3 Характеристика объекта исследования
Объектом исследования является алгоритм детектирования фибрилляции предсердий с использованием совместного анализа фонокардиограммы и ЭКГ-сигнала.
Алгоритм будет использоваться в разрабатываемом программном комплексе. Он выполняет для записей фонокардиограммы и ЭКГ фильтрацию, переход от временной области к частотной (получение спектра), выделение основных тонов, поиск R-пиков QRS-комплексов, извлечение диагностически значимых признаков, характеризующих особенности фибрилляции предсердий, и классификацию. Каждая запись будет классифицирована и определена принадлежность к группе (нормальный ритм, фибрилляция предсердий, зашумленный сегмент или другие аритмии). Программный код будет написан на языке Python.
Выделение основного тона фонокардиограммы будет реализовано при помощи энергии и частоты спектра сигнала, далее будет выполнена сегментация (при помощи статистических параметров и гистограммы), выделены свойства тона. Для ЭКГ-сигнала будут рассчитаны математические статистики для RR-интервалов. На основе выделенных признаков сигналов будет произведена классификация (при помощи машинного обучения) [2].
Алгоритм обработки записи будет строиться на основе структуры разрабатываемой системы. Важнейшие этапы, которые он должен включать в себя, будут осуществляться в компонентах структуры. На рисунке 2 представлена модель программы. Соответственно, синхронизация между этапами должна выполняться при помощи информационных каналов. В качестве входных данных в этих каналах будут выступать файлы, содержащие запись фонокардиосигнала и ЭКГ-сигнала пациента.
Рисунок 2 – Модель разрабатываемой программы
Фильтрация сигналов ЭКГ и фонокардиограммы нужна для борьбы с различными типами помех. Классификация может быть выполнена только с уже подготовленными записями ЭКГ и фонокардиограммы (отфильтрованной и сегментированной).
Для реализации классификатора необходимо:
Собрать предикторы всех записей фонокардиограмм и ЭКГ в один большой массив данных и перемешать его в случайном порядке.
Разбить массив на train (массив для обучения) и test (массив для определения точности).
Импортировать нужные классификаторы в Python-скрипт.
Создать экземпляр классификатора. Сделать это можно, создав переменную и вызвав функцию, связанную с классификатором и определяемую конфигурационными файлами.
Обучить классификатор.
После обучения модели, данные уже можно подавать в классификатор.
В результате будет рассчитана вероятность принадлежности к одной из четырёх групп.
Определение точности классификации [3].
Адекватность модели
Адекватность – это уровень соответствия модели реальному объекту.
Так как система еще разрабатывается, то сравнить полученные с ее помощью результаты и результаты, полученные с помощью реального объекта нельзя. Но адекватность модели действительно будет влиять на эффективность разрабатываемых методов исследования и эффективность функционирования биотехнической системы, в особенности на точность методов, так как, чем более высокий уровень адекватность модели, тем более точные результаты будет давать система, а значит будет наиболее эффективной.
Адекватность модели должна быть высокая, для того чтобы правильно детектировать фибрилляции предсердий (ФП). Для достижения высокой адекватности и правильности определения ФП в модели используется совместный анализ сигналов фонокардиограммы и ЭКГ. Данная модель должна лучше классифицировать сигналы и детектировать ФП, нежели модель, исследующая сигналы по отдельности [4].
Оценка влияния адекватности
Первый этап оценки адекватности заключается в проведении следующих проверок:
Наличие в модели всех существенных параметров и отсутствия несущественных;
Правильность определения границ основных тонов фонокардиограммы;
Точность классификации записей [5].
Из сигналов будут извлекаться информативные признаки, характеризующие диагностически значимые особенности ФП, по которым будет производиться дальнейшая классификация. Главные информативные для нас параметры ЭКГ сигнала: среднее значение; СКО; дисперсия; скошенность (симметричность распределения); эксцесс [1].
Поскольку запись аускультации сердца состоит из периодически повторяющихся основных тонов, то будем выделять такие свойства как: тип тона (S1, S2); основная частота тона; максимальная/минимальная амплитуда основной гармоники; дисперсия частот спектра; длительность основного тона [2].
Точность сегментации будет представлять отношение числа правильно сегментированных отсчетов сигнала к общему числу обработанных отсчетов.
Числом правильно классифицированных записей будет являться количество записей, для которых совпал результат классификации с заранее известным из обучающей базы данных. Точность классификации будет являться отношением числа правильно классифицированных записей к общему числу обучающих записей.