Автоматизированная система детектирования волн Осборна на основе вейвлет-признаков и нейронной сети

Автор(и)

  • Андрей Андреевич Бородин ЧП "Мир Инженерных Решений", Ukraine https://orcid.org/0000-0002-3990-0415
  • Н. А. Бородин ЧП "Мир Инженерных Решений", Ukraine
  • А. Н. Дончило ЧП "Мир Инженерных Решений", Ukraine

DOI:

https://doi.org/10.20535/S0021347018050047

Ключові слова:

волны Осборна, ЭКГ сигнал, вейвлет-признак, квазисогласованная вейвлет фильтрация, метод главных компонент, нейронная сеть прямого распространения ошибки, обучение нейронной сети, МГК, ДВП

Анотація

Разработана автоматизированная система детектирования волн Осборна, которая отличается чувствительностью 94,63% и точностью классификации 94,58% волн типов «notch» и «slur» в составе кардиосигнала. Применены метод квазисогласованной вейвлет-фильтрации и метод главных компонент для выделения и формирования векторов-признаков, являющихся входными данными классификатора. В качестве классификатора использована нейронная сеть прямого распространения ошибки с топологией многослойного персептрона. Для обучения, тестирования и проверки нейронной сети использованы выборки сигналов, построенные на основе данных открытой базы медицинских сигналов PhysioNet. В работе использованы 12-канальные электрокардиограммы 60-ти здоровых пациентов в возрасте 17–87 лет, на основе которых сформирована база данных из 14 832 сигналов (9888 сигналов с волной Осборна двух типов и 4944 без патологии). Предложенный подход обеспечил точность классификации, превышающую точность известных методов.

Посилання

Junttila, M. J.; Sager, S. J.; Tikkanen, J. T.; Anttonen, O.; Huikuri, H. V.; Myerburg, R. J. “Clinical significance of variants of J-points and J-waves: early repolarization patterns and risk,” Eur. Heart J., Vol. 33, No. 21, P. 2639-2643, 2012. DOI: https://doi.org/10.1093/eurheartj/ehs110.

Antzelevich, Charles; Yan, Gan-Xin; Ackerman, Michael J.; Borggrefe, Martin; Corrado, Domenico; Guo, Jihong; Gussak, Ihor; Hasdemir, Can; Horie, Minoru; Huikuri, Heikki; Ma, Changsheng; Morita, Hiroshi; Nam, Gi-Byoung; Sacher, Frederic; Shimizu, Wataru; Viskin, Sami; Wilde, Arthur A. M. “J-Wave syndromes expert consensus conference report: Emerging concepts and gaps in knowledge” EP Europace, Vol. 19, No. 4, P. 665-694, 2017. DOI: https://doi.org/10.1093/europace/euw235.

Clark, E. N.; Katibi, I.; Macfarlane, P. W. “Automatic detection of end QRS notching or slurring,” J. Electrocardiol., Vol. 47, No. 2, P. 151-154, 2014. DOI: https://doi.org/10.1016/j.jelectrocard.2013.10.007.

Wang, Y. G.; Wu, H. T.; Daubechies, I.; Li, Y.; Estes, E. H.; Soliman, E. Z. “Automated J wave detection from digital 12-lead electrocardiogram,” J. Electrocardiol., Vol. 48, No. 1, P. 21-28, 2015. DOI: https://doi.org/10.1016/j.jelectrocard.2014.10.006.

Li, Dengao; Bai, Yanfei; Zhao, Jumin. “A method for automated J wave detection and characterization based on feature extraction,” Lect. Notes Comput. Sci., Vol. 9196, P. 421-433, 2015.

Рабинер, Л.; Гоулд, Б. Теория и применение цифровой обработки сигналов. М.: Мир, 1978. 848 с.

Goldberger, A. L.; Amaral, Luis A. N.; Glass, L.; Hausdorff, J. M.; Ivanov, P. Ch.; Mark, R. G.; Mietus, J. E.; Moody, G. B.; Peng, Chung-Kang; Stanley, H. E. “PhysioBank, PhysioToolkit and PhysioNet: Components of a new research resource for complex physiologic signals,” Circulation, Vol. 101, No. 23, P. e215-e220. 2000. DOI: https://doi.org/10.1161/01.CIR.101.23.e215.

De la Rosa, E.; Fernandez, E. A. “Spectral bands analysis of ECG derived signals in Chagasic patients,” Proc. of VI Latin American Congress on Biomedical Engineering CLAIB 2014, 29-31 Oct. 2014, Paraná, Argentina. Springer, 2014, Vol. 49, pp. 484-487. DOI: https://doi.org/10.1007/978-3-319-13117-7_124.

Бородин, А. А. “Квазисогласованная вейвлет-фильтрация,” Известия вузов. Радиэлектроника, Т. 54, № 3, С. 22–29, 2011. URI: http://radio.kpi.ua/article/view/S0021347011030034.

Дъяконов, В. П. Вейвлеты. От теории к практике. М.: СОЛОН, 2002. 448 с.

Айвазян, С. А.; Бухштабер, В. М.; Енюков, И. С.; Мешалкин, Л. Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.

Masters, Timothy. Practical Neural Network Recipes in C++. San Diego, CA.: Academic Press, 1993. 493 с.

Опубліковано

2018-05-26

Як цитувати

Бородин, А. А., Бородин, Н. А., & Дончило, А. Н. (2018). Автоматизированная система детектирования волн Осборна на основе вейвлет-признаков и нейронной сети. Вісті вищих учбових закладів. Радіоелектроніка, 61(5), 275–283. https://doi.org/10.20535/S0021347018050047

Номер

Розділ

Оригінальні статті