Система обработки и нейросетевого анализа биоэлектрических сигналов для решения задач медицинской диагностики

• Автор: Аль-Хулейди Нашван Амин
• Шифр специальности: 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Владимир
• Количество страниц: 150 с. : ил.

СОДЕРЖАНИЕ

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ ПО ИСКУССТВЕННЫМ НЕЙРОННЫМ СЕТЯМ

1.1 Нейросетевой анализ в задачах обработки сигналов и изображений различной природы

1.2 Специфические особенности применения нейросетевых технологий для

задач обработки биоэлектрических сигналов

1.3. Базовые принципы реализации искусственных нейронных сетей

1.3.1 Искусственная нейронная сеть и ее архитектура

1.3.2 Методы обучения ИНС

1.3.3 Типы нормализации

1.4 Критерии эффективности нейронных сетей
1.5 Примеры практического применения ИНС для распознавания
биоэлектрических сигналов
1.6. Выводы
ГЛАВА 2. СОВРЕМЕННЫЕ МЕТОДЫ И СРЕДСТВА АНАЛИЗА БИОЭЛЕКТРИЧЕСКИХ СИГНАЛОВ
2.1. Основные особенности биоэлектрического сигнала, характе-ризующего работу сердца
2.2. Основные методы оценки вариабельности сердечного ритма
2.2.1. Статистические методы
2.2.2. Геометрический метод
2.2.3. Корреляционная ритмограмма—скаттерграмма
2.2.4. Спектральные методы анализа ВСР
2.2.5. Автокорреляционный анализ
2.3. Программные средства анализа вариабельности сердечного ритма
2.3.1. Автономный регистратор ритма сердечных сокращений
2.3.2 Программа НВУ

2,3.3. Комплекс кардиографический (ВАРИКАРД-АКСИОН)
2.4. Выводы
ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ НЕЙРОСЕТЕВОЙ ОБРАБОТКИ И АНАЛИЗА ЭЛЕКТРОКАРДИОГРАФИЧЕСКОГО СИГНАЛА
3.1. Базовые основы создания образа в системах анализа вариабельности сердечного ритма на основе ИНС
3.1.1 Выбор оптимального варианта автоматизированного анализа скаттерграмм по их бинарному изображению в искусственной нейросети.
3.2 Исследование процедуры кодирования соответствия входов и выходов ИНС при классификации вариабельности сердечного ритма
3.2.1 Кодирование выходов ИНС для БД «Типы ВСР»
3.2.2 Кодирование выходов ИНС для БД «Типы аритмий сердца»
3.3. Варианты построения структурной схемы ИНС для анализа ВСР
3.4. Исследование ИНС для анлиза ВСР на основе МаБаЬ
3.5. Основные этапы экспериментального исследования структуры ИНС для анализа ВСР
3.6. Алгоритмы автоматизации исследования структур ИНС в задачах анализа вариабельности сердечного ритма
3.6.1 Алгоритмы исследования структуры ИНС типа многослойный
персептрон для анализа ВСР
3.6.2. Алгоритмы исследования структуры ИНС модульного типа для анализа

3.7 Алгоритм оценки оптимального число нейронов скрытого слоя нейронной
сети для анализа ВСР
3.8. Выводы
ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИИ ПРИМЕНЕНИЯ ИНС ДЛЯ АНАЛИЗА ВСР
4.1. Результаты экспериментального исследования ИНС для базы данных «Типы ВСР»

4.1.1 Результаты исследования ИНС «Многослойный персептрон» для базы данных «Типы ВСР»
4.1.2 Результаты исследования ИНС модульного типа для базы данных «Типы ВСР»
4.1.3 Сопоставительный анализ результатов исследования ИНС типа многослойный персептрон и структуры модульного типа для базы данных «Типы ВСР»
4.2. Результаты экспериментального исследования ИНС для базы данных «Типы аритмий сердца»
4.2.1 Результаты исследования ИНС «Многослойный персептрон» для базы данных «Типы аритмий сердца»
4.2.2 Результаты исследования ИНС модульного типа для базы данных «Типы аритмий сердца»
4.2.3 Сопоставленый анализ результатов ИНС многослойный персептрон и структуры модульного типа для базы данных «Типы аритмий сердца»
4.3. Прикладное программное обеспечение для анализа вариабельности ритма сердца
4.4. Выводы
Заключение
Библиографический список
Приложение

1.4 Критерии эффективности нейронных сетей.
Одной из важных задач в медицине является скрининг. Суть его заключается в применении теста для установления факта наличия или отсутствия некоторого заболевания в определённой популяции исследуемого населения. Решение, которое должно быть принято, носит бинарный
характер [30,70,83]. Причем, вводятся следующие обозначения:
• А - ситуация, когда пациенты имеют определённую патологию;
• N - ситуация, когда пациенты не имеют этой патологии;
• Р(А) и Р(К1) - априорные вероятности, которые соответственно обозначают доли в тестовой популяции страдающих данным заболеванием пациентов и нормальных пациентов;
• Т+- представляет собой положительный результат скрининга (показывает присутствие заболевания);
• Т~ - представляет собой отрицательный результат (отсутствия заболевания).
В результате возникают ситуации, приведенные в таблице 1.6.
Таблица 1.6. возможные варианты принимаемых решений.
№ Наименование описание
1 Достоверноотрицательная (ДО) ситуация, когда тест является отрицательным для пациента, который не имеет заболевания.
2 Достоверноположительная (ДП) ситуация, когда тест является положительным пациента, имеющего заболевание. для
3 Ложноотрицательная (ЛО) ситуация, когда тест является отрицательным пациента, имеющего заболевание (ошибка I рода). для
4 Ложноположительная (ЛП) ситуация, когда тест является положительным для пациента, который не имеет заболевания (ошибка II рода).
Как известно, ошибки при проверке статистических гипотез могут быть двух родов. Ошибка первого рода заключается в отрицании основной гипотезы, когда на самом деле она верна. Ошибка второго рода состоит в том, что отрицается конкурирующая гипотеза, когда она верна. В приведенной таблице
1.6 это соответствует третьему и четвертому случаю соответственно.
Что является положительным событием, а что — отрицательным, зависит от конкретной задачи. Например, если прогнозируется вероятность наличия