Изменена: 2018-06-20
Аннотация
Сердечно-сосудистые заболевания являются одной из основных причин смерти во всем мире. Люди, страдающие или подвергающиеся высокому риску таких заболеваний, нуждаются в постоянном наблюдении, ранней диагностике и своевременной помощи.
Показано, что достижение высокой точности при распознавании аритмий в реальном времени связано со значительными аппаратными затратами. Точность автоматического распознавания аритмий не превышает 80%. Предлагаемый подход основан на применении методов интеллектуального анализа электрокардиосигнала, что позволяет решать проблемы обработки больших объемов данных со сложной структурой признаков.
Цель исследования – совершенствование алгоритмов диагностики сердечной аритмии на основе использования нейронечетких моделей с возможностью объяснения принимаемого решений.
В работе рассматривается построение базы знаний на основе нейронечеткой сети в составе системы диагностики.Ключевые слова
Литература
1. Cardiovascular diseases (CVDs). Fact sheet [Электронный ресурс]. URL: available: http://www.who.int/mediacentre/factsheets/fs317/en/.
2. R. M. Rangayyan. Biomedical signal analysis. Second edition. John Wiley & Sons, 2015. 720 p.
3. Никонов А. В., Вульфин А. М., Гаянова М. М. Алгоритмы интеллектуального анализа данных в задаче диагностики сердечной аритмии. Труды VI научной конференции с международным участием «Информационные технологии и системы»: ИТиС-2017. Банное, Россия, изд-во ЧелГУ, 2017, с. 200-205.
4. Chakroborty S., Patil M.A. Real-time arrhythmia classification for large databases // Conf. Proc. ... Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf. 2014. Vol. 2014. P. 1448–1451.
5. Ahmed A.F., Owis M.I., Yassine I.A. Novel Bayesian classifier discriminant function optimization strategies for arrhythmia classification // 2014 IEEE-EMBS International Conference on Biomedical and Health Informatics, BHI 2014. 2014. P. 693–696.
6. Holimchayachotikul P., Leksakul K. Predictive performance measurement system for retail industry using neuro-fuzzy system based on swarm intelligence // Soft Comput. 2017. Vol. 21, № 7. P. 1895–1912.
7. Dilmac S., Korurek M. A new ECG arrhythmia clustering method based on Modified Artificial Bee Colony algorithm, comparison with GA and PSO classifiers // 2013 IEEE International Symposium on Innovations in Intelligent Systems and Applications, IEEE INISTA 2013. 2013. P. 1–5.
8. Faziludeen S., Sabiq P. V. ECG beat classification using wavelets and SVM // 2013 IEEE Conference on Information and Communication Technologies, ICT 2013. 2013. P. 815–818.
9. Chetan A., Tripathy R.K., Dandapat S. Cardiac arrhythmia classification from multilead ECG using multiscale non-linear analysis // 2015 IEEE UP Section Conference on Electrical Computer and Electronics, UPCON 2015. 2016. P. 1–4.
10. Хайкин С. Нейронные сети: полный курс. 2-е издание. М.: Издательский дом «Вильямс», 2006. – 1104 с.
11. B.G. Ilyasov, V.I. Vasilyev. Intelligent control systems. Theory and practice. //M: Radiotekhnica, 2009.
12. Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход. М.: ФИЗМАТЛИТ, 2007. – 440 с.
13. Никонов А. В., Вульфин А. М., Гаянова М. М., Сапожникова М. Ю. Cardiac arrhythmia diagnosis based on electrocardiosignal data mining. Труды V Всероссийской конференции «Информационные технологии интелектуальной поддержки принятия решений»: ITIDS-2017. Уфа, Россия, изд-во УГАТУ, 2017, с. 200-205.
14. Никонов А. В., Вульфин А. М. Нейросетевой программно-аппаратный комплекс диагностики сердечных аритмий. Труды Х Всероссийской молодежной научной конференции «Мавлютовские чтения». Уфа, Россия, изд-во УГАТУ, 2016, с. 1593-1597.
15. Chakroborty S. Accurate Arrhythmia classification using auto-associative neural network // Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS. 2013. P. 4247–4250.
16. Rodriguez R. et al. Adaptive threshold and principal component analysis for features extraction of electrocardiogram signals // Proceedings - 2014 International Symposium on Computer, Consumer and Control, IS3C 2014. 2014. P. 1253–1258.
17. P. deChazal, O’Dwyer M., Reilly R.B. Automatic Classification of Heartbeats Using ECG Morphology and Heartbeat Interval Features // IEEE Trans. Biomed. Eng. 2004. Vol. 51, № 7. P. 1196–1206.
18. S. Barro, M. Fernandez-Delgado, J.A. Vila-Sobrino, C. V. Regueiro, E. Sanchez. Classifying multichannel ECG patterns with an adaptive neural network // IEEE Engineering in Medicine and Biology Magazine, 1998, vol. 17, no. 1, pp. 45-55.
19. R. Ceylan, Y. Ozbay. Comparison of FCM, PCA and WT techniques for classification ECG arrhythmias using artificial neural network. Expert Systems with Applications, 2007, vol. 33, no. 2, pp. 286-295.
20. G. Tejaswini. Arrhythmia & Neural Network // 2015 International Conference on Communications & Signal Processing. April, 2015, pp. 1361-1365.
21. S. Osowski, T. Markiewicz, L. T. Hoai. Recognition and classification system of arrhythmia using ensemble of neural networks. Elsevier Science Measurement, 2008, vol. 41, no. 6, pp. 610-617.
22. Chapman P. et al. Crisp-Dm 1.0 // Cris. Consort. 2000. P. 76.
23. J. T. Bigger, G. Breithardt, et. all. Heart rate variability Standards of measurement, physiological interpretation, and clinical use // European Heart Journal, No. 17, 1996, pp. 354–381.
24. Никонов А. В., Вульфин А. М., Сапожникова М. Ю., Гаянова М. М. Нейнонечеткий экстрактор признаков в задаче диагностики сердечных аритмий. Труды ХI Всероссийской молодежной научной конференции «Мавлютовские чтения». Уфа, Россия, изд-во УГАТУ, 2017, с. 1593-1597.
25. Lin C. A Neural Fuzzy Control System with Structure and Parameter Learning // Fuzzy Sets Syst. 1995. Vol. 70. P. 9–13.
26. Amin A.-H.N. System of processing and neural network analysis of bioelectrical signals for solving problems of medical diagnostics. 2014. 421-424 p.
27. Fomasa E. et al. HRV spectral and fractal analysis in heart failure patients with different aetiologies // Comput. Cardiol. (2010). 2014. Vol. 41, № uary. P. 421–424.
28. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского. –М.: Горячая линия – Телеком, 2006. – 452 с.