Методы распознавания биомедицинских сигналов для интеллектуальных медицинских систем на основе анализа временных и частотных характеристик регистрируемых процессов

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-21-00215

НазваниеМетоды распознавания биомедицинских сигналов для интеллектуальных медицинских систем на основе анализа временных и частотных характеристик регистрируемых процессов

Руководитель Манило Людмила Алексеевна, Доктор технических наук

Организация финансирования, регион Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" , г Санкт-Петербург

Конкурс №78 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами»

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-202 - Интеллектуальный анализ данных и распознавание образов

Ключевые слова Интеллектуальные системы, распознавание образов, анализ биомедицинских сигналов, хаотические компоненты, нелинейный анализ, отображение Пуанкаре, автоматизация медицинской диагностики

Код ГРНТИ76.03.59

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Проект направлен на разработку новых эффективных методов распознавания биомедицинских сигналов для интеллектуальных систем медицинского назначения. Планируется создание методов и информационных технологий, основанных на современных представлениях о моделях исследуемых процессов и использующих последние достижения в области искусственного интеллекта. В проекте будут предложены новые методы и алгоритмы, предназначенные для решения многоклассовых задач с целью выявления ранних форм нарушений, а также разработаны и исследованы ряд новых методов нелинейного анализа данных. Предлагается исследовать несколько подходов к решению многоклассовой задачи, направленных на повышение эффективности распознавания трудно разделимых классов объектов. Результаты исследований будут применены для обнаружения ранних форм опасных аритмий по спектральному описанию фрагментов ЭКГ. Будут разработаны новые алгоритмы анализа выраженности хаотических составляющих в сложных сигналах, включающих как детерминированные, так и нерегулярные компоненты. Они основаны на развитии теории и методов нелинейной динамики в применении к практическим задачам диагностики и контроля значимых изменений по ЭКГ и ЭЭГ. С целью решения задач анализа сигналов на коротких временных отрезках, что важно для систем непрерывного контроля, предлагаются различные способы коррекции характеристик хаотичности. Получаемые оценки являются прогностически важными для выявления диагностически значимых изменений в состоянии живого организма. Исследуется новый численный метод распознавания ЭКГ-сигналов по псевдофазовому портрету, а также диагностики патологий сердца по отображению Пуанкаре. Анализ геометрической структуры реконструированного образа расширяет возможности алгоритмов диагностики. В частности, предлагается новый метод анализа динамики временных рядов с применением комплексной корреляционной меры, что важно для выявления отклонений в регуляции сердечного ритма. Этот поход предполагается применить для диагностики застойной сердечной недостаточности (ЗСН). Исследуются несколько способов решения прикладных задач: - распознавание разных форм опасных для жизни аритмий по спектру ЭКГ-сигнала; - распознавание ЗСН и эпизодов ФП по последовательности кардиоциклов; - распознавание разных уровней активности головного мозга по ЭЭГ. Результаты исследований, а также создание соответствующего программного обеспечения повысит эффективность систем наблюдения за состоянием пациента по ЭКГ, ЭЭГ и диагностики патологий. Все предлагаемые методы и алгоритмы являются новыми, оригинальными, соответствующими, последним достижениям мировой науки в данной области исследований. Экспериментальные исследования выполняются с использованием собственной базы записей ЭКГ и ЭЭГ- сигналов.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Манило Л.А., Немирко А.П. Recognition of biosignals with nonlinear properties by approximate entropy parameters Computer Optics. Институт систем обработки изображений РАН., 2023; 47(5): 832-840. (год публикации - 2023)
10.18287/2412-6179-CO-1345

2. Старченкова К.С., Манило Л.А. Multifractal Analysis of Heart Rate Variability for Arrhythmia Diagnostics 2023 XXVI International Conference on Soft Computing and Measurements (SCM), Publisher: IEEE, 2023., 2023 XXVI International Conference on Soft Computing and Measurements (SCM), Saint Petersburg, Russian Federation, 2023, pp. 308-311. (год публикации - 2023)
10.1109/SCM58628.2023.10159079

3. Старченкова К.С., Манило Л.А. Мультифрактальный анализ вариабельности сердечного ритма для задач диагностики аритмий XXVI Международная конференция по мягким вычислениям и измерениям (SCM-2023). Сборник докладов. Санкт-Петербург. 24 – 26 мая 2023 г. СПб.: СПбГЭТУ «ЛЭТИ»., XXVI Международная конференция по мягким вычислениям и измерениям (SCM-2023). Сборник докладов. Санкт-Петербург. 24 – 26 мая 2023 г. СПб.: СПбГЭТУ «ЛЭТИ», с. 419 - 422. (год публикации - 2023)

4. Манило Л.А., Холматов Д.У., Немирко А.П. Automatic analysis of heart failure by statistical and nonlinear measures of heart rate variability Proceedings of the 2023 International Conference on Systems and Technologies of the Digital HealthCare (STDH – 2023), October 4-6, Tashkent Uzbekistan 2023., Proceedings of the 2023 International Conference on Systems and Technologies of the Digital HealthCare (STDH – 2023), Tashkent Uzbekistan October 4-6, 2023, pp 73-76. (год публикации - 2023)

5. Манило Л.А., Старченкова К.С. Comparative Analysis of Methods of Nonlinear Dynamics for the Problem of Monitoring the State of Anesthesia During an Operation 2023 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB), 2023 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB), Novosibirsk, Russian Federation, 2023, pp. 009-012, doi: 10.1109/CSGB60362.2023.10329843 (год публикации - 2023)
10.1109/CSGB60362.2023.10329843

6. Манило Л.А., Холматов Д.У., Немирко А.П. Построение классификатора для диагностики застойной сердечной недостаточности с использованием нелинейных параметров сигнала сердечного ритма Биомедицинская радиоэлектроника. Издательство "Радиотехника"., Биомедицинская радиоэлектроника. Издательство Радиотехника. 2024. T. 27. № 2. С. 18–24. (год публикации - 2024)
10.18127/j15604136-202402-03

Аннотация результатов, полученных в 2024 году
Проведены исследования новых методов анализа биомедицинских сигналов, предназначенных для решения практических задач здравоохранения. Цель исследования: повысить эффективность диагностики патологий и расширить возможности распознавания различных функциональных состояний по ЭКГ и ЭЭГ. За отчётный период проделана следующая работа. Проведён сравнительный анализ эффективности распознавания опасных аритмий по коротким фрагментам ЭКГ разной длительности (2 с и 4 с) на основе их спектрального описания. Использована собственная база коротких фрагментов ЭКГ, включающая 6 классов нарушений ритма. Классификаторы строились с применением нескольких методов: метод ближайшего соседа (k-NN), машина опорных векторов (SVM), случайный лес. Показано, что лучшей моделью для решения бинарной задачи (опасные/неопасные аритмии) является метод kNN (k=2, взвешенное расстояние, расстояние – manhattan), со значением F1-меры равным 96,4%. При распознавании группы крайне опасных нарушений по отношению к классу потенциально опасных аритмий лучшую предсказательную способность обеспечивает модель Random Forest (n=150), с F1-мерой равной 92,2%. Прирост в метриках качества анализа 4-с фрагментов по отношению к 2-с фрагментам составляет 5%. Предложен новый метод обнаружения опасных для жизни сердечных аритмий на основе непрерывного вейвлет преобразования 2-х секундных фрагментов ЭКГ и трансферного обучения глубокой сверточной нейронной сети AlexNet. В ходе экспериментов на реальных и синтезированных данных, организованных в собственный банк данных, предложенные методы показали высокую эффективность по сравнению с опубликованными ранее. Средняя точность классификации по всем шести классам, равна 98,7%, что существенно выше полученных ранее оценок. Проведён сравнительный анализ классификации желудочковых аритмий (многоклассовая задача) по коротким фрагментам ЭКГ с использованием классических методов (линейный дискриминантный анализ, k-NN, SVM ) и нейросетевых методов (LSTM и CNN). Решены три задачи: бинарная классификация «опасных» аритмий и всех остальных нарушений ритма (1); бинарная классификация «опасных» аритмий и вариаций нормы (2); классификация на 3 класса: «опасные» аритмии, вариации норма и «потенциально опасные» аритмии (3). Анализ различных метрик качества распознавания показал, что сеть LSTM обеспечивает более надежные результаты: точность 96% и 99,1% при распознавании 2-х и 3-х классов, соответственно. Предложено морфологическое описание псевдофазового портрета (ПфП) ритмограммы, применяемое для решения задач распознавания аритмий. С использованием базы данных Non Invasive Fetal ECG Arrhythmia Database исследована его эффективность для обнаружения фетальной аритмии. Установлено, что точность и чувствительность распознавания данной патологии на фоне различных вариаций нормы составляет 96%. Исследованы мультифрактальные свойств сигнала электроэнцефалограммы (ЭЭГ) при появлении апноэ во время сна. По результатам сравнительного анализа применения различных показателей (старший показатель Ляпунова, энтропия Шеннона, Реньи, показатель Хёрста, ширина мультифрактального спектра) установлено, что методы мультифрактального флуктуационного анализа приводят к наилучшему результату распознавания. Точность классификации методом линейного дискриминантного анализа с применением показателя Херста составила 91,2%, а по показателю ширины мультифрактального спектра 90,8%. Разработан комплекс программ для автоматического обнаружения эпизодов синдрома обструктивного апноэ во время сна. Проведен сравнительный анализ применения статистических, нелинейных и геометрических показателей, оценивающих особенности отображения Пуанкаре сердечного ритма, в задаче распознавания ранней формы застойной сердечной недостаточности (ЗСН). На базе реальных записей ритма, отобранных из веб-ресурса PhysioNet, проведены исследования по оценке качества распознавания ЗСН. Наибольшая точность бинарной классификации достигнута для набора параметров комплексной корреляционной меры, которая, как показали эксперименты, достаточно полно описывает нелинейную структуру временных рядов. Разработаны алгоритмы и программные комплексы, предназначенные для решения практических задач: распознавание опасных аритмий по коротким записям ЭКГ, обнаружение фетальной аритмии по ритмограмме, распознавание стадий наркоза и апноэ сна по ЭЭГ, распознавание ранней стадии застойной сердечной недостаточности по скаттерограмме. Опубликовано 8 научных работ (6 журнальных статей вышли в свет, 2 научные статьи опубликованы в материалах докладов на международных конференциях). Одна журнальная статья принята в печать.

Публикации

1. Немирко А.П., Манило Л.А., Семенова Е.А., Евдакова Е.Г. Detection of life-threatening arrhythmias using an artificial intelligence-based method. Biomedical Engineering, Springer Science. , Biomedical Engineering, Springer Science. Translated from Meditsinskaya Tekhnika, No. 4 (346), pp. 44–46, July-August, 2024. (год публикации - 2024)
10.1007/s10527-024-10414-y

2. Манило Л.А., Немирко А.П., Евдакова Е.Г. Ventricular Arrhythmia Classification Using Classical and Neural Network Approaches. Pattern Recognition and Image Analysis, Pattern Recognition and Image Analysis, Advances in Mathematical Theory and Applications, 2024, vol. 34, issue 4 (год публикации - 2024)

3. Старченкова К.С., Манило Л.А. Применение мультифрактального анализа для распознавания апноэ сна по электроэнцефалограмме. Биомедицинская радиоэлектроника. Издательство радиотехника., Биомедицинская радиоэлектроника. 2024. T. 27. № 5. С. 17−22. (год публикации - 2024)
10.18127/j15604136-202405-02

4. Старченкова К.С., Манило Л.А. Detection of Fetal Arrhythmia by Non-invasive ECG Using Pseudophase Portrait Analysis. 2024 XXVII International Conference on Soft Computing and Measurements (SCM), Publisher: IEEE., 2024 XXVII International Conference on Soft Computing and Measurements (SCM), Saint Petersburg, Russian Federation, 2024, pp. 421-423. (год публикации - 2024)
10.1109/SCM62608.2024.10554233

5. Немирко А.П., Ба Махел А.С., Манило Л.А. Распознавание опасных аритмий по скалограммам ЭКГ. Computer Optics. Институт систем обработки изображений РАН., Компьютерная оптика. –2024. – Т. 48, № 1. – С. 149-156. (год публикации - 2024)
10.18287/2412-6179-CO-1354

6. Холматов Д.У., Манило Л.А., Немирко А.П. Nonlinear analysis of heart rate variability in the recognition of congestive heart failure. Biomedical Engineering, Springer Science., Biomedical Engineering, Springer Nature, 2024. Translated from Meditsinskaya Tekhnika, No. 4 (346), pp. 29–32, July-August, 2024. (год публикации - 2024)
10.1007/s10527-024-10410-2

7. Манило Л.А., Немирко А.П., Евдакова Е.Г., Татаринова А.А. Comparing Binary Classification Results for Dangerous Ventricular Arrhythmias Using 2 and 4 Seconds Short ECG Signal Fragments. 2024 International Conference on Information Processes and Systems Development and Quality Assurance (IPS), IEEE Xplore, ETU "LETI"., 2024 International Conference on Information Processes and Systems Development and Quality Assurance (IPS), Saint Petersburg, Russian Federation, 2024, pp. 36-39. (год публикации - 2024)
10.1109/IPS62349.2024.10499488

8. Немирко А.П., Манило Л.А. Recognition of Biomedical Signals for Medical Diagnostics. State of the Art in the Russian Federation. (Series on Language Processing, Pattern Recognition, and Intelligent Systems: Volume 7). – World Scientific Publishing Europe Ltd., Singapore, 2024., Chapter 15 in book: Image Analysis and Pattern Recognition. State of the Art in the Russian Federation. (Series on Language Processing, Pattern Recognition, and Intelligent Systems: Volume 7). – World Scientific Publishing Europe Ltd., Singapore, 2024, pages 579-614. (год публикации - 2024)
10.1142/13167