Диагностика синусового ритма и мерцательной аритмии средствами искусственного интеллекта
Автор: Родионов Д.М., Карчков Д.А., Москаленко В.А., Никольский А.В., Осипов Г.В., Золотых Н.Ю.
Журнал: Проблемы информатики @problem-info
Рубрика: Прикладные информационные технологии
Статья в выпуске: 1 (54), 2022 года.
Бесплатный доступ
Электрокардиограмма (ЭКГ) - наиболее используемая запись биологического сигнала в клинической медицине. Сигнал ЭКГ представляет собой график электрической активности сердца, получаемый с поверхности тела, чаще всего неинвазивно, с использованием электродов. На заре электрокардиографии врачу приходилось рассматривать график, записанный на листе бумаге, распознавая возможные патологии глазами, что нередко приводило к ошибкам при постановке диагноза. Сегодня же существует множество систем поддержки принятия решений, базирующихся на сложных алгоритмах, помогающих врачу в поиске артефактов, которые устанавливают как вид патологии, так и локализацию ее маркеров в сигнале. Однако, существует большое количество диагнозов, детектирование которых разработанными алгоритмами неэффективно. Более того, такие алгоритмы редко, но совершают ошибку. Перспективным решением для устранения существующих недостатков в экспертных системах специалисты видят применение методов искусственного интеллекта, показавших свою эффективность во множестве прикладных задач. В рамках данной статьи рассматривается применение нейронных сетей для решения задач диагностики. В качестве базовой архитектуры нейронной сети была выбрана UNct, адаптированная под обработку одномерного ЭКГ сигнала. Среди большого спектра состояний сердечно-сосудистой системы человека основное внимание было сконцентрировано на детектировании в сигнале большой длительности участков, классифицируемых специалистами как комплексы с превалированием синусового ритма и фибрилляции предсердий (мерцательной аритмии). Стоит отметить, что рассматриваемая в рамках работы нейронная сеть, после необходимых доработок, будет интегрирована в существующий диагностический комплекс „Кардио-Маяк“, разработанный на базе ННГУ им. Лобачевского.
Анализ сигнала электрокардиограммы, искусственный интеллект в медицине, синусовый ритм, фибрилляция предсердий, мерцательная аритмия
Короткий адрес: https://sciup.org/143179067
IDR: 143179067 | УДК: 004.891.3 | DOI: 10.24412/2073-0667-2022-1-77-88
Diagnosis of sinus rhythm and atrial fibrillation using artificial intelligence
The electrocardiogram (ECG) is the most used biological signal recording in clinical medicine. The ECG signal is a graph of the electrical activity of the heart obtained from the surface of the body, most often non-invasively, using electrodes. In the early days of electrocardiography, the doctor had to look at a graph written on a piece of paper, recognizing possible pathologies with his eyes, which often led to errors in the diagnosis. Today, there are many decision support systems based on complex algorithms that help the doctor in the search for artifacts that establish both the type of pathology and the localization of its markers in the signal. However, there are a large number of diagnoses, the detection of which by the developed algorithms is not effective. Moreover, such algorithms, rarely, but make a mistake. Experts see a promising solution for eliminating existing shortcomings in expert systems in the application of artificial intelligence methods that have shown their effectiveness in a variety of applied tasks. Within the framework of this article, the use of neural networks for solving diagnostic problems is considered UNct, adapted for processing a one-dimensional ECG signal, was chosen as the basic architecture of the neural network. Among a wide range of conditions of the human cardiovascular system, the main attention was focused on the detection of long-duration signal sections classified by specialists as complexes with the prevalence of sinus rhythm and atrial fibrillation (atrial fibrillation). It should be noted that the neural network considered in the framework of the work, after the necessary improvements, will be integrated into the existing diagnostic complex „CardioLighthouse", developed on the basis of Lobachevsky University.
Список литературы Диагностика синусового ритма и мерцательной аритмии средствами искусственного интеллекта
- Всемирная организация здравоохранения и др. Глобальный план действий ВОЗ по инвалидности на 2014-2021 гг.: Лучшее здоровье для всех людей с инвалидностью. Всемирная организация здравоохранения, 2015 г.
- Холмквист Ф. и соавт. Частота фибрилляции предсердий и поддержание синусового ритма у пациентов, перенесших кардиоверсию по поводу персистирующей фибрилляции предсердий // Европейский кардиологический журнал. 2006. Т. 27. № 18. С. 2201-2207.
- Москаленко В., Золотых Н., Осипов Г. Глубокое обучение для сегментации ЭКГ // International conference on Neuroinformatics. 2019, октябрь. С. 246-254. Springer, Cham.
- Москаленко В. А. и др. Программный комплекс" Киберсердце-Диагностика" для автоматического анализа электрокардиограмм с применением методов машинного обучения // Современные технологии в медицине. 2019. Т. 11. № 2.
- Петмезас Г. и соавт. Автоматическое обнаружение мерцательной аритмии с использованием гибридной сети CNN-LSTM на несбалансированных наборах данных ЭКГ // Обработка и контроль биомедицинских сигналов. 2021. Т. 63. С. 102194.
- Яп Б. В. и соавт. Применение передискретизации, недостаточной выборки, бэггинга и бу-стинга при обработке несбалансированных наборов данных // Материалы первой международной конференции по передовым данным и информационной инженерии (DaEng-2013). Спрингер, Сингапур, 2014. С. 13-22.
- Ачарья У. Р. и соавт. Автоматизированное выявление аритмий с использованием различных интервалов тахикардии сегментов ЭКГ с помощью сверточной нейронной сети // Информатика. 2017. Т. 405. С. 81-90.
- Барков Р. Л. УНЭТ: Одномерное нестационарное течение через полную сеть открытых каналов. Руководство пользователя. Центр гидрологической инженерии в Дэвисе, Калифорния, 1996 г.
- Калякулина А. И. и соавт. Нахождение точек морфологии волн электрокардиографического сигнала с помощью вейвлет-анализа // Радиофизика и квантовая электроника. 2019. Т. 61. № 8. С. 689-703.
- Середа И. и соавт. Сегментация ЭКГ нейронными сетями: ошибки и коррекция // 2019 Международная объединенная конференция по нейронным сетям (IJCNN). IEEE, 2019. С. 1-7.
- Никольский A.B. и др. Эффективность диагностики сердечно-сосудистых заболеваний в формате специализированной службы автоматического теле-мониторинга с применением курс, активно вовлечен в исследования и разработку программного обеспечения. Областью его научных интересов является применение машинного обучения для анализа сигналов различной природы.
