Translate this page:
Please select your language to translate the article


You can just close the window to don't translate
Library
Your profile

Back to contents

Cybernetics and programming
Reference:

Neural network techniques for automatic electrocardiogram analysis in the diagnosis of diseases of the cardiovascular system

Mustafaev Arslan Gasanovich

Doctor of Technical Science

Professor of the Department "Information technologies and information security" of the Dagestan State University of National Economy

367015, Russia, respublika Dagestan, g. Makhachkala, ul. Ataeva, 5, kab. 4.5

arslan_mustafaev@hotmail.com
Other publications by this author
 

 

DOI:

10.25136/2644-5522.2019.1.19343

Received:

31-05-2016


Published:

04-03-2019


Abstract: One of the most important factors for the timely provision of medical care is to quickly and accurately obtain information about the state of health of the patient. Electrocardiography (ECG) is a non-invasive process of interpreting the electrical activity of the heart, allowing to evaluate the speed and regularity of heart contractions. This data is used to determine the damage and pathologies of the heart. Automatic ECG analysis is a challenging theoretical and practical task. The goal of the work is to use neural networks to detect the characteristic ECG signals that determine heart rhythm abnormalities and identify the corresponding heart disease. In the design, the Neural Network Toolbox of MATLAB 8.6 (R2015b) was used to simulate an artificial neural network apparatus. The effectiveness of the developed neural network model for ECG analysis was investigated using the MIT-BIH database. The accuracy of detection and extraction of the components of the ECG signal shows that the developed neural network model can be used to detect heart disease in patients. The sensitivity of the model was 71%, the specificity of 89%.


Keywords:

electrocardiogram, artificial neural network, computer diagnostics, multilayer perceptron, error back propagation, data classification, sensitivity, specificity, supervised learning, QRS complex


Введение

По данным Всемирной организации здравоохранения [1] заболевания сердечно-сосудистой системы уносят свыше 17 миллионов жизней в год. Сердечная аритмия и нарушение сердечного ритма могут свидетельствовать о возможности серьезных сердечно-сосудистых заболеваний, инсульта или внезапной сердечной смерти. Ранняя диагностика нарушений сердечного ритма позволяет выбрать соответствующее медикаментозное лечение.

Большинство клинических исследований сердечно-сосудистой системы основаны на анализе электрокардиограмм (ЭКГ) и изучении ряда других регистрируемых сигналов, иллюстрирующих биоэлектрическую активность сердца. К числу несомненных преимуществ такого подхода можно отнести относительную простоту, доступность, неинвазивность и достаточно высокую информативность. ЭКГ — функциональный метод исследования, суть которого заключается в определении состояния сердца сердечно-сосудистой системы по изменениям в его электрической активности. Этот метод исследования на сегодняшний день является самым распространенным и проводится практически во всех медицинских учреждениях.

Наибольший интерес для практического здра­воохранения представляют системы для диагнос­тики заболева­ний. Работы в данной области ведутся российскими и зарубежными исследователями [2-5].

Задачи диагностики и прогнозирования, встречающиеся в медицинской практике как, правило не учитывают все реально имеющиеся условия, от ко­торых зависит результат, а только выделяют некоторый набор наиболее важных усло­вий.

Целью данной работы является разработка нейросетевой системы для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы.

Постановка задачи и эксперимент

Электрокардиография до сих пор остается наиболее распространенным методом функциональной диагностики в кардиологии. В то же время, существующие компьютерные средства анализа и интерпретации ЭКГ все еще не обеспечивают требуемую достоверность результатов диагностики. Изображение эталонной ЭКГ и обозначение ее элементов показано на рис. 1.

File:SinusRhythmLabels.svg

Рис.1. Эталонная электрокардиограмма

На реальных ЭКГ нет четких границ между информативными фрагментами, что затрудняет их автоматическое распознавание. Реальная ЭКГ обычно наблюдается в условиях разного рода возмущений, которые далеко не всегда могут быть сведены лишь к аддитивной помехе. При повышении соотношения сигнал-шум, происходит «размытие» информативных фрагментов из-за неравномерных изменений их продолжительности от цикла к циклу что приводит к ошибкам в измерении диагностических признаков, сосредоточенных на этих фрагментах [6].

Автоматический анализ ЭКГ является непростой теоретической и практической задачей. Физиологическое происхождение сигнала ЭКГ, обусловливает его недетерминированность, разнообразие, изменчивость, нестационарность и подверженность многочисленным видам помех. Увеличение эффективности методов автоматического анализа ЭКГ сдерживается ограничениями, связанными с вычислительной мощность используемых процессоров [7]. Это в наибольшей степени относится к аппаратуре непрерывного наблюдения, так как обработка сигналов в ней должна выполняться в реальном масштабе времени. Производительность вычислительных средств постоянно повышается, поэтому становятся востребованными такие методы обработки и анализа сигналов, применение которых в системах реального времени ранее представлялось сложно реализуемым.

Рис. 2. Образец записи №109 из базы MIT-BIH.

Нейронные сеть — математическая парадигма моделирования поведения биологических нейронных систем. Искусственная нейронная состоит из нескольких простых нелинейных элементов – нейронов, соединенных между собой взвешенными связями – синапсами, формирующими сеть. При обнаружении и обработке ЭКГ сигнала, в основном используются многослойные персептроны и радиально-базисные нейронные сети [8-9].

Если нейроны сгруппированы в слои и их синапсы связаны только с нейронами в соседних слоях, то подобная структура является многослойным персептроном. Модель многослойного персептрона является наиболее популярной и широко изученной. Многослойный персептрон состоит из одного входного и одного выходного слоя, с одним или несколькими скрытыми слоями.

При формировании исходных данных был использован архив, содержащий структурированный массив оцифрованных записей реальных физиологических сигналов и связанных с ними данных для применения биомедицинским сообществом в исследованиях [10]. Данные записи были получены Холтеровским мониторированием в условиях стационара и независимо проанализированы двумя практикующими врачами. Пример записи показан на рис. 2 (фрагмент ЭКГ этой записи показан на рис. 3).

Рис. 3. Фрагмент ЭКГ записи №109

При анализе ЭКГ учитывают следующие нормальные значения интервалов и комплексов [11]:

1. Ширина комплекса QRS в интервале 60- 100 мс.

2. Длительность интервала QT составляет 390- 450 мс.

3. Длительность интервалов R-R одинакова или имеет разброс до 10%.

4. Длительность интервала PQ составляет 120- 200 мс.

5. Амплитуда зубца S не более 20 мм.

6. Зубец T направлен вверх в отведении I и II, но в aVR отведении – всегда будет отрицательный.

7. Зубец Р по амплитуде не более 2,5 мм, а по длительности 0,1 сек.

8. Зубец Q не шире 20- 40 мс и не глубже 1/3 зубца R.

Вопрос нахождения оптимального числа нейронов скрытого слоя не имеет однозначного решения по причине отсутствия устоявшейся методики [12-14]. Например, в [15] рекомендуется число нейронов скрытого слоя определять эмпирическим путем, но в большинстве случаев используется правило , где Nскр, Nвх, Nвых – число нейронов соответственно в скрытом, входном и выходном слое.

В [16] предлагается правило геометрической пирамиды. Число нейронов скрытого слоя в трехслойном персептроне вычисляется из выражения , где Nскр, Nвх, Nвых – число нейронов в скрытом, входном и выходном слое.

Выбор правильного количества нейронов в скрытых слоях является очень важным. Недостаточное число нейронов не позволит сети обучиться Большое число нейронов приведет к увеличению времени обучения сети, до неприемлемого значения, и к эффекту переобучения сети - сеть будет прекрасно работать на обучающей выборке, и очень плохо на входных примерах, не входящих в нее. Это происходит из-за того, что сеть будет обладать избыточными способностями к обучению и наряду со значительными для данной задачи факторами будет учитывать черты, характерные лишь для данной обучающей выборки.

Рис.4. Значения чувствительности, специфичности для выхода «Норма» (а) и выхода «БЛВ» (б) и ошибки обучения (в).

По этой причине в работе использован метод в основе, которого лежит учет критериев оценки эффективности работы искусственной нейронной сети: чувствительность, специфичность и ошибка обучения. От параметров чувствительности и специфичности алгоритма зависит достоверность классификации ритмов сердца. Чувствительность характеризует достоверность определения аномальных эпизодов, а специфичность характеризует достоверность определения эпизодов нормального сердечного ритма.

Для нахождения оптимального числа нейронов скрытого слоя нейронной сети со структурой многослойного персептрона, необходимо произвести исследование показателей чувствительности и специфичности всех выходов сети.

Показатели чувствительности и специфичности в идеальном случае должны стремиться к 100%. В реальных условиях при решении задач диагностики, система должна выбрать один из нескольких вариантов диагноза. При этом по всем вариантам диагноза желательно иметь значения критериев чувствительности и специфичности системы по всем вариантам диагноза равномерно распределенными, но не ниже порогового значения, при котором результат не может считаться достоверным [17].

На рис. 4 показаны значения чувствительности и специфичности, показанные нейронной сетью, при различном числе нейронов в скрытом для двух вариантов выхода.

Для обучения нейронной сети был подготовлен набор данных из 458 эпизодов ЭКГ (обучающая выборка 50%, валидационная выборка 30%, и тестовая выборка 20%). Разработанная нейронная сеть содержит 9 входных нейронов, по числу учитываемых параметров, скрытый слой с 30 нейронами, и 5 нейронов в выходном слое (рис. 5).

Рис. 5. Архитектура нейронной сети

Подготовленные входные данные подаются на входной слой нейронной сети, выходной слой которой диагностирует состояние пациента как нормальное (здоров), блокада левой ножки пучка Гиса (БЛВ), блокада правой ножки пучка Гиса (БПВ), преждевременный предсердный комплекс (ППК), желудочковая экстрасистола (ЖЭ).

В качестве активационной функции в выходном слое использовалась сигмоидальная функция. Для обучения искусственной нейронной сети был использован алгоритм обратного распространения ошибки [18]. При определении выходного результата учитывается максимальное значение одного из выходных нейронов (этот сигнал интерпретируется как единица, а остальные как 0). Например, один из выходных нейронов имеет значение 0,87, если это максимальное значение в выходном слое нейронов, то оно будет интерпретировано как «1», т.е. значения других нейронов выходного слоя интерпретируется как «0».

Специфичность предложенной нейросетевой системы, проверена исследованием на контрольной группе без сердечно-сосудистых заболеваний, составила 81%. Чувствительность разработанной системы проверялась на контрольной группе с сердечно-сосудистыми заболеваниями, составила 79%. Точность обнаружения и извлечения компонентов сигнала ЭКГ, показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов.

References
1. Vsemirnaya organizatsiya zdravookhraneniya [Elektronnyi resurs]: Serdechno-sosudistye zabolevaniya. URL: http://www.who.int/mediacentre/factsheets/fs317/ru (data obrashcheniya: 25.09.2016).
2. Lee J.W., Lee G. Design of an Adaptive Filter with a Dynamic Structure for ECG Signal Processing. International Journal of Control, Automation, and Systems, 2005, Vol. 3, No. 1, pp. 137-142.
3. Ince T., Kiranyaz S., Gabbouj M. A Generic and Robust System for Automated Patient-Specific Classification of ECG Signals, IEEE Transactions on Biomedical Engineering, 2009, Vol. 56, pp. 1415-1426.
4. Lin C.H., Du Y.C., Chen T. Adaptive wavelet network for multiple cardiac arrhythmias recognition. Expert Systems with Applications. 2008. No. 34, pp. 2601-2611.
5. Nikitin V.M., Lomakin V.V., Anokhin D.A., Kaidalova I.K., Ivanov I.I. Informatsionnaya sistema podderzhki prinyatiya reshenii slabostrukturirovannykh zadach v kardiologii // Nauchnye vedomosti BelGU seriya «Istoriya. Politologiya. Ekonomika. Informatika». 2010. № 19(90). Vyp. 16/1. s. 112–119.
6. Fainzil'berg L.S., Lebedushko T.Yu. Issledovanie diagnosticheskoi tsennosti fazovykh portretov EKG po dannym spetsializirovannykh baz // Kibernetika i vychislitel'naya tekhnika. 2012. Vyp. 169. S. 34-50.
7. Kalinichenko A.N. Otsenka razdelyayushchei sposobnosti metodov klassifikatsii form EKG // Izvestiya SPbGETU "LETI". Ser. Biotekhnicheskie sistemy v meditsine i ekologii. 2006. Vyp. 1. S. 21-30.
8. Guangying Y., Yue C. The Study of Electrocardiograph Based on Radial Basis Function Neural Network," Intelligent Information Technology and Security Informatics (IITSI), 2010 Third International Symposium, pp.143-145.
9. Gao D., Madden M. Bayesian ANN Classifier for ECG Arrhythmias Diagnostic System,” Proceeding of IEEE International Joint Conference on Neural Network 2003 pp. 2454-2459.
10. Baza dannykh aritmii Massachusetskogo tekhnologicheskogo instituta [Elektronnyi resurs]: Opisanie. URL: http://ecg.mit.edu/ (data obrashcheniya: 20.09.2016).
11. Gabriel' Khan M. Bystryi analiz EKG. M.: Binom, 2009. 408 s.
12. S. Trenn, “Multilayer perceptrons: approximation order and necessary number of hidden units,” IEEE Transactions on Neural Networks, vol. 19, no. 5, pp. 836–844, 2008.
13. S. Xu and L. Chen, “A novel approach for determining the optimal number of hidden layer neurons for FNN's and its application in data mining,” in Proceedings of the 5th International Conference on Information Technology and Applications (ICITA '08), pp. 683–686, 2008.
14. J. Sun, “Learning algorithm and hidden node selection scheme for local coupled feedforward neural network classifier,” Neurocomputing, vol. 79, pp. 158–163, 2012.
15. Nazarov A.V., Loskutov A.I. Neirosetevye algoritmy prognozirovaniya i optimizatsii sistem. – SPb: Nauka i tekhnika, 2003. – 380 s.
16. Masters T. Practical Neural Network Recipes in C++. Academic Press, 1993. -504p.
17. Salekh M.A., Isakov R.V. Otsenka effektivnosti primeneniya iskusstvennykh neironnykh setei dlya analiza segmentirovannykh elektrokardiokompleksov. Biomeditsinskaya radioelektronika. № 6, 2012, s.21-27.
18. Mustafaev A.G. Neirosetevaya model' prognozirovaniya urovnya glyukozy v krovi u bol'nykh sakharnym diabetom // Kibernetika i programmirovanie. 2016. № 3. c. 1-5. DOI: 10.7256/2306-4196.2016.3.18010. URL: http://e-notabene.ru/kp/article_18010.html.