Кластер-анализ пульсовой волны человека самоорганизующимися картами Кохонена для выявления маркеров возрастных групп

Кластер-анализ пульсовой волны человека самоорганизующимися картами Кохонена для выявления маркеров возрастных групп

Автор: Степанян И.В., Явелов И.С., Рочагов А.В., Зидун М.А.

Журнал: Российский журнал биомеханики @journal-biomech

Статья в выпуске: 3 (105) т.28, 2024 года.

Бесплатный доступ

Настоящее исследование носит методологический характер и описывает подход к изучению сердечно-сосудистой системы человека. Оценка биологического возраста важна для управления процессом старения человека. Регулярный мониторинг этого показателя позволяет принимать профилактические меры по снижению вероятности сердечно-сосудистых катастроф. Целью исследования является определение возрастных групп по пульсовым волнам испытуемых с применением нейронных сетей Кохонена. В этом исследовании самоорганизующиеся карты Кохонена применялись для кластеризации пульсовых волн людей различного возраста путём наблюдения за динамическим изменением пульсовой волны с подбором параметров алгоритма самоорганизации нейронной сети. Использовался набор данных различных возрастных групп. Каждая группа содержала файлы испытуемых одного и того же возраста, каждый файл - пульсовые волны этих испытуемых. В результате экспериментов с конфигурациями нейронных сетей были получены кластерные структуры и установлены геометрические характеристики пульсовых волн, соответствующие возрастным группам. Использовавшийся алгоритм кластеризации разбил пульсовые волны на кластеры, достоверность которых в ряде случаев достигла 91 - 96 %. Программная реализация обученной нейронной сети и портативность прибора для измерения пульсовой волны позволяют применять предложенную методику для мониторинга состояния сердечно-сосудистой системы у людей, подверженных риску сердечно-сосудистых катастроф, а также людей, связанных с опасными профессиями, спортсменов, офисных работников и др. Регистрация изменений биологического возраста способствует принятию своевременных решений по модификации питания, образа жизни и физической активности. Полученная сеть может быть использована в диагностических системах поддержки принятия медицинских решений.

Еще

Пульсовая волна, биомеханика, кластер-анализ, карты кохонена, нейронные сети, искусственный интеллект

Короткий адрес: https://sciup.org/146282985

IDR: 146282985   |   DOI: 10.15593/RZhBiomeh/2024.3.12

Список литературы Кластер-анализ пульсовой волны человека самоорганизующимися картами Кохонена для выявления маркеров возрастных групп

  • Paiva, J.S. Supervised learning methods for pathological arterial pulse wave differentiation: A SVM and neural networks approach. / J.S. Paiva, J. Cardoso, T. Pereira // Int. J. Med. In-form. – 2018. – No. 109. – Р. 30–38. DOI: 10.1016/j.ijmedinf.2017.10.011.
  • Wave intensity analysis combined with machine learning can detect impaired stroke volume in simulations of heart failure / R.M. Reavette, S.J. Sherwin, M.X. Tang, P.D. Weinberg // Front Bioeng. Biotechnol. – 2021. – Vol. 24, no. 9. – P. 737055. DOI: 10.3389/fbioe.2021.737055.
  • Santhanam, P. Machine learning and blood pressure / P. Santhanam, R.S. Ahima // J. Clin. Hypertens (Greenwich). – 2019. – Vol. 21, no. 11. – P. 1735–1737. DOI: 10.1111/jch.13700.
  • Non-invasive cuff-less measurement of blood pressure based on machine learning / O. Viunytskyi, V. Sharonov, V. Shulgin, A.V. Totsky // 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET-2020), 2020. DOI: 10.1109/TCSET49122.2020.235423.
  • Innovative continuous non-invasive cuffless blood pressure monitoring based on photoplethysmography technology / J.C. Ruiz-Rodríguez, A. Ruiz-Sanmartín, V. Ribas, J. Caballero, A. García-Roche, J. Riera, X. Nuvials, M. De Nadal, O. De Sola-Morales, J. Serra, J. Rello // Inten-sive Care Med. – 2013. – Vol. 39, no. 9. – P. 1618–25. DOI: 10.1007/s00134-013-2964-2.
  • Machine learning for detection of stenoses and aneurysms: application in a physiologically realistic virtual patient data-base / G. Jones, J. Parr, P. Nithiarasu, S. Pant // Biomech Model Mechanobiol. – 2021. – Vol. 20, no. 6. – P. 2097–2146. DOI: 10.1007/s10237-021-01497-7.
  • The use of multi-site photoplethysmography (PPG) as a screening tool for coronary arterial disease and atherosclerosis / V. Ouyang, B. Ma, N. Pignatelli, S. Sengupta, P. Sengupta, K. Mungulmare, R.R. Fletcher // Physiol Meas. – 2021. – Vol. 29, no. 42 (6). DOI: 10.1088/1361-6579/abad48.
  • Assessment of deep learning based blood pressure prediction from PPG and rPPG signals / F. Schrumpf, P. Frenzel, C. Aust, G. Osterhoff, M. Fuchs // IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, 2021. DOI: 10.1109/CVPRW53098.2021.00423.
  • Naraei, P. Toward learning intracranial hypertension through physiological features: A statistical and machine learning approach / P. Naraei, M. Nouri, A. Sadeghian // Intelligent Systems Conference (IntelliSys), 2017. DOI:10.1109/IntelliSys.2017.8324324.
  • Diffuse correlation spectroscopy for intracranial pressure esti-mation through cardiac pulse waveform analysis / A. Ruesch, J. Yang, D. Acharya, S. Schmitt, D. Issar, M.A. Smith, J.M. Kainerstorfer // Diffuse optical spectroscopy and imag-ing. – 2019. – Vol. EB101 of SPIE Proceedings. DOI 10.1117/12.2527187.
  • Forecasting intracranial hypertension using multi-scale waveform metrics / M. Hüser, A. Kündig, W. Karlen, V. De Luca, M. Jaggi // Physiol Meas. – 2020. – Vol. 5, no. 41 (1). – P. 014001. DOI: 10.1088/1361-6579/ab6360.
  • Hartigan, J. Algorithm AS 136: A k-means clustering algorithm / J. Hartigan, A. John, M.A. Wong // Journal of the Royal Statistical Society. Series C (Applied Statistics). – 1979. – Vol. 28, no. 1. – P. 100–108.
  • ICP versus laser doppler cerebrovascular reactivity indices to assess brain autoregulatory capacity / F.A. Zeiler, J. Donnelly, D. Cardim, D.K. Menon, P. Smielewski, M. Czosnyka // Neurocrit Care. – 2018. – Vol. 28, no. 2. – P. 194–202. DOI: 10.1007/s12028-017-0472-x.
  • Intracranial pressure pulse morphological features improved detection of decreased cerebral blood flow / X. Hu, T. Glenn, F. Scalzo, M. Bergsneider, C. Sarkiss, N. Martin, P. Vespa //. Physiol Meas. – 2010. – Vol. 31, no. 5. – P. 679–95. DOI: 10.1088/0967-3334/31/5/006.
  • Kohonen, T. The self-organizing map / T. Kohonen // Pro-ceedings of the IEEE. – 1990. – Vol. 78, no. 9. – P. 1464–1480.
  • Анциперов, В.Е. Ранняя диагностика атеросклероза на основе оценки скорости распространения пульсовой волны артериального давления / В.Е. Анциперов, М.В. Данилычев, Г.К. Мансуров // Акустооптические и радиолокационные методы измерений и обработки информации. – 2020. – С. 117–122.
  • Оценка величины обратного кровотока в артерии по второй производной пульсовой волны давления / Р.Т. Баатыров, М.Ю. Калинкин, А.Д. Усанов, С.Ю. Добдин, А.В. Скрипаль // Известия Саратовского университета. Новая серия. Серия Физика. – 2020. – Т. 20, № 3. – С. 178–182.
  • Барышникова, Н.А. Информационно-измерительная система диагностики состояния организма на основе анализа параметров пульсовой волны / Н.А. Барышникова, А.В. Тарутин // Автоматизированные системы управ-ления и информационные технологии. – 2022. – С. 31–35.
  • Разработка системы поддержки принятия врачебных решений в травматологии и ортопедии. Биомеханика как инструмент предоперационного планирования / А.С. Бескровный, Л.В. Бессонов, А.А. Голядкина, А.В. Доль, Д.В. Иванов, И.В. Кириллова, Д.А. Сидоренко //Российский журнал биомеханики. – 2021. – Т. 25, № 2. – С. 118–133.
  • Бороноев, В.В. Анализ пульсовой волны в автоматизированном режиме / В.В. Бороноев // Медицинская техника. – 2014. – № 4. – С. 33–36.
  • Инфицирование стента с тромбозом и последующей перфорацией коронарной артерии / И. Бочоришвили, В. Кипиани, Р. Агладзе, Т. Гаприндашвили, С. Хаджалия, В. Нацвлишвили, З. Пагава, // Российский журнал биомеханики. – 2022. – Т. 26, № 4. – С. 104–109.
  • Сердечный индекс и вариация ударного объема на основе анализа времени транзита пульсовой волны в сравне-нии с производными анализа контура пульсовой волны после коронарной реваскуляризации на работающем сердце / Д.А. Волков, Е.В. Фот, А.А. Сметкин, Т.Н. Семенкова, К.В. Паромов, В.В. Кузьков, М.Ю. Киров, // Вестник анестезиологии и реаниматологии. – 2023. – Т. 20, № 5. – С. 17–25.
  • Декомпозиция центральной пульсовой волны в сердечно-сосудистой системе человека / Р.Ф. Ганиев, Д.Л. Ревизников, А.Н. Рогоза, Ю.В. Сластушенский, Л.Е. Украинский // Проблемы машиностроения и надежности машин. – 2021. – № 2. – С. 3–8.
  • Сравнительный анализ контурного и фазового подходов к оценке времени прохождения пульсовой волны / Б.Г. Гарамян, А.А. Гриневич, А.А. Хадарцев, Н.К. Чемерис // Вестник новых медицинских технологий. – 2020. – Т. 27, № 3. – С. 92–98.
  • Герасимов, Г.А. Особенности характера пульсовой волны у больных терапевтического профиля в критических состояниях / Г.А. Герасимов // Известия Российской Военно-медицинской академии. – 2020. – Т. 1, № S1. – С. 35–38.
  • Гриневич, А.А. Фазовый метод оценки времени прохождения пульсовой волны по сосудистому руслу человека / А.А. Гриневич, Б.Г. Гарамян, Н.К. Чемерис // Вестник новых медицинских технологий. – 2020. – Т. 27, № 2. – С. 107–111.
  • Взаимосвязь формы пульсовой волны в периферических артериях, регистрируемой методами импедансной реографии и ультразвуковой допплерографии / И.С. Залетов, А.А. Сагайдачный, А.В. Скрипаль, В.А. Клочков, Д.И. Майсков, А.В. Фомин // Известия Саратовского университета. Новая серия. Серия: Физика. – 2023. – Т. 23, № 1. – С. 24–36.
  • Камалтдинов, М.Р. Применение математической модели системного кровообращения для определения параметров кровотока после операции шунтирования у новорожденных / М.Р. Камалтдинов, А.Г. Кучумов // Российский журнал биомеханики. – 2021. – Т. 25, № 3. – С. 313–330.
  • Численное моделирование гемодинамики бескаркасного биопротеза клапана аорты / К.Ю. Клышников, Е.А. Овчаренко, П.С. Онищенко, А.Н. Стасев, Н.К. Брель, А.Н. Коков, Л.С. Барбараш // Российский журнал биомеханики. – 2021. – Т. 25, № 3. – С. 301–312.
  • Круглов, А.В. Регистрации скорости пульсовой волны артериального давления / А.В. Круглов // Модели и методы повышения эффективности инновационных исследований. – 2022. – С. 35–37.
  • Оценка эффективности установки модифицированного шунта Блэлок-Тауссиг у детей с врожденным пороком сердца / А.Г. Кучумов, А.Р. Хайрулин, А.Н. Биянов, А.А. Породиков, В.Б. Арутюнян, Ю.С. Синельников // Российский журнал биомеханики. – 2020. – Т. 24, № 1. – С. 76–96.
  • Лапитан, Д.Г. Оценка возрастных изменений формы пульсовой волны, регистрируемой методом фотоплетиз-мографии / Д.Г. Лапитан, Д.А. Рогаткин // Физика и ра-диоэлектроника в медицине и экологии-ФРЭМЭ'2020. – 2020. – С. 102–106.
  • Лисичникова, Е.О. Скорость распространения пульсовой волны как инструмент ранней диагностики и прогнозирования сердечно-сосудистых заболеваний / Е.О. Лисичникова, Е.В. Головкова, А.А. Циркова // ББК 1 Н 34. – С. 4742.
  • Сосудистая жесткость и скорость распространения пульсовой волны как плацдарм и мишень для фармакотера-пии / С.В. Недогода, Т.А. Чаляби, И.Н. Барыкина, А.А. Ледяева, Г.Г. Мазина, Е.В. Чумачек, П.А. Бакумов // Вестник Волгоградского государственного медицин-ского университета. – 2012. – Т. 41, № 1. – С. 113–116.
  • Сабир, К. Использование анализа соответствий и лог-линейных моделей для исследования факторов, влияющих на сердечно-сосудистые заболевания / К. Сабир, А.Г. Кучумов, Т. Нгуен-Кван // Российский журнал биомеханики. – 2023. – Т. 27, № 1. – С. 74–86.
  • Параметры пульсовой волны в оценке систолической функции левого желудочка / Ж.Н. Сагирова, Н.О. Кузнецова, В.Б. Ларионов, П.Ш. Чомахидзе, Ф.Ю. Копылов, А.Л. Сыркин // Кардиология и сердечно-сосудистая хирургия. – 2020. – Т. 13, № 3. – С. 253–257.
  • Анализ формы пульсовой волны артериальных сосудов по спектру автодинного сигнала лазерного интерферометра / А.В. Скрипаль, С.Ю. Добдин, А.В. Джафаров, И.А. Чернецова // Квантовая электроника. – 2021. – Т. 51, № 1. – С. 33–37.
  • Индекс отражения пульсовой волны у юных спортсменов / А.В. Скрипаль, А.С. Бахметьев, Н.Б. Брилёнок, С.Ю. Добдин, А.А. Сагайдачный, Р.Т. Баатыров, А.С. Тихонова //Известия Саратовского университета. Новая серия. Серия Физика. – 2020. – Т. 20, № 2. – С. 125–133.
  • Соболь, М.Д. Метод безманжетного измерения артериального давления на основе оценки скорости распространения пульсовой волны / М.Д. Соболь // Актуальные проблемы современной науки и производства. – 2020. – С. 303–306.
  • Федотов А.А. Комплексная методика вейвлет-фильтрации сигнала пульсовой волны / А.А. Федотов // Измерительная техника. – 2023. – № 12. – С. 62–67.
  • Исследование матричных датчиков пульсовой волны / И.С. Явелов, Г.Л. Даниелян, А.В. Рочагов, А.В. Жолобов, О.И. Явелов // Приборы и техника эксперимента. – 2020. – № 3 – С. 125–130.
  • О природе «восточного меридиана» / И.С. Явелов, С.И. Досько, А.В. Жолобов, А.В. Рочагов, О.И. Явелов // Российский журнал биомеханики. – 2020. – Т. 24, № 2. – С. 243–247.
  • Явелов, И.С. Создание возрастной сплайн-базы пульсовых волн / И.С. Явелов, А.В. Рочагов, А.В. Жолобов // XXXII Международная инновационная конференция молодых ученых и студентов по проблемам машиноведения. – 2021. – С. 408–411.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp