполнения вышеупомянутого способа.

[00038] Техническое решение в некоторых вариантах осуществления может быть реализовано в виде распределенной компьютерной системы.

[00039] В данном решении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, четко определенную последовательность операций (действий, инструкций).

[00040] Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы).

[00041] Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных. В роли устройства хранения данных могут выступать, но, не ограничиваясь, жесткие диски (HDD), флэш-память, ПЗУ (постоянное запоминающее устройство), твердотельные накопители (SSD), оптические приводы.

[00042] Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.

[00043] Ниже будут описаны термины и понятия, необходимые для осуществления настоящего технического решения.

[00044] Неинвазивный - термин используется для характеристики методов исследования или лечения, во время которых на кожу не оказывается никакого воздействия с помощью игл или различных хирургических инструментов.

[00045] Скрининг - в медицине (англ. screening просеивание) - метод активного выявления лиц с какой-либо патологией или факторами риска ее развития, основанный на применении специальных диагностических исследований.

[00046] Электрокардиография - методика регистрации и исследования электрических полей, образующихся при работе сердца.

[00047] Кардиологическое отведение - участок на электрокардиограмме, получаемый от двух и более электродов, размещенных в соответствующей отведению части тела пациента. Каждое из них за счет различного расположения электродов на поверхности тела отражает различные аспекты электрической активности сердца и может облегчить врачу процесс выявления патологии и характера патологии сердечно-сосудистой системы.

[00048] Антропометрические показатели - размеры (линейные, угловые, параметрические) тела человека и его отдельных частей. А. п. зависят от пола, возраста, профессии, этнонациональной принадлежности, социальных и других факторов.

[00049] Электрокардиограмма (ЭКГ) - запись электрической активности сердца, выполненная при помощи самописца на движущейся полосе бумаги или записью на устройство хранения данных с возможностью графического вывода данных на дисплей.

[00050] Желудочковый комплекс электрокардиограммы - совокупность зубцов электрокардиограммы, отражающая биоэлектрические процессы, возникающие при распространении возбуждения по миокарду желудочков сердца.

[00051] Кардиограф - медицинский прибор, который измеряет биоэлектрическую активность сердца;

[00052] Анализ вариабельности сердечного ритма (ВСР) - метод оценки состояния механизмов регуляции физиологических функций в организме человека, в частности, общей активности регуляторных механизмов, нейрогуморальной регуляции сердца, соотношения между симпатическим и парасимпатическим отделами вегетативной нервной системы.

[00053] Коэффициент вариации (coefficient of variation) - мера разброса значений вокруг среднего.

[00054] Clinical Document Architecture (CDA) - один из стандартов HL7, разработанный для стандартизации структуры и обеспечения семантической совместимости медицинских систем при обмене медицинской информацией и/или мед документами.

[00055] Интервал RR - промежуток времени между соседними зубцами R электрокардиограммы, равный продолжительности сердечного цикла; используется при определении частоты сердечных сокращений, в диагностике аритмий.

[00056] ХОБЛ - хроническая обструктивная болезнь легких.

[00057] Машинное обучение (Machine Learning) - обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться.

[00058] Перцептрон, или персептрон - математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга).

[00059] Нейрон сигмоидального типа - нейрон, который имеет структуру, подобную модели Мак-Каллока-Питтса, с той разницей, что функция активации является непрерывной и может быть выражена в виде сигмоидальной униполярной или биполярной функции.

[00060] ROC-кривая (англ. receiver operating characteristic, рабочая характеристика приемника) - график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных, как несущих признак, (англ. true positive rate, TPR, называемой чувствительностью алгоритма классификации) и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных, как несущих признак (англ. false positive rate, FPR, величина 1-FPR называется специфичностью алгоритма классификации) при варьировании порога решающего правила.

[00061] Предиктор - программная или аппаратная реализация сопоставления образцам данных определенных объектов (например, меток класса, скалярных или векторных значений), которая зависит от большого количества параметров, обученных с помощью процедуры машинного обучения на тренировочном множестве. В качестве примера предиктора можно привести дерево решений, нейронную сеть, набор деревьев решений. В зависимости от предиктора параметрами могут быть, например, веса нейронной сети, пороговые значения в деревьях решений.

[00062] Внутреннее состояние предиктора - набор значений параметров предиктора, обуславливающий его предсказания.

[00063] Специфичность - характеристика диагностического теста; доля лиц без заболевания, имеющих отрицательный результат теста, («доля здоровых, признанных здоровыми»).

[00064] Площадь под ROC-кривой - площадь под характеристической кривой диагностического теста. Изменяется в пределах от 0,5 (абсолютно неинформативный тест) до 1 (идеально точный тест).

[00065] Чувствительность - характеристика диагностического теста; доля лиц с заболеванием, имеющих позитивный результат диагностического теста («доля больных, признанных больными»).

[00066] Сигмоидная функция - функция, график которой имеет S-образную форму, дающая приблизительно линейный отклик в середине входного диапазона и эффект насыщения на его концах.

[00067] Выборка - в нейронных сетях часть популяции, полученная путем отбора. По результатам анализа выборки делают выводы о всей популяции, что правомерно только в случае, если отбор был случайным. Поскольку случайный отбор из популяции осуществить практически невозможно, следует стремиться к тому, чтобы выборка была по крайней мере репрезентативна по отношению к популяции.

[00068] Функция активации нейронной сети - функция, которая используется для преобразования уровня активации элемента (нейрона) в выходной сигнал.

[00069] Предварительно могут получать из хранилища данных или, например, из блока ввода/вывода данных патологию, болезнь или физиологический параметр, введенные пользователем, которые зависят от сердечной деятельности пациента. Пользователем может являться, не ограничиваясь, врач, администратор и т.д.

[00070] Фиг. 1 представляет собой блок-схему, показывающую способ скринингового определения патологий или физиологических параметров, который содержит следующие шаги:

[00071] Шаг 101: формируют обучающую и тестовую выборку записей пациентов, имеющих заданную патологию или физиологические параметры, зависящие от сердечной деятельности пациентов, включающие записи о пациентах разного пола и возраста, причем каждая запись содержит, по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте;

[00072] В случае патологии выборка содержит записи пациентов априори имеющих данную патологию, так и не имеющих данную патологию.

[00073] В некоторых вариантах реализации информация о пациенте включает, по крайней мере, антропометрические показатели человека (возраст, пол, вес, рост, группа крови).

[00074] В некоторых вариантах реализации информация о пациенте может содержать сведения о заранее известных диагнозах у пациента на основании международной классификации болезней (например, МКБ-10, SNOMED, МКБ-0 и т.д., не ограничиваясь).

[00075] В некоторых вариантах реализации информация о пациенте может содержать сведения о физиологических параметрах.

[00076] В некоторых вариантах реализации физиологическими показателями является частота сердечных сокращений, частота дыхания, температура тела, артериальное давление, концентрация глюкозы в крови и т.д., не ограничиваясь.

[00077] В некоторых вариантах реализации информация о пациенте включает сведения о наличии или отсутствии вредных привычек (курение, употребление алкоголя, употребление наркотических веществ).

[00078] Антропометрические параметры как правило более устойчивы и мало меняются с течением времени. Физиологические же параметры оцениваются при каждом осмотре и регистрации ЭКГ пациента.

[00079] Шаг 102: получают записи из обучающей и тестовой выборки, причем для каждой записи производят обработку, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла;

[00080] В некоторых вариантах реализации сформированная выборка представляет собой набор записей, отобранных по определенному критерию из одного или более источника данных. Данные при этом могут быть изначально не структурированы.

[00081] В некоторых вариантах реализации обучающая или тестовая выборка хранится в ОЗУ (оперативное запоминающее устройство) или ВЗУ (внешнее запоминающее устройство) или ПЗУ (постоянное запоминающее устройство).

[00082] В некоторых вариантах реализации ЭКГ-сигнал одного (и более) кардиологического отведения регистрируют с использованием кардиографа, после чего к каждой записи добавляют данные, содержащие антропометрические показатели человека: возраст, пол, вес, рост, группа крови, сведения о заранее известных диагнозах и физиологических параметрах пациентов.

[00083] В некоторых вариантах реализации ЭКГ-сигнал хранится в следующих форматах хранения электрокардиограмм, не ограничиваясь, SCP-ECG, DICOM-ECG и HL7 aECG (Annotated ECG).

[00084] В некоторых вариантах реализации после добавления антропометрических показателей человека формируется CDA-документ, включающий заголовок и тело, которое в свою очередь может включать две секции: первая секция содержит антропометрические показатели человека, вторая секция содержит графическое представление ЭКГ в виде растрового изображения, векторного изображения либо документа PDF и т.п.

[00085] В некоторых вариантах реализации ранее зарегистрированную ленту ЭКГ-сигнала оцифровывают путем сканирования и сохраняют на устройство хранения данных.

[00086] В некоторых вариантах реализации при обработке, по крайней мере, одного кардиологического отведения ЭКГ-сигнала используют, не ограничиваясь, аппаратные и программные средства подавления синфазных помех, фильтры высоких частот для устранения дрейфа нуля, фильтры низких частот для удаления высокочастотных помех, режекторные фильтры для удаления гармонических помех. Для снижения искусственных искажений типового кардиоцикла может использоваться следующий способ обработки (Фиг. 4): фильтруют сигнал цифровым фильтром в диапазоне 0.05…100 Гц; далее осуществляют локализацию R-зубцов (Фиг. 6) алгоритмом Пана-Томпкинса; затем вырезают временное окно, соответствующее кардиоциклу (КЦ); после чего центрируют кардиоцикл относительно среднего для выравнивания изоэлектрической линии электрокардиосигнала без утраты информации об амплитудных параметрах кардиоцикла; далее строят временный усредненный кардиоцикл, построенный по ансамблю из всех кардиоциклов; затем осуществляют контроль самоподобия всех кардиоциклов путем их сравнения с временным усредненным кардиоциклом. При выявленном несовпадении данный кардиоцикл убирают из усредняющей выборки; осуществляют усреднение по ансамблю, прошедших контроль кардиоциклов. В результате формируется усредненный кардиоцикл, состоящий только из допустимых по качеству кардиоциклов, не подвергшихся дополнительным искажениям.

[00087] В некоторых вариантах реализации при обработке, по крайней мере, одного отведения ЭКГ-сигнала используют полосовые фильтры с нижним значением полосы пропускания 0,5 Гц.

[00088] В некоторых вариантах реализации обучающая и тестовая выборка имеют равное количество записей.

[00089] В некоторых вариантах реализации обучающая и тестовая выборка имеют различное количество записей.

[00090] В некоторых вариантах реализации при формировании тестовой и обучающей выборки создают тестовую и обучающую базы данных, включающие данные выборки.

[00091] В некоторых вариантах реализации формируют тестовую и обучающую выборку из базы данных записей о пациентах разного пола и возраста, имеющих заданную патологию, зависящую от сердечной деятельности пациента.

[00092] После получения записей из выборки и обработки, по крайней мере, одного отведения ЭКГ-сигнала, рассчитывают параметры вариабельности сердечного ритма (ВСР) для данного обработанного ЭКГ-сигнала для каждой записи и усредненный кардиоцикл с его параметрами.

[00093] Параметром ВСР может быть частота пульса (PR), количество экстрасистол (ЕС), стандартное отклонение NN интервалов (SDNN), коэффициент вариации (CV), процент отклонений между интервалами (pNN50), суммарная мощность спектра (TP), мощность спектра очень низких частот (VLF), мощность спектра низких частот (LF), мощность спектра высоких частот (HF), соотношение мощности спектра низких и высоких частот (LF/HF), RR-интервалы (сердечные циклы).

[00094] Параметрами усредненного кардиоцикла являются площадь под каждым сегментом, общая длина, длины по отдельности для каждого сегмента, амплитуды сегментов.

[00095] При расчете параметров вариабельности сердечного ритма могут использовать, не ограничиваясь, методы временной области, методы частотной области и различные нелинейные методы. Например, при использовании методов оценки во временной области в расчет берутся либо значения ЧСС, вычисленные в каждый момент времени, либо интервалы между последовательными комплексами. В непрерывной записи ЭКГ детектируется каждый QRS комплекс (Фиг. 6) и вычисляются так называемые нормальный к нормальному интервалы (NN), т.е. интервалы между смежными комплексами QRS, являющимися результатом деполяризации клеток синусового узла, либо определяется мгновенная ЧСС. Простейшие переменные, которые могут быть вычислены: средний NN интервал, средняя ЧСС, разница между самым длинным и самым коротким NN интервалом, отличие между дневной и ночной ЧСС и т.д. Наиболее удобная для вычисления переменная - стандартное отклонение NN интервалов -(SDNN) - квадратный корень из разброса NN. Поскольку величина под корнем математически эквивалентна общей мощности в спектральном анализе, SDNN отражает все циклические компоненты, ответственные за вариабельность в течение периода записи.

[00096] Шаг 103: обучают искусственную нейронную сеть выявлению заданной патологии, используя записи обучающей и тестовой выборки, сопоставляя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациентах;

[00097] Сначала осуществляют инициализацию нейронной сети, при которой весовым коэффициентам и смещениям сети присваивают случайные значения, равномерно распределенным в диапазоне [-а, а].

[00098] В некоторых вариантах реализации искусственной нейронной сетью является многослойный персептрон с 2 слоями сигмоидальных нейронов (Фиг. 2) (SS), где элементом 201 изображен входной слой, 202 - нелинейные слои, а 203 - матрица связей. Причем количество слоев сигмоидальных нейронов может быть увеличено.

[00099] В некоторых вариантах реализации многослойный персептрон с 2 слоями сигмоидальных нейронов обладает следующими характеристиками:

[000100] входной слой используется для хранения и передачи входного образа и не содержит пороговых элементов;

[000101] скрытый и выходной слой содержит логистические нелинейные элементы для моделирования потенциала действия нейронов;

[000102] в выходном слое находится один нейрон, сигнал которого напрямую подключен к выходу.

[000103] выходной сигнал ограничен диапазоном от 0 до 1 или от -1 до 1 (в зависимости от выбранной функции активации).

[000104] Функция активации может быть непрерывной и может быть выражена в виде сигмоидальной униполярной (логистической) или биполярной (гиперболический тангенс) функции. Причем она должна быть нелинейной.

[000105] Униполярная функция, как правило, представляется формулой:

[000106]

[000107] тогда как биполярная функция задается в виде

[000108]

[000109] или

[000110]

[000111]

[000112] Также функция активации может быть кусочно-линейной или жесткой пороговой функцией активации. Значение функции активации есть выход нейрона.

[000113] В некоторых вариантах реализации искусственной нейронной сетью является многослойный персептрон (Фиг. 3) с 2 сужающимися слоями нейронов и линейным выходом (SSPD). В качестве элемента 301 изображен входной слой, 302, 304 - нелинейные слои, 303 - матрица связей, а 305 - линейный слой.

[000114] В некоторых вариантах реализации многослойный персептрон с 2 сужающимися слоями нейронов и линейным выходом (SSPD) обладает следующими характеристиками:

[000115] входной слой используется для хранения и передачи входного образа и не содержит пороговых элементов;

[000116] Как правило нейроны не срабатывают (не выдают выходной сигнал) до тех пор, пока уровень входного сигнала не достигнет некоторого порогового значения, т.е. на вход нейрона поступает сумма взвешенных сигналов минус некоторая величина. Полученное значение проходит через активационную функцию. Каждый слой нейронов базируется на выходе предыдущего слоя (за исключением входного слоя, базирующегося непосредственно на предъявляемых сети входных данных). Это значит, что значения входного слоя должны быть полностью рассчитаны до вычисления значений скрытого слоя, которые в свою очередь, должны быть рассчитаны до вычисления значений выходного слоя.

[000117] скрытые слои нейронов содержат логистические нелинейные элементы;

[000118] количество скрытых слоев может быть не ограничено;

[000119] в выходном слое находится один линейный элемент, формирующий

один выход от нескольких нейронов;

[000120] выходной сигнал не ограничен и может принимать отрицательные значения.

[000121] Таким образом, выход каждого нейрона может принимать как положительные, так и отрицательные значения из, например, интервала [-1,1] и с более высокой вероятностью будет иметь нулевое среднее.

[000122] В некоторых вариантах реализации размер первого скрытого слоя многослойного персептрона задается заранее или определяется в результате исследования.

[000123] В некоторых вариантах реализации обучение нейронной сети происходит следующим образом:

[000124] Производят обучение ИНС используя обучающую выборку алгоритмом обратного распространения ошибки (методика RProp).

[000125] В некоторых вариантах осуществления могут модифицировать алгоритм обратного распространения ошибки посредством использования различных функций ошибки, различных процедур определения направления и величины шага.

[000126] Функции ошибки могут использоваться следующие:

[000127] интегральные функции ошибки по всей совокупности обучающих примеров; функции ошибки целых и дробных степеней.

[000128] Процедуры определения величины шага на каждой итерации могут быть следующие:

- дихотомия;

- инерционные соотношения;

- отжиг.

[000129] Процедуры определения направления шага на каждой итерации могут быть следующие:

- с использованием матрицы производных второго порядка (метод Ньютона и др.)

- с использованием направлений на нескольких шагах (партан метод и тд.).

[000130] Затем тестируют ИНС на тестовой выборке. Для проверки правильности обучения построенной нейронной сети, в нее вводят сигналы, которые как правило не совпадают ни с одним из входных сигналов обучающей выборки.

[000131] Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке из базы данных, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар (<вход>, <требуемый выход>). В некоторых вариантах осуществления обучающая и тестовая выборка не совпадают.

[000132] Далее определяют критерий остановки: градиент среднеквадратичной ошибки обучения на тестовой выборке <= 0.0000001 (синапсы ИНС стабилизированы) или повышение ошибки тестирования более чем 10 эпох (начало переобучения). В качестве функции ошибки, численно определяющей сходство всех текущих выходных сигналов сети и соответствующих требуемых выходных сигналов обучающей выборки, в большинстве случаем используется среднеквадратичное отклонение. В некоторых вариантах осуществления можно задать другую функцию ошибки.

[000133] Затем рассчитывают показатели эффективности обучения: точность, полнота, чувствительность (Ч), специфичность (С), информативность (И), F-мера положительных заключений (F+), F-мера отрицательных заключений (F-), предсказательная значимость положительного результата (ПЗПР), предсказательная значимость отрицательного результата (ПЗОР), вероятность ошибки 1 рода (Р1), вероятность ошибки 2 рода (Р2) для разных значений порога отсечения, далее производят поиск оптимального порога отсечения по критерию минимизации разницы |Ч-С|.

[000134] Точность (precision) и полнота (recall) являются метриками, которые используются при оценке большей части алгоритмов. Иногда они используются сами по себе, иногда в качестве базиса для производных метрик, таких как F-мера или R-Precision. Точность в пределах класса - это доля элементов действительно принадлежащих данному классу относительно всех элементов, которые нейронная сеть отнесла к этому классу. Полнота - это доля найденных классификатором элементов, принадлежащих классу относительно всех элементов этого класса в тестовой выборке. Чем выше точность и полнота, тем лучше. Однако на практике максимальная точность и полнота не достижимы одновременно. F-мера представляет собой гармоническое среднее между точностью и полнотой. Она стремится к нулю, если точность или полнота стремится к нулю.

[000135] Порог отсечения может быть задан, например, в диапазоне от 0 до 1. При нахождении вероятности ошибки 1 рода (Р1) и вероятности ошибки 2 рода (Р2) могут менять значение порога отсечения dx (например, 0.01) например в диапазоне от 0 до 1. В некоторых вариантах реализации исследование определяющее размер первого скрытого слоя включает следующие шаги:

[000136] 1. установка значения размера первого скрытого слоя;

[000137] Данный размер задается произвольно или подбирается эмпирически. Например, размер может быть от 10 до 100 с шагом 10 нейронов, или от 5 до 150 с шагом 5, не ограничиваясь.

[000138] 2. создание ИНС с заданными параметрами и случайно распределенными синапсическими связями;

[000139] 3. обучение ИНС на обучающей выборке алгоритмом обратного распространения ошибки (методика RProp);

[000140] 4. тестирование ИНС на тестовой вы