Воронеж, Воронежская область, Россия
сотрудник
Воронеж, Воронежская область, Россия
В работе представлено решение проблемы разработки искусственной нейронной сети для классификации электрокардиограмм с целью выявления сердечно-сосудистых заболеваний пациента. Выполнен литературный обзор применения искусственных нейронных сетей для использования в медицине при определении различных сердечных патологий состояния пациентов. Определены наиболее значимые шесть параметров сердечного ритма, которые могут быть использованы при нейросетевом моделировании состояния сердечно-сосудистой системы человека. Проведен анализ возможностей известных коммерческих программ по классификации электрокардиограмм, выявлены их достоинства и недостатки. Описаны возможности современных приборов для снятия кардиограмм с указанием точности их измерений. Проведено исследование трех различных структур искомой нейронной сети и выбран наилучший вариант. Программный пакет выполнен на языке Python в среде Pycharm 2023.1. Обучение сети проводили на основе алгоритма обратного распространения ошибки, оптимизатором служил метод Адама. В качестве критерия использовали среднеквадратическое отклонение выходного сигнала сети от эталона. Функция Softmax, используемая в выходном слое, служит для преобразования выхода нейронов в вероятности. Таким образом, разработана нейронная математическая модель для выявления сердечных заболеваний, обладающая невысокими системными требованиями к ЭВМ, которая может быть применена для разработки программного обеспечения для носимой электроники. Искусственная нейронная сеть обладает следующей метрикой: точность – 90%, чувствительность – 90%, специфичность – 10%.
искусственный интеллект, нейронные сети, машинное обучение, методы обучения ИНС, ИНС классификации ЭКГ, сердечно-сосудистые заболевания.
1. Киреева, К.А. Анализ возможности применения искусственных нейросетей в кардиологии / К.А. Киреева, Л.А. Коробова, Д.В. Арапов // Информационные технологии в строительных, социальных и экономических системах. - 2022. - № 4(30). - С. 168-176.
2. Халайджи, А.К. Методы классификации нарушений сердечного ритма на основе кодирования последовательностей RR-интервалов сигнала ЭКГ / А.К. Халайджи, И.Б. Мучник // Труды НГТУ им. Р.Е. Алексеева. - 2021. - № 1(132). - С. 38-53. - DOI:https://doi.org/10.46960/1816-210X_2021_1_38.
3. Диагностика гипертрофий левых отделов сердца с помощью глубокой нейронной сети / П.К. Андреев, В.В. Ананьев, В.А. Макаров [и др.] // Труды Института системного программирования РАН. - 2020. - Т. 32, № 4. - С. 141-154. - DOI:https://doi.org/10.15514/ISPRAS-2020-32(4)-10.
4. Нейросетевая модель для ранней диагностики хронической сердечной недостаточности / В.И. Горбаченко, В.В. Потапов, О.К. Зенин [и др.] // Известия высших учебных заведений. Поволжский регион. Медицинские науки. - 2022. - № 4(64). - С. 5-15. - DOI:https://doi.org/10.21685/2072-3032-2022-4-1.
5. Кирпиков, М.В. Методы обучения ИНС / М.В. Кирпиков, А.Е. Немовленко, А.В. Макарова // Herald of Science and Education. - 2021. - № 11-2(114). - С. 56-60.
6. Онищенко, П.С. Искусственные нейронные сети в кардиологии: анализ графических данных / П.С. Онищенко, К.Ю. Клышников, Е.А. Овчаренко // Бюллетень сибирской медицины. - 2021. - Т. 20, № 4. - С. 193-204. - DOI:https://doi.org/10.20538/1682-0363-2021-4-193-204.
7. Швец, Д.А. Сравнительный обзор использования методов машинного обучения для прогнозирования сердечно-сосудистого риска / Д.А. Швец, С.В. Поветкин // Вестник новых медицинских технологий. Электронное издание. - 2020. - № 5. - С. 74-82. - DOI:https://doi.org/10.24411/2075-4094-2020-16711.
8. Рязанова, С.В. Новые тенденции становления искусственного интеллекта в медицине / С.В. Рязанова, В.П. Мазаев, А.А. Комков // CardioСоматика. - 2021. - Т. 12, № 4. - С. 227-233. - DOI:https://doi.org/10.17816/22217185.2021.4.201264.
9. Бацина, Е.А. Цифровизация здравоохранения РФ: миф или реальность? / Е.А. Бацина, А.Н. Попсуйко, Г.В. Артамонова // Врач и информационные технологии - 2020 - № 3. С. 73-80. - DOI:https://doi.org/10.37690/1811-0193-2020-3-73-80.
10. Смартфон в медицине - от справочника к диагностической системе. Обзор современного состояния вопроса / А.А. Федорович, А.Ю. Горшков, А.И. Королев, О.М. Драпкина // Кардиоваскулярная терапия и профилактика. - 2022. - № 21(9). - С. 3298. - DOI:https://doi.org/10.15829/1728-8800-2022-3298.
11. Библиотека глубокого обучение на Python. - URL: https://ru-keras.com/(дата обращения: 10.04.2023).
12. База данных MIT-BIH Arrythmia Database. - URL: https://physionet.org/content/ptbdb/1.0.0/(дата обращения: 10.04.2023).
13. Pieszko, K. Predicting Long-Term Mortality after Acute Coronary Syndrome Using Machine Learning Techniques and Hematological Markers / K. Pieszko, J. Hiczkiewicz, P. Budzianowski // Dis Markers. - 2019. - Vol. 1. - C. 9056402. - DOI:https://doi.org/10.1155/2019/9056402.
14. A survey on ECG analysis / S.K. Berkaya, A.K. Uysal, E.S. Gunal [et al.] // Biomedical Signal Processing and Control. - 2018. - Vol. 43. - Pp. 216-235. - DOI:https://doi.org/10.1016/j.bspc.2018.03.003.
15. Fractional flow reserve or coronary flow reserve for the assessment of myocardial perfusion: Implications of FFR as an imperfect reference standard for myocardial ischemia / V.E. Stegehuis, G.W. Wijntjens, J.J. Piek, T.P. van de Hoef // Current Cardiology Reports. - 2018. - Vol. 20(9). - C. 77. - DOI:https://doi.org/10.1007/s11886-018- 1017-4.
16. Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis / R.W. van Hamersvelt, M. Zreik, M. Voskuil [et al.] // European Radiology. - 2019. - Vol. 29(5). - Pp. 2350-2359. - DOI:https://doi.org/10.1007/s00330-018-5822-3.
17. Catheter localization in 3D ultrasound using voxel-of-interest-based ConvNets for cardiac intervention / H. Yang, C. Shan, A.F. Kolen, P.H.N. de With // International Journal of Computer Assisted Radiology and Surgery. -2019. - Vol. 14(6). - Pp. 1069-1077. - DOI:https://doi.org/10.1007/s11548-019- 01960-y.
18. Deep learning-based muscle segmentation and quantification at abdominal CT: Application to a longitudinal adult screening cohort for sarcopenia assessment / P.M. Graffy, J. Liu, P.J. Pickhardt [et al.] // The British Journal of Radiology. - 2019. - Vol. 92(1100). - Pp. 2921-2928. - DOI:https://doi.org/10.1259/bjr.2019032.
19. Full left ventricle quantification via deep multitask relationships learning / W. Xue, G. Brahm, S. Pandey [et al.] // Medical Image Analysis. - 2018. - Vol. 43. - Pp. 54-65. -DOI:https://doi.org/10.1016/j.media.2017.09.00.
20. Zhou, T. A review: Deep learning for medical image segmentation using multi-modality fusion / T. Zhou, S. Ruan, S. Canu // Array. - 2019. - Vol. 3-4. - C. 100004. - DOI:https://doi.org/10.1016/j.array.2019.100004.
21. Deep learning in medical imaging / M. Kim, J. Yun, Y. Cho [et al.] // Neurospine. - 2019. -Vol. 16(4). - Pp. 657-668. - DOI:https://doi.org/10.14245/ns.1938396.198.
22. Pesapane, F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine / F. Pesapane, M. Codari, F. Sardanelli // European Radiology Experimental. - 2018. - Vol. 2(1). - C. 35. - DOI:https://doi.org/10.1186/s41747-018-0061-6.
23. Brain tumor segmentation using convolutional neural networks in MRI images / M.M. Thaha, K.P.M. Kumar, B.S. Murugan [et al.] // Journal of Medical. Systems. - 2019. - Vol. 43(9). - Pp. 1240-1251. - DOI:https://doi.org/10.1007/s10916-019-1416-0.
24. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks / W. Bai, M. Sinclair, G. Tarroni [et al.] // Journal of Cardiovascular Magnetic Resonance. - 2018. -Vol. 20(1). - C. 65. - DOI:https://doi.org/10.1186/s12968-018-0471-x.
25. Саймон, Д. Карманный справочник по ЭКГ / Д. Саймон. - М. : ГЭОТАР Медиа Россия, 2020. - 192 с.
26. Основы электрической электрокардиографии : учебное пособие // И.Г. Меньшикова, Е.В. Магаляс, И.В. Скляр, Н.В. Лоскутова. - Благовещенск, 2021. - 112 с.
27. Электрокардиографы (ЭКГ аппараты). - URL: https://permedcom.ru/catalog/funktsionalnaya-diagnostika/elektrokardiografy/(дата обращения: 10.04.2023).
28. Экг-аппараты. - URL: https://lpu.elamed.com/katalog/medicinskoe-oborudovanie/diagnosticheskoe-oborudovanie/ekg-apparaty/(дата обращения: 10.04.2023).
29. Program Development for Choosing a Surgical Treatment Option and Mathematical Prediction of Findings in Patients with Postoperative Median Abdominal Hernias / D.V. Arapov, E.F. Cherednikov, S.A. Skorobogatov [et al.] // International Journal of Biomedicine. - 2022. - Vol. 12, No. 2. - P. 303-307. - DOI:https://doi.org/10.21103/Article12(2)_OA19.
30. Information system for diagnosis of respiratory system diseases / G.V. Abramov, L.A. Korobova, A.L. Ivashin, I.A. Matytsina // Journal of Physics: Conference Series. - 2018. - Vol. 1015, 4. -P. 042036. - DOI:https://doi.org/10.1088/1742-6596/1015/4/042036.
31. Разработка модуля диагностики информационной системы мониторинга здоровья больных легочными заболеваниями / Г.В. Абрамов, Л.А. Коробова, А.Л. Ивашин, И.А. Матыцина // Вестник Рязанского государственного радиотехнического университета. - 2018. - № 65. - С. 136-142. - DOI:https://doi.org/10.21667/1995-4565-2018-65-3-136-142.
32. Коробова, Л.А. Разработка медицинской экспертной системы диагностики заболеваний с использованием элементов теории множеств / Л.А. Коробова, Е.С. Малиенко, Ю.А. Сафонова // Экономика и менеджмент систем управления. - 2017. - № 4-1(26). - С. 172-178.
33. Коробова, Л.А. Разработка модели принятия решения для постановки диагноза заболеваний на основе нечеткой логики / Л.А. Коробова, Т.В. Гладких // Вестник Воронежского государственного университета инженерных технологий. - 2018. - Т. 80, № 4(78). - С. 80-89. - DOI:https://doi.org/10.20914/2310-1202-2018-4-80-89.
34. Коробова, Л.А. Разработка модуля медицинской информационной системы для диагностики легочных заболеваний / Л.А. Коробова, И.А. Матыцина // Вестник НГИЭИ. - 2018. - № 10(89). - С. 13-28.
35. Prototype mobile application definitions fresh products based on neural network / L.A. Korobova, I.S. Tolstova, I.A. Matytsina, M.S. Mironova // Journal of Physics: Conference Series. - 2021. - Vol. 1902. - P. 012118. - DOI:https://doi.org/10.1088/1742-6596/1902/1/012118.
