Технологія інформаційного аналізу електрокардіосигналів

1. Матеріал з MachineLearning. Технологія інформаційного аналізу електрокардіосигналів - технологія...
2. Етапи аналізу даних
3. Обчислення інтервалів і амплітуд
4. дискретизація
5. векторизация
6. машинне навчання
7. промислова реалізація
8. Вибірки даних і конкурсні завдання
9. датасета 1
10. датасета 2

Матеріал з MachineLearning.

Технологія інформаційного аналізу електрокардіосигналів - технологія діагностики багатьох захворювань внутрішніх органів людини по одній електрокардіограмі, заснована на теорії інформаційної функції серця В.М.Успенского.

Теорія інформаційної функції серця

Технологія інформаційного аналізу електрокардіосигналів заснована на наступних положеннях теорії інформаційної функції серця:

1. Серце виконує важливу інформаційну функцію, генеруючи у внутрішнє середовище організму сигнали з семантикою здоров'я і захворювань. Ця функція здійснюється серцем постійно, має високий ступінь самостійності і незалежна від того стану, в якому знаходиться людина: під час сну, неспання, активного відпочинку і будь-якого виду діяльності.
2. Амплітуди і інтервали кардіоімпульсов піддаються амплітудної і частотно-фазової модуляції під впливом складного комплексу взаємопов'язаних процесів в організмі. Видимий динаміка кардіоімпульсов носить іррегулярні характер, за яким ховаються патерни різних процесів, в тому числі паталогічна. Механізм модуляції є єдиним для електричних, магнітних і гідродинамічних імпульсів, що генеруються серцем.
3. Технологія інформаційного аналізу спрямована на демодуляцію сигналів, що генеруються серцем, і виявлення тих патернів, які пов'язані з різними захворюваннями.

Досвід пульсової діагностики, яка зародилася в Давньому Китаї, також дає підстави припускати, що кардіоімпульси несуть інформацію про захворювання різних органів.

Етапи аналізу даних

Етап попередньої обробки ЕКГ-сигналу складається з трьох кроків:

• обчислення інтервалів і амплітуд,
• дискретизація,
• векторизация.

В результаті обробки обсяг збережених даних скорочується з 3Мб до 1Кб. Проте, саме залишилися дані містять найбільш значущу діагностичну інформацію.

Етап машинного навчання: по представницької навчальній вибірці векторизованних електрокардіограм здорових людей і хворих будується алгоритм класифікації - діагностичне правило.

Етап діагностики: побудоване діагностичне правило застосовується до електрокардіосигналів обстежуваного і формується ранжируваних список діагнозів з оцінками активності захворювань.

Обчислення інтервалів і амплітуд

На першому кроці обробки ЕКГ-сигнал перетвориться в послідовність інтервалів кардіоциклу (кардіоінтервалограмми) і їх амплітуд (кардіоамплітудограмму) . Також вводиться «фазовий кут» як арктангенс їх відносини . На малюнках показані фрагменти динаміки приростів інтервалів і амплітуд в послідовних кардіоциклу ЕКГ здорової людини і трьох хворих. Збільшення амплітуд - жирні червоні лінії, збільшення інтервалів - тонкі сині лінії. По осі абсцис відкладені номери кардіоциклу n. Під графіками показані знаки збільшень . Варіації амплітуд і інтервалів, як правило, мають квазипериодический характер і відповідають дихальної хвилі з періодом часу від 2 до 10с, що добре видно на електрокардіограмі здорового.

здоровий

Гіпертонічна хвороба

Виразкова хвороба

рак

На малюнках помітно, що динаміка збільшень амплітуд і інтервалів істотно відрізняється у здорової людини і хворих. Однак візуальний аналіз не відповідає на питання, наскільки загальнозначимі ці відмінності, і чи не є вони індивідуальними особливостями даних обстежуваних. Необхідно застосовувати методи машинного навчання до представницьким вибірках хворих і здорових людей, щоб автоматично виявити патерни захворювань, оцінити їх статистичну надійність, і на їх основі побудувати систему комп'ютерної діагностики.

дискретизація

Передбачається, що діагностичну цінність мають не стільки величини амплітуд, інтервалів і «фазових кутів», підвладні впливу занадто великого числа факторів, скільки знаки їх збільшень в послідовних кардіоциклу. Можливі тільки 6 поєднань збільшень і зменшень цих трьох величин. Ці поєднання кодуються буквами 6-символьного алфавіту {A, B, C, D, E, F}. У наступній таблиці «+» означає позитивне прирощення, «-» - негативний:

В результаті дискретизації амплітудограмма і інтервалограмма перетворюються в 6-символьний послідовність, звану кодограми. Кожен символ кодує тип взаємозв'язку між двома сусідніми кардиоцикла. Кодограмм близька за своєю суттю до тексту на природній мові, в якому ланцюжка символів утворюють слова, що володіють певною семантикою. Принципово важливою є здатність кодограми виділяти з ЕКГ-сигналу найбільш важливу для діагностики інформацію.

На малюнку показана кодограмм і її частотне векторне подання.

векторизация

Слово, утворене k послідовними буквами кодограми, в обчислювальної лінгвістиці прийнято називати k -граммой. Частота k -грамми визначається як відношення числа її входжень в кодограми до довжини кодограми. Перетворення кодограми в вектор частот k -грамм називається векторизацией. Приклад векторного уявлення кодограми при k = 3 показаний на малюнку вище. Число всіляких триграм одно 216, тому вектор частот має розмірність 216.

Експерименти показують, що даний спосіб дискретизації і векторизації зберігає значну діагностичну інформацію про захворювання, незважаючи на те, що обсяг даних скорочується в кілька тисяч разів. Виявляється, що спільна зустрічальність певних триграм говорить про наявність в організмі інформаційної сутності або програми певного захворювання. Вона проявляється у людини на будь-якій стадії захворювання, в тому числі задовго до виникнення симптомів і переходу захворювання в активну фазу. Її наявність говорить про схильність до захворювання і тому може застосовуватися з метою ранньої діагностики.

машинне навчання

Оцінювання якості діагностики проводилося за допомогою наступних загальноприйнятих показників.

• чутливість - частка хворих, для яких діагностичне правило вірно діагностує наявність хвороби.
• специфічність - частка здорових, для яких діагностичне правило вірно діагностує відсутність хвороби.
• AUC - площа під ROC-кривої , Що відображає залежність чутливості від специфічності.

Всі три показника приймають значення від 0% до 100%, чим вище, тим краще. Щоб уникнути ефекту перенавчання і отримати несмещённие оцінки якості діагностики, застосовується 10-блокова крос-валідація .

У таблиці наводяться довжини вибірок хворих. При побудові діагностичних правил кожної хвороби використовувалася одна і та ж вибірка 193 електрокардіограм здорових людей.

промислова реалізація

Діагностична система «Скрінфакс», розроблена на основі технології інформаційного аналізу електрокардіосигналів, являє собою поліпшений електрокардіограф, комп'ютер і спеціалізоване програмне забезпечення.

Система «Скрінфакс» здатна діагностувати такі захворювання: ішемічну хворобу серця, гіпертонічну хворобу, цукровий діабет, жовчно, сечокам'яну і виразкову хворобу, залізодефіцитну анемію, некроз головки стегнової кістки, хронічний простатит, гіперпластичні процеси в матці у вигляді міоми і ендометріозу, мастопатію, аденому , поліпи різних локалізацій і інші захворювання, а також ризик онкопатології із зазначенням найбільш імовірною локалізації (всього близько 30 захворювань).

Методика обстеження: безперервна реєстрація від 300 до 600 кардіоциклу в трьох стандартних відведеннях за методикою знімання ЕКГ протягом 6-12 хвилин (в залежності від частоти пульсу).

«Скрінфакс» є системою комп'ютерної діагностики захворювань внутрішніх органів, що не мають аналогів у світовій практиці. Вона може застосовуватися для ранньої діагностики.

Технологія інформаційного аналізу захищена шістьма патентами Росії: №RU21595574C1 від 27.11.2000 р, №RU2157093С1 від 10.10.2000 р, №RU2163088C1 від 20.02.2001 р, №RU2184483 від 10.07.2002 р, №RU2211658C1 від 10.09. 2003 року, №RU2407431 C1 від 27.12.2010 р

Вибірки даних і конкурсні завдання

Наступні набори даних використовувалися в якості практичних завдань до курсу машинного навчання в МФТІ і ШАД Яндекс, а також на літніх школах в 2014 році.

датасета 1

В архіві файли по 1 хвороби, навчальна вибірка з класифікаціями, тестова вибірка без класифікацій, read.me з умовою завдання.

датасета 2

Матеріали і завдання

В архіві файли по 5 хвороб, для кожної хвороби є два файли: файли з буквою «Е» в імені - еталонні вибірки з надійно верифікованими діагнозами, які передбачається використовувати для навчання; файли без букви «Е» - контрольні вибірки. Можна використовувати тільки еталонні, можна пробувати їх перемішувати. В кожному файлі перший стовпець містить мітки класів (0-здоров, 1-хворий), наступні 216 стовпців - значення ознак.

література

1. Успенський В.М. Інформаційна функція серця. Теорія і практика діагностики захворювань внутрішніх органів методом інформаційного аналізу електрокардіосігналов.- М.: «Економіка і інформація», 2008. - 116с.
2. Успенський В.М. Інформаційна функція серця. // Клінічна медицина, - 2008. - Т. 86. - №5. - С.4-13.
3. Успенський В.М. Інформаційна функція серця в діагностиці захворювань внутрішніх органів. // Військово-медичний журнал, - Т. 188. - 2010. - № 9. - С. 45-51.
4. Успенський В.М. Теорія і практика діагностики захворювань внутрішніх органів методом інформаційного аналізу електрокардіосигналів. Посібник для лікарів. - М .: «Економіка і інформація», 2008. - 49с.
5. Uspenskiy VM Information Function of the Heart. A Measurement Model // Measurement 2011, Proceedings of the 8-th International Conference, Slovakia. 2011, p. 383-386.
6. Uspenskiy VM Information Function of the Heart. Biophysical substantiation of technical requirements for electrocardioblock registration and measurement of electrocardiosignals parameters acceptable for information analysis to diagnose internal diseases. Joint International IMEKO TC1 + TC7 + TC13 Symposium August 31st- September 2nd, 2011, Jena, Germany.
7. Uspenskiy VM Diagnostic System Based on the Information Analysis of Electrocardiogram . Proceedings of MECO 2012. Advances and Challenges in Embedded Computing. Bar, Montenegro, June 19-21, 2012 p. 74-76.

посилання