The 14 reference contexts in paper G. Kachayeva I., A. Mustafayev G., Г. Качаева И., А. Мустафаев Г. (2018) “ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ ДЛЯ АВТОМАТИЧЕСКОГО АНАЛИЗА ЭЛЕКТРОКАРДИОГРАММ ПРИ ДИАГНОСТИКЕ ЗАБОЛЕВАНИЙ СЕРДЕЧНОСОСУДИСТОЙ СИСТЕМЫ // THE USE OF NEURAL NETWORKS FOR THE AUTOMATIC ANALYSIS OF ELECTROCARDIOGRAMS IN DIAGNOSIS OF CARDIOVASCULAR DISEASES” / spz:neicon:vestnik:y:2018:i:2:p:114-124

  1. Start
    6564
    Prefix
    Keywords: electrocardiogram, artificial neural network, computer diagnostics, backpropagation, training with the teacher, QRS complex Введение. По данным Всемирной организации здравоохранения
    Exact
    [1]
    Suffix
    заболевания сердечно-сосудистой системы уносят свыше 17 миллионов жизней в год. Сердечная аритмия и нарушение сердечного ритма могут свидетельствовать о возможности серьезных сердечнососудистых заболеваний, инсульта или внезапной сердечной смерти.
    (check this in PDF content)

  2. Start
    7791
    Prefix
    Этот метод исследования на сегодняшний день является самым распространенным и проводится практически во всех медицинских учреждениях. Наибольший интерес для практического здравоохранения представляют системы для диагностики заболеваний. Работы в данной области ведутся российскими и зарубежными исследователями
    Exact
    [2-7]
    Suffix
    . Задачи диагностики и прогнозирования, встречающиеся в медицинской практике как, правило не учитывают все реально имеющиеся условия, от которых зависит результат, а только выделяют некоторый набор наиболее важных условий.
    (check this in PDF content)

  3. Start
    9414
    Prefix
    При повышении соотношения сигнал-шум, происходит «размытие» информативных фрагментов из-за неравномерных изменений их продолжительности от цикла к циклу что приводит к ошибкам в измерении диагностических признаков, сосредоточенных на этих фрагментах
    Exact
    [8]
    Suffix
    . Автоматический анализ ЭКГ является непростой теоретической и практической задачей. Физиологическое происхождение сигнала ЭКГ, обусловливает его недетерминированность, разнообразие, изменчивость, нестационарность и подверженность многочисленным видам помех.
    (check this in PDF content)

  4. Start
    9839
    Prefix
    Физиологическое происхождение сигнала ЭКГ, обусловливает его недетерминированность, разнообразие, изменчивость, нестационарность и подверженность многочисленным видам помех. Увеличение эффективности методов автоматического анализа ЭКГ сдерживается ограничениями, связанными с вычислительной мощность используемых процессоров
    Exact
    [9]
    Suffix
    . Это в наибольшей степени относится к аппаратуре непрерывного наблюдения, так как обработка сигналов в ней должна выполняться в реальном масштабе времени. Производительность вычислительных средств постоянно повышается, поэтому становятся востребованными такие методы обработки и анализа сигналов, применение которых в системах реального времени ранее представлялось сложно реализуемым.
    (check this in PDF content)

  5. Start
    10789
    Prefix
    Искусственная нейронная сеть состоит из нескольких простых нелинейных элементов – нейронов, соединенных между собой взвешенными связями – синапсами, формирующими сеть. Рис. 2. Модель искусственного нейрона
    Exact
    [10]
    Suffix
    Fig. 2. Model of an artificial neuron [10] Искусственный нейрон является структурной единицей искусственной нейронной сети и представляет собой аналог биологического нейрона (рис. 2). Обсуждение результатов.
    (check this in PDF content)

  6. Start
    10831
    Prefix
    Искусственная нейронная сеть состоит из нескольких простых нелинейных элементов – нейронов, соединенных между собой взвешенными связями – синапсами, формирующими сеть. Рис. 2. Модель искусственного нейрона [10] Fig. 2. Model of an artificial neuron
    Exact
    [10]
    Suffix
    Искусственный нейрон является структурной единицей искусственной нейронной сети и представляет собой аналог биологического нейрона (рис. 2). Обсуждение результатов. С математической точки зрения искусственный нейрон – это сумматор входных сигналов, применяющий к полученной сумме простую, в общем случае, нелинейную функцию, непрерывную на всей области определения.
    (check this in PDF content)

  7. Start
    12662
    Prefix
    Многослойный персептрон состоит из одного входного и одного выходного слоя, с одним или несколькими скрытыми слоями. При обнаружении и обработке ЭКГ сигнала, в основном используются многослойные персептроны и радиально-базисные нейронные сети
    Exact
    [11-12]
    Suffix
    . При формировании исходных данных был использован архив, содержащий структурированный массив оцифрованных записей реальных физиологических сигналов и связанных с ними данных для применения биомедицинским сообществом в исследованиях [13].
    (check this in PDF content)

  8. Start
    12901
    Prefix
    При формировании исходных данных был использован архив, содержащий структурированный массив оцифрованных записей реальных физиологических сигналов и связанных с ними данных для применения биомедицинским сообществом в исследованиях
    Exact
    [13]
    Suffix
    . Данные записи были получены Холтеровским мониторированием в условиях стационара и независимо проанализированы двумя практикующими врачами. Пример записи показан на рис. 3 (фрагмент ЭКГ этой записи показан на рис. 4).
    (check this in PDF content)

  9. Start
    13632
    Prefix
    Sample Record No 109 from the MIT-BIH database Рис.4. Фрагмент ЭКГ записи No109 Fig.4. Fragment of ECG recording number 109 При анализе ЭКГ учитывают следующие нормальные значения интервалов и комплексов
    Exact
    [14]
    Suffix
    : 1. Ширина комплекса QRS в интервале 60- 100 мс. 2. Длительность интервала QT составляет 390- 450 мс. 3. Длительность интервалов R-R одинакова или имеет разброс до 10%. 4. Длительность интервала PQ составляет 120- 200 мс. 5.
    (check this in PDF content)

  10. Start
    14490
    Prefix
    Зубец Р по амплитуде не более 2,5 мм, а по длительности 0,1 сек. 8. Зубец Q не шире 20- 40 мс и не глубже 1/3 зубца R. Вопрос нахождения оптимального числа нейронов скрытого слоя не имеет однозначного решения по причине отсутствия устоявшейся методики
    Exact
    [15-17]
    Suffix
    . Например, в [18] рекомендуется число нейронов скрытого слоя определять эмпирическим путем, но в большинстве случаев используется правило, 푁скр≤푁 вх +푁 вых ,где 푁скр, 푁вх, 푁вых – число нейронов соответственно в скрытом, входном и выходном слое.
    (check this in PDF content)

  11. Start
    14510
    Prefix
    Зубец Q не шире 20- 40 мс и не глубже 1/3 зубца R. Вопрос нахождения оптимального числа нейронов скрытого слоя не имеет однозначного решения по причине отсутствия устоявшейся методики [15-17]. Например, в
    Exact
    [18]
    Suffix
    рекомендуется число нейронов скрытого слоя определять эмпирическим путем, но в большинстве случаев используется правило, 푁скр≤푁 вх +푁 вых ,где 푁скр, 푁вх, 푁вых – число нейронов соответственно в скрытом, входном и выходном слое.
    (check this in PDF content)

  12. Start
    14735
    Prefix
    Например, в [18] рекомендуется число нейронов скрытого слоя определять эмпирическим путем, но в большинстве случаев используется правило, 푁скр≤푁 вх +푁 вых ,где 푁скр, 푁вх, 푁вых – число нейронов соответственно в скрытом, входном и выходном слое. В
    Exact
    [19]
    Suffix
    предлагается правило геометрической пирамиды. Число нейронов скрытого слоя в трехслойном персептроне вычисляется из выражения 푁скр=√푁вх푁вых , где 푁скр, 푁вх , 푁вых – число нейронов в скрытом, входном и выходном слое.
    (check this in PDF content)

  13. Start
    17178
    Prefix
    При этом по всем вариантам диагноза желательно иметь значения критериев чувствительности и специфичности системы по всем вариантам диагноза равномерно распределенными, но не ниже порогового значения, при котором результат не может считаться достоверным
    Exact
    [19]
    Suffix
    . На рис. 5 представлены значения чувствительности и специфичности, показанные нейронной сетью, при различном числе нейронов в скрытом для двух вариантов выхода. Для обучения нейронной сети был подготовлен набор данных из 458 эпизодов ЭКГ (обучающая выборка 50%, валидационная выборка 30%, и тестовая выборка 20%).
    (check this in PDF content)

  14. Start
    18752
    Prefix
    логистическая функция (рис. 7): 퐹(푌)= 1 1+훼푌 , (2) где:  – параметр наклона логистической функции. Рис.7. Функция активации нейрона Fig.7. Neuron activation function Для обучения искусственной нейронной сети был использован алгоритм обратного распространения ошибки
    Exact
    [21]
    Suffix
    . Алгоритм обратного распространения ошибки (рис. 8) предполагает вычисление ошибки, как выходного слоя, так и каждого нейрона обучаемой сети, а также коррекцию весов нейронов в соответствии с их текущими значениями.
    (check this in PDF content)