- •1 Цели и задачи диссертационного исследования
- •2 Структура биотехнической системы
- •3 Характеристика объекта исследования
- •4 Устойчивость системы
- •5 Информационное обеспечение системы
- •6 Метрологическое обеспечение системы
- •7 Пути совершенствования системы
- •Заключение
- •Список использованных источников
МИНОБРНАУКИ РОССИИ
Санкт-Петербургский государственный
электротехнический университет
«ЛЭТИ» им. В.И. Ульянова (Ленина)
Кафедра Биотехнических систем
АНАЛИТИЧЕСКИЙ ОТЧЕТ
по дисциплине «Биотехнические системы и технологии»
Студентка гр. 6503 |
|
Лебедь Г. Р. М. |
Преподаватель |
|
Семенова Е. А. |
Санкт-Петербург
2021
СОДЕРЖАНИЕ
Y
1 ЦЕЛИ И ЗАДАЧИ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ 3
2 СТРУКТУРА БИОТЕХНИЧЕСКОЙ СИСТЕМЫ 5
3 ХАРАКТЕРИСТИКА ОБЪЕКТА ИССЛЕДОВАНИЯ 9
4 УСТОЙЧИВОСТЬ СИСТЕМЫ 13
5 ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ 17
7 ПУТИ СОВЕРШЕНСТВОВАНИЯ СИСТЕМЫ 24
ЗАКЛЮЧЕНИЕ 26
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 28
1 Цели и задачи диссертационного исследования
Наименование магистерской диссертации: «Распознавание фибрилляции предсердий на основе совместного анализа ЭКГ и фонокардиограммы».
Целью магистерской диссертации является создание алгоритма и программного комплекса для распознавания фибрилляции предсердий на основе совместного анализа ЭКГ и фонокардиограммы.
Объектом исследования является разрабатываемый алгоритм, выполняющий для записей фонокардиограммы и ЭКГ фильтрацию, переход от временной области к частотной (получение спектра), выделение значимых диагностических признаков и классификацию сигналов.
Предметом исследования является программное обеспечение на языке Python, реализующее разработанный алгоритм распознавания фибрилляции предсердий.
Для достижения поставленной цели необходимо решить следующие задачи:
Обзор существующих методов автоматической диагностики фибрилляции предсердий с использованием машинного обучения.
Выбор информативных признаков ЭКГ-сигнала и фонокардиограммы, характеризующих диагностически значимые особенности фибрилляции предсердий.
Разработка эффективного алгоритма распознавания фибрилляции предсердий на основе совместного анализа ЭКГ и фонокардиограммы.
Реализация разработанного алгоритма детектирования фибрилляции предсердий на языке Python.
Тестирование разработанного алгоритма на тестовом наборе данных.
Проведение анализа полученных результатов.
Планируемые научные и практические результаты представляет разработанный алгоритм, эффективно детектирующий фибрилляции предсердий в присутствии шума, который может быть использован в составе программного обеспечения приборов и систем контроля сердечного ритма.
2 Структура биотехнической системы
Структура разрабатываемой системы:
В данной работе разрабатывается система распознавания фибрилляции предсердий на основе совместного анализа ЭКГ и фонокардиограммы пациента.
Сигналы фонокардиограммы и одиночные записи ЭКГ будут классифицироваться по 4 категориям: нормальный ритм, фибрилляция предсердий, зашумленный сегмент (сильные помехи) или другие аритмии.
На рисунке 1 представлена структура разрабатываемой биотехнической системы.
Рисунок 1 – Структура разрабатываемой биотехнической системы
Структура разрабатываемой биотехнической системы:
Загрузка записей аускультации сердца и ЭКГ;
Фильтрация сигналов ЭКГ и фонокардиограммы для борьбы с различными типами помех;
Получение спектра для перехода от временной области к частотной;
Сегментация S1 и S2 на фонокардиограмме (процесс определения принадлежности отсчета сигнала к одному из основных тонов сердца; необходимо найти начало и конец этих тонов для дальнейшего извлечения признаков и классификации);
Обнаружение R-пиков QRS-комплексов на ЭКГ для каждого сигнала из выборки;
Количественная оценка изменчивости RR-интервалов вокруг средних значений для каждого сигнала из выборки;
Извлечения признаков, характеризующих диагностически значимые особенности фибрилляции предсердий (расчет параметров основных тонов для фонокардиограммы и математических статистик для RR-интервалов);
Классификация (алгоритм проставляет для записи метку принадлежности к какому-либо классу).
Каждая запись должна быть классифицирована и определена принадлежность к группе (нормальный ритм, фибрилляция предсердий, зашумленный сегмент или другие аритмии).
Классификация может быть выполнена только с уже подготовленными записями фонокардиограммы и ЭКГ. Для определения принадлежности к классу необходимы предварительно выделенные и рассчитанные свойства (частотные и амплитудные характеристики).
В работе будет использоваться непрямая сегментация, использующая дополнительные данные, снятые одновременно с записью аускультации сердца. К таким источникам относится электрокардиограмма.
Для ЭКГ рассчитываются следующие математические статистики для RR-интервалов каждого сигнала:
Среднее значение;
СКО;
Дисперсия;
Скошенность (симметричность распределения);
Эксцесс.
Асимметрия характеризует меру скошенности графика влево/вправо, а эксцесс – меру его высоты. Данные показатели рассчитываются как для эмпирических, так и для теоретических распределений, и за «эталон» симметрии принято нормальное распределение. Очевидно, что любое нормальное распределение строго симметрично относительно своего центра, следовательно, его асимметрия равна нулю [1].
Для каждого отсчета сигнала строят его спектр. Спектр может быть получен одним из трех преобразований: Фурье, Гильберта-Хуанга, Вейвлет.
В качестве контура управления выступают конфигурационные файлы, задающие настройки параметров, они задают параметры работы системы такие как: частоты среза полосового фильтра, способ получения спектра, выбор метода сегментации, выбор алгоритма классификации и т. д. То есть, эти конфигурационные файлы определяют выбор методов для выполнения фильтрации, сегментации и классификации. Также используются дополнительные параметры, которые могут оказать существенное влияние на эффективность обработки записей программным обеспечением. Например: размер окна для получения спектра (при его увеличении в 2 раза, потребление вычислительных ресурсов только для БПФ увеличивается в 2,25 раза).
В качестве каналов информационного обмена используется 3 канала:
Файлы с исходными записями аускультации и ЭКГ (входной). Канал содержит необработанные записи аускультации сердца и ЭКГ, которые в дальнейшем буду классифицированы программным обеспечением (ПО).
Канал, предназначенный для диагностики и отладки работы ПО (выходной). В случае возникновения ошибок будут показаны дополнительные данные о их причинах.
Файлы с отчетами и результатами работы (выходной). Этот канал содержит данные обработанных записей: параметры основных тонов, рассчитанные статистики для RR-интервалов и результаты классификации на принадлежность к одному из классов.
Состав обеспечений системы: система состоит из методического, информационного, программно-алгоритмического, метрологического и инструментального обеспечения.
В магистерской работе будет разработан программно-алгоритмический уровень обеспечения, в котором будут разработаны алгоритм и программный комплекс для совместной обработки аудиозаписей аускультации сердца и ЭКГ с целью более эффективного детектирования фибрилляции предсердий.
Запись фонокардиограммы представляет из себя периодически повторяющиеся сигналы, так называемые тоны S1 и S2. Программный комплекс должен их детектировать и классифицировать. В данной работе необходимо доказать на практике, что совместный анализ ЭКГ и фонокардиограммы сердца повышает точность определения фибрилляции предсердий. При анализе данных сигналов по отдельности точность классификации, а именно определения фибрилляции предсердий должна быть ниже.
Планируется, что программный код должен реализовывать несколько подходов: логистическая регрессия, деревья принятия решений, метод k-ближайших соседей.
Разрабатываемый программный комплекс потенциально имеет большую область применения. С учетом развития глобальной сети Internet, фонокардиограмма и ЭКГ-сигнал могут быть сняты удаленно и загружены на сервер для дальнейшей обработки.