NEU-2001

Среди множества задач диагностики сердечно-сосудистых заболеваний особое место занимает задача анализа различного вида патологий сердечного ритма сердца. Как известно, при диагностики сердечно – сосудистых заболеваний широко используются электрокардиограммы (ЭКГ), с помощью которых фиксируется частота сердечных сокращений. В настоящее время существует несколько методик анализа сердечно-сосудистых заболеваний. Среди них в повседневной клинической практике применяется ручная обработка данных при анализе аритмии сердца. Очевидно, что ручная обработка данных может приводить к значительным затратам времени и, как следствие запоздалой постановки диагноза. Поэтому разработка автоматизированной системы диагностики нарушений ритма сердца является актуальной задачей и могла бы найти широкое практическое применение. Основное требование, которому должна отвечать разработанная система, сводится к оперативной обработке данных с максимальной вероятностью правильной постановки диагноза.

По своей природе создание автоматизированной диагностической системы является типичной задачей распознавания образов. Данную задачу, как известно можно разделить на две основные подзадачи: подзадача выделение признаков, по которой можно было бы классифицировать различные проявления аритмий и подзадача обучения и принятия решения. Вторую подзадачу можно решать с использованием нейронных сетей (НС). Следует заметить, что число публикаций посвященных использованию НС с целью диагностики сердечно-сосудистых заболеваний относительно небольшое, поэтому в данной работе было предложено задачу принятия решения моделировать с помощью НС. К настоящему времени разработано множество моделей нейронных сетей, которые различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения.

Среди различных структур нейронных сетей одной из наиболее известных является многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя или, в случае первого слоя, со всеми входами НС. При построение высоконадежной диагностической системы был сделан выбор в пользу использования трехслойной НС: первый скрытый слой включает в себя 40 нейронов, второй скрытый слой включает себя 38 нейронов и выходной слой содержит 15 нейронов, соответствующий тому или иному сердечно-сосудистому заболеванию. Выбор именно такого числа скрытых слоев и количество нейронов в каждом из скрытых слоев определялось в результате многочисленных экспериментальных исследований. С увеличением числа нейронов в скрытых слоях, плотностей связей между ними, и числа выделенных скрытых увеличиваются во-первых возможности НС, а во-вторых достигается наибольшая вероятность правильного принятия решения при постановке диагноза.

Принципиально важным моментом является выбор алгоритма обучения НС. Когда в сети только один слой, алгоритм ее обучения с учителем довольно очевиден, так как правильные выходные состояния нейронов единственного слоя заведомо известны, и подстройка синоптических связей идет в направлении, минимизирующем ошибку на выходе сети, поэтому работа именно с такой структурой не представляет большого интереса. В многослойных же сетях оптимальные выходные значения нейронов всех слоев, кроме последнего, как правило, не известны, и их уже невозможно обучить, руководствуясь только величинами ошибок на выходах НС.

Более приемлемый вариант решения этой проблемы – распространение сигналов ошибки от выходов нейронной сети к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Этот алгоритм обучения нейронной сети получил название процедуры обратного распространения. Согласно алгоритму обратного распространения процесс функционирования НС, то есть сущность действия зависит от величины синоптических связей, поэтому задавшись именно трехслойной структурой НС, мы находим оптимальное значение всех переменных весовых коэффициентов.

В ходе проведенных экспериментальных исследований было обработано около 200 ЭКГ, представляющие различные формы сердечной аритмии. Обработка ЭКГ и окончательная постановка диагноза проводилась с использованием трехслойной НС, обучение НС производилось по алгоритму обратного распространения, была достигнута вероятность равная 0,95444.