WWW.DISUS.RU

БЕСПЛАТНАЯ НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 

Способы и средства компьютерной обработки электрокардиосигнала для диагностики инфаркта миокарда

На правах рукописи

ЛОГИНОВ Дмитрий Сергеевич

СПОСОБЫ И СРЕДСТВА КОМПЬЮТЕРНОЙ ОБРАБОТКИ ЭЛЕКТРОКАРДИОСИГНАЛа ДЛЯ ДИАГНОСТИКИ

ИНФАРКТА МИОКАРДА

Специальность 05.11.17 – Приборы, системы и изделия
медицинского назначения

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

Пенза 2011

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Пензенский государственный университет».

Научный руководитель – доктор технических наук, доцент

Бодин Олег Николаевич.

Официальные оппоненты: доктор технических наук, профессор

Истомина Татьяна Викторовна;

доктор технических наук, доцент

Иванов Александр Иванович.

Ведущая организация – ФГУП ФНПЦ ПО «Старт»
им. М. В. Проценко (г. Заречный).

Защита состоится 23.06 2011 г., в 14:00, на заседании диссертационного совета Д 212.186.02 в государственном образовательном учреждении высшего профессионального образования «Пензенский государственный университет» по адресу: 440026, г. Пенза, ул. Красная, 40.

С диссертацией и авторефератом можно ознакомиться в библиотеке государственного образовательного учреждения высшего профессионального образования «Пензенский государственный университет». Автореферат размещен на сайте www.pnzgu.ru.

Автореферат разослан «___»________2011 г.

Ученый секретарь

диссертационного совета

доктор технических наук,

профессор Светлов А. В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В современной России смертность от заболеваний сердечнососудистой системы составляет 56 % от всех причин смертности.

Накопленный за последние десятилетия опыт лечения заболеваний сердца позволил выявить и классифицировать в Международной классификации болезней систему сердечнососудистых заболеваний, охватывающую более 200 видов, среди которых наиболее опасным для жизни является инфаркт миокарда (ИМ). ИМ в нашей стране «молодеет», затрагивая все более широкие слои трудоспособного населения. В связи с тяжелым течением и высокой летальностью (общая летальность в острейшем, остром и подостром периодах ИМ составляет около 30 %) своевременная диагностика данного заболевания является одной из актуальных проблем современного здравоохранения.

Научные школы под руководством таких выдающихся российских ученых, как Л. А. Бокерия, И. М. Гельфанд, Ю. В. Гуляев, М. П. Рощевский, Л. В. Розенштраух, Е. П. Чазов, В. С. Анищенко, Р. М. Баевский, А. Н. Волобуев, Г. Г. Иванов, В. С. Мархасин, Ю. И. Неймарк, А. П. Немирко, В. Н. Орлов, С. В. Селищев, А. В. Струтынский, Л. И. Титомир, Г. В. Рябыкина, Э. К. Шахов, В. В. Шкарин, внесли значительный вклад в развитие компьютерной диагностики состояния сердечнососудистой системы.

В настоящее время, несмотря на разнообразие используемых статистических и математических способов обработки кардиографической информации, в данной области исследований остается актуальной задача повышения чувствительности и специфичности анализа электрокардиосигнала (ЭКС) для диагностики ИМ.

Целью работы является повышение чувствительности и специфичности способов и средств обработки электрокардиографической информации для диагностики инфаркта миокарда.

Задачи исследования. Для достижения поставленной цели решаются следующие задачи:

1 Анализ существующих способов автоматического измерения
информационных параметров ЭКС для диагностики инфаркта миокарда
в 12 стандартных отведениях, выявление их недостатков и обоснование разработки новых способов анализа ЭКС.

2 Разработка новых способов анализа ЭКС для диагностики инфаркта миокарда на основе совместного использования способов, осуществляющих как измерение отдельных элементов кардиоцикла, так и оценку кардиоцикла в целом.

3 Усовершенствование способа и разработка методики нейросетевого анализа ЭКС.

4 Разработка структуры программного обеспечения компьютерной диагностической системы, реализующей новые способы анализа ЭКС для диагностики инфаркта миокарда.

5 Внедрение разработанных способов и средств анализа ЭКС для диагностики инфаркта миокарда.

Методы исследования. Для решения поставленных задач в работе использованы методы исследования электрической активности сердца, теории искусственных нейронных сетей, теории цифровой обработки сигналов, теории вейвлет-преобразования.

Научная новизна исследования состоит в следующем:

1 Впервые предложен подход к анализу ЭКС на основе совместного использования разработанных способов амплитудно-временного, частотно-временного и нейросетевого анализа, обеспечивающий принципиальную возможность в условиях массового обследования с вероятностью до 99,9 % выделить пациентов с неблагоприятным состоянием сердца и приблизить функциональные возможности доклинического анализа ЭКС к уровню клинических обследований сердца.

2 На основе совместного использования предложенных способов амплитудно-временного и частотно-временного анализа ЭКС разработан новый способ выделения и обработки кардиоцикла, позволяющий точнее на 11 % определить начало кардиоцикла.



3 Адаптирована структура двухслойной нейронной сети LVQ (Learning Vector Quantization, квантование обучающих векторов), разработаны алгоритм обучения нейронной сети CCLVQ3 и методика нейросетевого анализа ЭКС для диагностики инфаркта миокарда, которые обеспечивают чувствительность и специфичность к ЭКС-признакам инфаркта миокарда выше на 12 и 8 % соответственно, чем у используемых в практической медицине способов амплитудно-временного анализа ЭКС.

4 Предложена и обоснована структура программного обеспечения компьютерной диагностической системы, реализующая новые способы анализа ЭКС и позволяющая приблизить возможности доклинического анализа ЭКС к уровню клинических обследований сердца.

Практическая значимость и реализация результатов:

1 Предложенные способы анализа ЭКС используются как основа для построения новых средств кардиодиагностики. Результаты диссертационного исследования реализованы в компьютерной диагностической системе (КДС) «Кардиовид», проходящей клиническую апробацию в городской больнице скорой медицинской помощи им. Г. А. Захарьина г. Пензы. Испытания КДС свидетельствуют о повышении эффективности диагностики ИМ, что позволяет повысить эффективность лечения.

2 Методика нейросетевого анализа ЭКС для диагностики инфаркта миокарда способствует решению сложных терапевтических задач, возникающих при необходимости выбора тех или иных методов лекарственного воздействия при повреждении миокарда с целью приостановления или замедления его прогрессирования.

3 Разработанная при непосредственном участии автора КДС «Кардиовид» используется в учебном процессе Медицинского института Пензенского государственного университета.

4 Созданная подсистема регистрации пациентов в лечебных учреждениях повышает оперативность постановки диагноза и достоверность назначения лечения.

На защиту выносятся:

1) способ анализа ЭКС на основе совместного использования способов, осуществляющих как измерение отдельных элементов кардиоцикла, так и оценку кардиоцикла в целом, обеспечивающий принципиальную возможность в условиях массового обследования с вероятностью до 99,9 % выделить пациентов с неблагоприятным состоянием сердца;

2) ЭКС-признаки инфаркта миокарда, полученные путем анализа ЭКС в частотно-временной области на основе вейвлет-преобразования, в амплитудно-временной области на основе построения аттрактора ЭКС, при нейросетевом анализе ЭКС на основе разработанных решающих правил и повышающие чувствительность и специфичность диагностики инфаркта миокарда;

3) способы выделения R-зубцов и определения начала кардиоцикла, позволяющие путем надежного (99,7 %) детектирования R-зубцов минимизировать вероятность ошибки второго рода (пропуск события) и обеспечивающие повышение достоверности оценки электрической активности синусового узла и топики миокарда;

4) алгоритм обучения CCLVQ3 и структура двухслойной нейронной сети LVQ, обеспечивающие повышение чувствительности и специфичности к ЭКС-признакам инфаркта миокарда по сравнению с используемыми в практической медицине способами амплитудно-временного анализа ЭКС;

5) структура программного обеспечения компьютерной диагностической системы, позволяющая реализовать разработанный подход к анализу электрокардиографической информации и используемая как основа для построения новых средств кардиодиагностики.

Достоверность полученных результатов обусловлена непротиворечивостью и полнотой исходных предпосылок, корректным использованием аналитических и расчетных методов, сопоставимостью результатов теоретического исследования и моделирования с экспериментальными данными и практической реализацией.

Апробация результатов исследования. Основные результаты работы прошли апробацию на 23 международных научных конференциях и выставках, отмечены в каталоге Международной компьютерной выставки CeBIT-2006, награждены золотыми и серебряными медалями ВВЦ (2005) и Московского салона инноваций и инвестиций (2006, 2010).

Публикации. Основные положения работы представлены в 28 публикациях, в том числе 20 статьях и тезисах докладов конференций (из них 5 – в изданиях, рекомендованных ВАК), 6 патентах РФ на изобретение (из них 5 – на способы обработки электрокардиосигнала, 1 – на устройство обработки электрокардиосигнала), 1 зарегистрированной программной разработке, 1 учебном пособии.

Структура и объем работы. Работа состоит из введения, четырех глав, заключения, списка литературы и трех приложений. Общий объем составляет 150 страниц, работа содержит 67 рисунков, 6 таблиц, список литературы, включающий 99 наименований.

Автор выражает благодарность доктору медицинских наук, профессору Ф. К. Рахматуллову за ценную помощь, оказанную в ходе подготовки данной диссертационной работы.

Краткое содержание работы

Во введении обоснована актуальность работы, сформулированы цель и задачи исследования, показаны научная новизна и практическая ценность работы, приводятся основные положения, выносимые на защиту.

В первой главе рассматривается электрокардиографический способ диагностики сердца и делается обзор используемых в практической медицине способов и средств оценки состояния сердца для диагностики ИМ. На рисунке 1 приведена структура кардиоцикла и ЭКС-признаки ИМ.

 Рисунок 1 – Структура кардиоцикла и-2
Рисунок 1 – Структура кардиоцикла и ЭКС-признаки ИМ




Цифрами на рисунке 1 обозначены: 1 – патологический зубец Q;
2 – низкоамплитудный зубец R; 3 – «возвышение» сегмента ST; 4 – отрицательный зубец T.

Показано, что работа известных кардиоанализаторов заключается в регистрации ЭКС, его амплитудно-временном анализе и выдаче заключения о состоянии сердца. При этом чувствительность (вероятность правильного выявления наличия заболевания) способа амплитудно-временного анализа ЭКС для диагностики ИМ составляет 75 %. По данным различных авторов, своевременно не диагностируются от 10 до 42 % случаев ИМ, а чувствительность некоторых ЭКС-признаков острого ИМ составляет для сегмента ST – 54 %, для аномального зубца Q – 31 %.

Очевидно, что существующие системы диагностики состояния сердца не удовлетворяют современным требованиям функциональной диагностики. Необходимо повышение эффективности диагностики ИМ за счет совершенствования способов анализа ЭКС.

Показано, что большое влияние на результаты анализа ЭКС для диагностики ИМ оказывают действия по предварительной обработке ЭКС, такие как устранение артефактов, детектирование R-зубцов и выделение кардиоциклов. Некорректное детектирование R-зубцов и, как следствие, неточное выделение кардиоциклов ЭКС влекут за собой выдачу неправильного медицинского заключения. Многочисленные артефакты (нехарактерные скачки напряжения на ЭКС), возникающие из-за особенностей наложения электродов, резких изменений положения тела пациента и по другим причинам, могут серьезно затруднить правильное детектирование
R-зубцов. Исследование существующих способов устранения артефактов, детектирования R-зубцов и выделения кардиоциклов ЭКС показало, что известные способы не удовлетворяют задаче обработки ЭКС для диагностики ИМ, поскольку при детектировании R-зубцов допускают ошибку второго рода – пропуск события.

Исследование способа нейросетевого анализа (НСА) ЭКС для диагностики ИМ, проведенное в среде математического моделирования Matlab, показало чувствительность – 76 %, специфичность – 80 %, что выше соответствующих показателей классического способа амплитудно-временного анализа ЭКС для диагностики ИМ. Данное исследование было проведено с использованием нейронной сети (НС) LVQ, так как НС хорошо зарекомендовала себя для решения задач классификации, к которым относится диагностика ИМ. В то же время анализ классических алгоритмов обучения НС LVQ (LVQ1, LVQ2.1, LVQ3) выявил ряд их существенных недостатков, в частности невозможность решения на их основе проблемы «мёртвых» нейронов.

На основе проведенного обзора существующих способов и средств анализа ЭКС, а также выполненного исследования НСА для диагностики ИМ уточнены задачи диссертационного исследования, для достижения которых необходимо решить вопросы:

– повышения достоверности способов и средств диагностики ИМ путем разработки и реализации комбинированного способа анализа ЭКС;

– разработки эффективных способов выделения кардиоцикла и отдельных элементов ЭКС;

– разработки и исследования нового способа НСА ЭКС, в частности разработки методики НСА ЭКС и подготовки обучающего набора данных, адаптации структуры НС к особенностям анализа ЭКС, разработки и реализации нового алгоритма обучения НС для анализа ЭКС, построения решающих правил для диагностики ИМ при НСА ЭКС;

– усовершенствования способа частотно-временного анализа ЭКС, в частности разработки критериев для диагностики ИМ при частотно-временном анализе ЭКС, построения 3D-вейвлет спектрограммы и «поверхности разницы»;

– разработки структуры программного обеспечения компьютерной диагностической системы, повышающей достоверность диагностики ИМ.

Вторая глава посвящена разработке комбинированного способа обработки ЭКС для диагностики ИМ. Этапы предлагаемого анализа ЭКС для диагностики ИМ представлены на рисунке 2.

 Рисунок 2 – Этапы предлагаемого анализа ЭКС На этапе предварительной-11

Рисунок 2 – Этапы предлагаемого анализа ЭКС

На этапе предварительной обработки ЭКС используются запатентованные способы, осуществляющие:

  • устранение артефактов и выделение R-зубцов ЭКС. Суть данного способа заключается в том, что для ЭКС с частотой дискретизации вычисляют во всех отведениях первую производную по модулю с шагом , разбивают сигнал производной на интервалы поиска локальных экстремумов длиной , осуществляют устранение в полученных интервалах высокоамплитудных всплесков (артефактов), суммируют сигналы производных, формируют пороговый уровень Psum, выполняют обнуление значений сигналов производной, меньших 0,3Psum, устанавливают моменты появления начала ti1 и окончания ti2 сигнала суммы производных, определяют местоположение вершины R-зубца ЭКС ;
  • выделение начала кардиоцикла ЭКС, выполняемое в два этапа. На первом этапе на основе разработанного и запатентованного способа применения пропорции «золотого сечения» определяется приблизительный интервал, включающий момент начала кардиоцикла, который находится на расстоянии 1/4 интервала R–R от вершины выделенного зубца R. На втором этапе в выделенном интервале уточняется начало кардиоцикла с использованием разработанного и запатентованного способа выделения начала кардиоцикла на основе вейвлет-преобразования, суть которого заключается в факте выявления резонанса частотных составляющих интервала TP ЭКС. При этом определяют интервал , где ,
    – окончание зубца (см. рисунок 1), – начало зубца , в котором присутствует сигнал начала кардиоцикла; осуществляют вейвлет-преобразование интервала t с применением вейвлета sym2; суммируют результаты вейвлет-преобразования в каждом отведении ЭКС. В результирующем сигнале наибольшую амплитуду имеет участок, соответствующий моменту возникновения электрического импульса в синусовом узле. Именно этот участок соответствует моменту начала кардиоцикла;

– выделение сегментов, зубцов и интервалов ЭКС. При диагностике ИМ два ЭКС-признака ИМ относятся к комплексу QRS (см. рисунок 1), поэтому задача надежного выделения данного комплекса, по мнению автора, имеет существенное значение. Суть способа выделения QRS-комплекса ЭКС заключается в вычислении в выделенном кардиоцикле значений производной дискретных отсчетов ЭКС и определении интервала значений производной ЭКС, принадлежащих QRS-комплексу ЭКС.

Потребность в расширении области представления диагностической информации обусловила разработку комбинированного способа анализа ЭКС (рисунок 3).

 Схема комбинированного способа анализа ЭКС В основе-22
Рисунок 3 – Схема комбинированного способа анализа ЭКС

В основе комбинированного способа анализа ЭКС лежит мажоритарный принцип (F = A # D # C) принятия решения. Параллельное использование разных (независимых) способов анализа ЭКС повышает вероятность правильного выявления заболевания или чувствительность способа (P):

, (1)

где pi – вероятность правильного выявления заболевания i-го способа.

При p1 = p2 = р3 = 0,6 P = [1 – (1 – р)3] = 1 – 0,064 = 0,936.

Очевидно, что при увеличении чувствительности pi и числа способов n обеспечивается принципиальная возможность повышения P до 99,9 %.

Расширение области представления диагностической информации является отличительной особенностью разработанного комбинированного подхода к оценке состояния сердца. Так, предложенный способ анализа ЭКС в частотно-временной области для диагностики ИМ с использованием вейвлет-преобразования заключается в выявлении характерных особенностей ЭКС в частотно-временной области и построении на основе
3D-вейвлет спектрограмм ЭКС «поверхности разницы», позволяющей оценить состояние сердца.

В рамках НСА ЭКС автором:

  • адаптирована структура двухслойной НС LVQ;
  • разработана методика подготовки обучающего набора данных;
  • разработан новый алгоритм обучения НС CCLVQ3;
  • разработаны решающие правила при выборе результата НСА.

Для диагностики ИМ используется 12 нейронных сетей LVQ (по одной НС для каждого стандартного отведения ЭКС).

Адаптация структуры НС LVQ для анализа ЭКС заключается в том, что нейроны конкурирующего слоя делятся на равные группы кластеров (совокупность ЭКС, относящихся к одному конкретному типу ИМ) и «проецируются» на один из нейронов линейного слоя, которому соответствует определенный тип ИМ.

Этап подготовки обучающего набора данных (ОНД) включает такие действия, как регистрация ЭКС, выделение кардиоцикла, подавление тренда ЭКС, приведение ЭКС к изолинии, обеспечение соответствия числа компонентов векторов ОНД количеству входов НС, масштабирование компонентов ОНД, внесение избыточности в ОНД, в том числе зашумление и временной сдвиг, перемешивание векторов ОНД.

Разработанный алгоритм обучения CCLVQ3 является основополагающим элементом НСА, определяющим эффективность диагностики ИМ. По сравнению с классическими алгоритмами обучения (LVQ1, LVQ2.1, LVQ3) новый алгоритм полностью решает проблему «мёртвых» нейронов, повышая при этом обобщающую способность и сходимость обучения. Схема алгоритма обучения CCLVQ3 представлена на рисунке 4.

 Схема алгоритма обучения CCLVQ3 Для определения степени-24

Рисунок 4 – Схема алгоритма обучения CCLVQ3

Для определения степени близости между компонентами вектора и весами нейронов конкурирующего слоя w1m в разработанном алгоритме CCLVQ3 используется эвклидова мера, выражаемая формулой

. (2)

Критерием окончания обучения является прохождение в цикле всех эпох, количество которых задано в начале обучения.

Отличительными особенностями нового алгоритма являются:

– модификация компонентов обучающего вектора xh в соответствии с методом выпуклой комбинации (convex combination). Алгоритм обновления весов нейронов конкурирующего слоя отличается тем, что если оба нейрона-победителя относятся к одному и тому же классу, то веса второго нейрона-победителя обновляются в меньшей степени;

 применение механизма штрафования в соответствии с формулой

, (3)

где Tw – вектор, содержащий информацию о количестве «правильных» побед каждого нейрона; d – вектор вычисленных эвклидовых расстояний между обучающим модифицированным вектором x’ и нейронами конкурирующего слоя;

 усовершенствованный подход к оценке качества обучения НС LVQ. С целью предварительной оценки качества обучения НС совместно используются ошибка обучения и ошибка квантования.

По результатам НСА ЭКС даются следующие рекомендации:

– пациент здоров, если все отведения в результате НСА были отнесены к классу «здоровых» ЭКС (допускается одно «нездоровое» отведение);

– отклонение от нормы, если два-три отведения в результате НСА были отнесены к классу «нездоровых» ЭКС;

– подозрение на ИМ, если четыре или более отведений в результате НСА были отнесены к классу «нездоровых» ЭКС.

Третья глава посвящена экспериментальному исследованию комбинированного способа анализа ЭКС. Были обработаны ЭКС 250 пациентов с подтвержденным врачами-кардиологами диагнозом, в том числе 93 здоровых, 61 больной с переднеперегородочным ИМ, 57 больных с ИМ передней стенки левого желудочка. В ходе исследования получены результаты, свидетельствующие о более точном (11 %) выделении начала кардиоцикла и более надежном (99,7 %) выделении R-зубцов, что позволяет минимизировать вероятность ошибки второго рода – пропуск события.

Проведено исследование разработанного способа частотно-временного анализа ЭКС для диагностики ИМ. Пример построения
3D-вейвлет спектрограммы и «поверхности разницы» QRS-комплекса ЭКС с использованием вейвлета sym2 представлен на рисунке 5.

 3D-вейвлет спектрограмма и «поверхность разницы» ЭКС -28  3D-вейвлет спектрограмма и «поверхность разницы» ЭКС -29  3D-вейвлет спектрограмма и «поверхность разницы» ЭКС -30  3D-вейвлет спектрограмма и «поверхность разницы» ЭКС -31
Рисунок 5 – 3D-вейвлет спектрограмма и «поверхность разницы» ЭКС

Установлено, что ЭКС-признаками ИМ в частотно-временной области являются значения от 1,5 до 2,0 модуля коэффициентов «поверхности разницы»: для QRS-комплекса ЭКС – не менее чем в 4 из 12 стандартных отведений; для сегмента ST ЭКС – в отведениях II, III, aVF; для зубца T ЭКС – не менее чем в 4 из 12 стандартных отведений.

Выполнено исследование разработанного алгоритма обучения нейронной сети CCLVQ3 (рисунок 6).

Рисунок 6 – Исследование разработанного алгоритма обучения CCLVQ3

В результате получены зависимости влияния следующих параметров на качество обучения и определены их значения по критерию оптимальности оценки качества обучения НС LVQ: число входов НС – 150; количество нейронов скрытого слоя – 42; число выходов НС – 3; значения коэффициентов избыточности, зашумления, нормирования и сдвига – 10, 3, 1, 2 соответственно; число сигналов в обучающей выборке – 60; значение порога штрафования – 10; количество эпох обучения – 15.

Установлено, что при данных количественных показателях чувствительность и специфичность НСА составляют 87 и 83 % соответственно, что превышает показатели известного способа амплитудно-временного анализа ЭКС на 12 и 8 % соответственно.

Четвертая глава посвящена реализации комбинированного способа анализа ЭКС в компьютерной диагностической системе.

На рисунке 7 представлена разработанная структура программного обеспечения КДС, которая на основе технологии «клиент-сервер» обеспечивает все этапы анализа ЭКС для диагностики ИМ. Особенностью разработанной структуры является возможность интеграции с медицинскими информационными системами, действующими в учреждениях здравоохранения. Кроме того, разработанная структура позволяет автоматизировать процесс анализа ЭКС для диагностики ИМ, обеспечивая принципиальную возможность исключить необходимость присутствия врача при формировании диагностического заключения.

Кроме того, в рамках реализации комбинированного способа анализа ЭКС разработана методика НСА ЭКС и проведено тестирование КДС
(рисунок 8), которое показало эффективность НСА для диагностики ИМ.

В настоящее время в России отсутствуют производители средств доклинической диагностики состояния сердца, осуществляющих комбинированный анализ ЭКС для определения ИМ, что позволит разработанной КДС успешно конкурировать с ведущими зарубежными фирмами, работающими в данной области.

В разделе основные результаты приводятся выводы о проделанной работе, в том числе о работоспособности и эффективности предложенных способов и средств компьютерной обработки ЭКС для диагностики ИМ.

 Структура программного обеспечения КДС Рисунок-33
Рисунок 7 – Структура программного обеспечения КДС
 Тестирование НСА ЭКС в КДС В приложениях-34
Рисунок 8 – Тестирование НСА ЭКС в КДС

В приложениях представлены:

1) результаты исследования нейросетевого и частотно-временного анализа ЭКС для диагностики ИМ;

2) листинг программного модуля нейросетевого анализа ЭКС для диагностики ИМ;

3) документы о внедрении результатов диссертационной работы.

Основные результаты

1 Анализ существующих способов автоматического определения информационных параметров ЭКС для диагностики ИМ позволил определить их чувствительность и специфичность и сформулировать требования к разработке и реализации нового способа анализа ЭКС в 12 стандартных отведениях для диагностики ИМ.

2 Разработан новый способ анализа ЭКС для диагностики ИМ за счет совместного использования способов, осуществляющих как измерение отдельных элементов кардиоцикла, так и оценку кардиоцикла в целом. В условиях массового обследования обеспечивается принципиальная возможность выделения с вероятностью до 99,9 % пациентов с неблагоприятным состоянием сердца и приближения возможностей доклинического анализа ЭКС к уровню клинических обследований сердца.

3 Разработан новый способ выделения кардиоцикла на основе совместного использования предложенных способов амплитудно-временного и частотно-временного анализа ЭКС, позволяющий точнее на 11 % определить визуально не различимую, но диагностически значимую электрическую активность синусового узла сердца.

4 Разработан новый алгоритм обучения CCLVQ3 на основе способа «выпуклой комбинации», адаптирована структура НС LVQ и разработана методика нейросетевого анализа ЭКС, обеспечивающие чувствительность и специфичность к ЭКС-признакам ИМ выше на 12 и 8 % соответственно, чем у известных способов амплитудно-временного анализа.

5 Разработана структура программного обеспечения КДС, применение которой показывает эффективность предложенного способа анализа ЭКС для диагностики ИМ. Полученные результаты свидетельствуют о возможности использования разработанных способов и средств в качестве основы для создания отечественной диагностической аппаратуры нового поколения, обладающей большей функциональностью, оперативностью и простотой обслуживания.

Основные публикации по теме диссертации

Публикации в изданиях, рекомендованных ВАК

1 Логинов, Д. С. Совершенствование ЭКГ анализа при определении электрической активности сердца / О. Н. Бодин, Д. С. Логинов, Н. Ю. Митрохина // Медицинская техника. – 2008. – № 3. – С. 23–26.

2 Логинов, Д. С. Адаптация структуры нейронной сети LVQ для анализа электрокардиосигнала / О. Н. Бодин, Д. С. Логинов // Нейрокомпьютеры: разработка, применение. – 2008. – № 5–6. – С. 88–92.

3 Логинов, Д. С. Организация информационного обеспечения медицинской компьютерной диагностической системы / О. Н. Бодин, Д. С. Логинов, М. А. Семенкин // Информационно-измерительные и управляющие системы. – 2008. – № 12. – С. 37–44.

4 Логинов, Д. С. Интеллектуальный анализ электрокардиосигналов для диагностики инфаркта миокарда / О. Н. Бодин, А. В. Кузьмин,
Д. С. Логинов // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2010. – № 1. – С. 46–52.

5 Логинов, Д. С. Концепция виртуальной медицинской диагностической системы / О. Н. Бодин, Д. С. Логинов, А. Е. Моисеев, Р. В. Рябчиков // Датчики и системы. – 2011. – № 4. – С. 13–18.

Публикации в других изданиях

6 Логинов, Д. С. Организация программного обеспечения компьютерной диагностической системы «Кардиовид» на основе вычислительного пакета «Matrix32» / Д. С. Логинов // Математические методы и информационные технологии в экономике, социологии и образовании : сб. материалов XXI Междунар. науч.-техн. конф. – Пенза : ПДЗ, 2008. – С. 117–120.

7 Логинов, Д. С. Дуализм нейросетевого анализа в компьютерной диагностической системе «Кардиовид» / Д. С. Логинов // Информационные и управленческие технологии в медицине и экологии : сб. публ. III Всерос. науч.-техн. конф. – Пенза : ПДЗ, 2009. – С. 73–75.

8 Логинов, Д. С. Особенности «технологического конвейера» анализа электрокардиосигнала для диагностики инфаркта миокарда / Д. С. Логинов // Методы, средства и технологии получения и обработки измерительной информации : тр. междунар. науч.-техн. конф. «Шляндинские чтения – 2010». – Пенза : Изд-во ПГУ, 2010. – С. 163–166.

9 Логинов, Д. С. Эволюция систем неинвазивной диагностики состояния сердца / О. Н. Бодин, А. В. Кузьмин, Д. С. Логинов // Информационные и управленческие технологии в медицине : сб. тр. II Всерос. науч.-техн. конф. – Пенза : ПДЗ, 2008. – С. 68–71.

10 Логинов, Д. С. Концепция неинвазивной диагностики состояния сердца / О. Н. Бодин, Д. С. Логинов, Н. Ю. Митрохина // Методы компьютерной диагностики в биологии и медицине 2008 : сб. тр. ежегод. всерос. науч. школы-семинара на базе Саратов. гос. ун-та им. Н. Г. Чернышевского. – Саратов, 2008. – С. 46–48.

11 Логинов, Д. С. Internet-приложение компьютерной диагностической системы «Кардиовид» / О. Н. Бодин, Д. С. Логинов, А. С. Муковнин // Украинский журнал телемедицины и медицинской телематики. – Донецк, 2009. – Т. 7, № 1. – С. 31–35.

12 Логинов, Д. С. Анализ электрической активности сердца на основе вейвлет-преобразования / О. Н. Бодин, И. П. Бурукина, Д. С. Логинов // 9-й Конгресс Российского общества холтеровского мониторирования и неинвазивной электрофизиологии. – СПб., 2009. – С. 117–119.

13 Логинов, Д. С. Компьютерная система диагностики состояния сердца / О. Н. Бодин, Д. С. Логинов, Д. Г. Авдеев, О. А. Зайцева // Инновационные проекты Поволжья. – Ульяновск, 2009. – С. 56–58.

14 Логинов, Д. С. Особенности обучения нейронных сетей в КДС «Кардиовид» / Д. С. Логинов, Н. А. Волкова // Биотехнические медицинские и экологические системы и комплексы : материалы междунар. науч.-техн. конф. с элементами научной школы для молодежи «Биомедсистемы – 2009». – Рязань, 2009. – С. 31–33.

15 Логинов, Д. С. Особенности организации информационного взаимодействия в интернет-приложении компьютерной диагностической системы «Кардиовид» / О. Н. Бодин, Д. С. Логинов, А. А. Митин, А. Е. Чуксин // Украинский журнал телемедицины и медицинской телематики. – Донецк, 2010. – Т. 8, № 1. – С. 105–106.

16 Логинов, Д. С. Алгоритм нейросетевого анализа электрокардиосигнала для определения состояния сердца / О. Н. Бодин, Д. С. Логинов,
Н. А. Волкова // Современные информационные и электронные технологии (СИЭТ–2010) : сб. тр. XI Междунар. науч.-практ. конф. – Одесса, 2010. –
С. 30.

17 Логинов, Д. С. Пути повышения качества обучения нейронных сетей в КДС «Кардиовид» / О. Н. Бодин, Д. С. Логинов, Н. А. Волкова // Информационные технологии в проектировании и производстве : сб. науч. тр. конф. «Надежность и качество – 2010». – Пенза, 2010. – С. 31–36.

18 Логинов, Д. С. Основы анализа электрокардиосигналов: учеб. пособие / О. Н. Бодин, Д. С. Логинов, А. В. Кузьмин, Н. Ю. Митрохина. – Пенза : Изд-во ПГУ, 2010. – 41с.

19 Логинов, Д. С. Особенности виртуальной медицинской диагностической системы / О. Н. Бодин, Д. С. Логинов, А. Е. Моисеев // Методы, средства и технологии получения и обработки измерительной информации : тр. междунар. науч.-техн. конф. «Шляндинские чтения – 2010». – Пенза : Изд-во ПГУ, 2010. – С. 171–174.

20 Логинов, Д. С. Особенности обучения нейронной сети LVQ для анализа электрокардиосигнала / В. И. Волчихин, О. Н. Бодин, Д. С. Логинов // Информационно-измерительная техника : межвуз. сб. науч. тр. / под ред. проф. Е. А. Ломтева. – Пенза : Изд-во ПГУ, 2011. – С. 123–135.

21 Логинов, Д. С. Нейросетевой анализ электрокардиосигналов в среде Matlab / Д. С. Логинов, А. В. Градскова, В. В. Диков, Р. В. Рябчиков // Информационно-измерительная техника : межвуз. сб. науч. тр. / под ред. проф. Е. А. Ломтева. – Пенза : Изд-во ПГУ, 2011. – С. 148–154.

Патенты и свидетельства о регистрации

22 Пат. 2292075 Российская Федерация. Синергическая вычислительная система / О. Н. Бодин, Д. С. Логинов, К. А. Тарнопольский. –
№ 2005119236/09 ; заявл. 21.06.2005 ; опубл. 20.01.2007, Бюл. № 2.

23 Пат. 2294139 Российская Федерация. Способ выделения начала кардиоцикла и устройство для его осуществления / А. Н. Митрошин,
О. Н. Бодин, Д. С. Логинов, И. О. Жулев, В. В Прошкин. –
№ 2005115597/14 ; заявл. 23.05.2005 ; опубл. 27.02.2007, Бюл. № 6.

24 Пат. 2366358 Российская Федерация. Способ выделения начала кардиоцикла / О. Н. Бодин, Д. С. Логинов. – № 2008109719/14 ; заявл. 17.03.2008 ; опубл. 10.09.2009, Бюл. № 25.

25 Пат. 2359606 Российская Федерация. Способ выделения начала кардиоцикла / О. Н. Бодин, Д. С. Логинов. – № 2007109612/14 ; заявл. 16.03.2007 ; опубл. 27.06.2009, Бюл. № 18.

26 Пат. 2383295 Российская Федерация. Способ обработки электрокардиосигнала для диагностики инфаркта миокарда / О. Н. Бодин,
Д. С. Логинов, О. А. Зайцева, А. Е. Моисеев. – № 2008135937/14 ; заявл. 08.09.2008 ; опубл. 10.03.2010, Бюл. № 7.

27 Пат. 2410023 Российская Федерация. Способ выделения QRS-комплекса электрокардиосигнала / О. Н. Бодин, Л. Ю. Кривоногов,
Ф. К. Рахматуллов, Д. С. Логинов, О. А. Зайцева. – № 2009116480/14 ; заявл. 29.04.2009 ; опубл. 27.01.2011, Бюл. № 3.

28 Компьютерная диагностическая система «Кардиовид» : свидетельство о государственной регистрации программы для ЭВМ / О. Н. Бодин,
Д. С. Логинов, И. О. Жулев, Е. А. Гладкова, А. В. Кузьмин, Н. Ю. Митрохина, И. В. Строкова, В. В. Прошкин. – № 2008610570 ; 31.01.2008.

Научное издание

ЛОГИНОВ Дмитрий Сергеевич

СПОСОБЫ И СРЕДСТВА КОМПЬЮТЕРНОЙ ОБРАБОТКИ ЭЛЕКТРОКАРДИОСИГНАЛа ДЛЯ ДИАГНОСТИКИ

ИНФАРКТА МИОКАРДА

Специальность 05.11.17 – Приборы, системы и изделия
медицинского назначения

Подписано в печать 29.04.2011. Формат 60841/16.

Усл. печ. л. 1,16.

Заказ № 302. Тираж 100.

Пенза, Красная, 40, Издательство ПГУ

Тел./факс: (8412) 56-47-33; e-mail: iic@pnzgu.ru



 





<


 
2013 www.disus.ru - «Бесплатная научная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.