Нейронные сети способны решать задачи, не поддающиеся формализации [1-3]. На основе нейросетей многими исследователя были разработаны различные прогностические и диагностические медицинские системы [4-5] , в том числе при создании систем диагностики заболеваний сердечно-сосудистой системы [6].
Помимо диагностических характеристик рассматриваемый класс биомедицинских систем должен удовлетворять ряду эксплуатационных требований, которые определяют эффективность их функционирования в клинике. К числу этих требований относятся следующие:
- система должна обеспечивать ведение непрерывного в реальном масштабе времени наблюдения и контроля сигналов ЭКГ от нескольких больных одновременно. Управление видеоотображением ЭКГ должно быть обеспечено как у постели каждого пациента, так и на центральном посту; система должна с высокой степенью точности обнаруживать нарушения ритма, указанные, и давать количественную оценку интенсивности появления кратковременных ранних норм и патологий;
- система должна выдавать несколько сигналов тревоги по принципу приоритетов;
- в системе должна быть предусмотрена автоматическая регистрация участков ЭКГ, вызвавших тревогу, для последующего их детального анализа;
- система должна отображать текущее состояние всех пациентов и иметь возможность отображения истории изменения состояния каждого пациента, чтобы медицинский персонал мог судить о необходимости или об эффективности терапевтических мер в борьбе с различными ранними патологиями;
- система должна работать при наличии сигналов ЭКГ, содержащих помехи. При больших уровнях помех она должна прерывать анализ ЭКГ с выдачей соответствующего сигнала на индикатор;
- система должна быть экономически эффективной в расчете на одного пациента.
Кроме того, должна быть обеспечена высокая надежность системы при ее непрерывной работе в течение продолжительного времени (более суток). При этом, система может считаться работоспособной только при условии полной ее проверки в условиях реальных кардиологических отделений.
В таблице представлены типы сетей доступных с интерфейсом NNTool [1-2].
Типы сетей, доступных с интерфейсом NNTool
|
№ п/п |
Тип сети |
Название сети |
Число слоев |
|
1 |
Competitive |
Конкурирующая сеть |
1 |
|
2 |
Cascade-forwardbackprop |
Каскадная сеть с прямым распространением сигнала и обратным распространением ошибки |
2 |
|
3 |
Elmanbackprop |
Сеть Элмана с обратным распространением ошибки |
2 |
|
4 |
Feed-forward backprop |
Сеть с прямым распространением сигнала и обратным распространением ошибки |
2 |
|
5 |
Time delay backprop |
Сеть с запаздыванием и обратным распространением ошибки |
2 |
|
6 |
Generalizedregression |
Обобщенная регрессионная сеть |
2 |
|
7 |
Hopfield |
Сеть Хопфилда |
1 |
|
8 |
Linear layer (design) |
Линейный слой (создание) |
1 |
|
9 |
Linear layer (train) |
Линейный слой (обучение) |
1 |
|
10 |
LVQ |
Сеть для классификации входных векторов |
2 |
|
11 |
Perceptron |
Персептрон |
1 |
|
12 |
Probabalistic |
Вероятностная сеть |
2 |
|
13 |
Radial basis (exact fit) |
Радиальная базисная сеть с нулевой ошибкой |
2 |
|
14 |
Radial basis (fewer neurons) |
Радиальная базисная сеть с минимальным числом нейронов |
2 |
|
15 |
Self-organizing map |
Самоорганизующаяся карта Кохонена |
1 |
Должно быть очевидно преимущество применения системы по сравнению с обычным обслуживанием пациентов. Последнее требование имеет большое значение для признания целесообразности введения тех или иных автоматических методов наблюдения клинике. Исследования показывают, что с помощью биомедицинсклй системы можно обнаруживать значительно более высокий процент патологических ритмов, чем обнаруживает их дежурная сестра по осциллографу в палате на несколько больных. Однако обнаружение этих дополнительных изменений ритма, еще не означает улучшения в лечении пациента.
Вышеперечисленные требования в полном объеме не выполняются ни для одной из существующих биомедицинских систем, однако, они дают возможность определить пути выполнения данных требований при разработке новых систем. Конечно, основной критерий качества биомедицинской системы – это надежность распознавания с использованием нейросетевых технологий.
В процессе подготовительного этапа разработки интерфейса стало необходимым создать нейронную сеть, обучить ее и настроить. Согласно алгоритму, представленному на рис. 1 была создана сеть с прямым распространением сигнала и обратным распространением ошибки (Feed-forwardbackprop) (рис. 1) [3].
Рис. 1
Именно такая архитектура сети и параметры обучения, давали наименьшую ошибку.
Нейронная сеть обучилась за 18 эпох (рис. 2).
Рис. 2
Обучающая последовательность представляла собой массив данных, показанных на рис. 3. Вектор входных значений состоял длительностей R-Rинтервалов в миллисекундах. В норме этот показатель электрокардиосигнала варьируется в пределах 600-1200 миллисекунд, иные значения свидетельствуют о патологиях. Таким образом, была сформирована последовательность целевых значений: норме соответствовало значение 0, патологии 1.
Рис. 3
Обучение прошло успешно, среднее значение ошибки составляло 3.4667e-004. Соответствие полученных результатов работы сети ожидаемым подтверждалось проведением дополнительных экспериментов. Пятнадцать значений как нормальных, так и патологических интервалов были распознаны с высокой точностью рис. 4.
Рис. 4
При создании нейронной сети, необходимо выполнить следующие операции:
1) сформировать последовательность входов и целей (кнопка NewData) либо загрузить их из рабочей области системы MatLab или из файла (кнопка Import);
2) создать новую нейронную сеть (кнопка NewNetwork) либо загрузить ее из рабочей области систем MatLab или из файла (кнопка Import);
3) выбрать тип нейронной сети и нажать кнопку Train…, чтобы открыть окно для задания параметров процедуры обучения;
4) открыть окно Network для просмотра, обучения, моделирования и адаптации сети.