Главная страница

Библиотека

Перечень ссылок


Результаты поиска в INTERNET

МАЗУРОВ ВЛАДИМИР ВЛАДИМИРОВИЧ

магистр факультета Компьютерных информационных технологий и автоматики Донецкого национального технического университета

Специальность: специализированные компьютерные системы

Тема магистерской работы:

"Разработка компьютерной системы диагностики заболеваний легких и сердца"

Руководитель: д.т.н., проф. Спорыхин Виктор Яковлевич

E-mail: olyavasgen@mail.ru

АВТОРЕФЕРАТ МАГИСТЕРСКОЙ РАБОТЫ

  Актуальность и обоснование темы

  Исследованиям функции внешнего дыхания и сердца всегда уделялось большое внимание, однако лишь в последние 10-15 лет они стали принимать массовый характер. Причиной этого следует полагать необходимость профилактики и раннего выявления распространенных ныне неспецифических легочных заболеваний и заболеваний сердца, угрожающих здоровью населения своими тяжелыми последствиями.

  Тщательное изучение истории болезни и жизни и полное физическое исследование больных дают врачу много ценных и важных данных для диагностики каждой из форм хронических заболеваний легких. Однако проблемы дифференциального диагноза, прогноза и рациональной индивидуализированной терапии не могут быть окончательно решены без дополнительных диагностических исследований. Определение фазы болезни, степени тяжести и стадии развития, оценка функционального состояния органов дыхания и других систем и анализ механизмов развития болезни также требуют разнообразных лабораторных и инструментальных исследований.

  Клиническая медицина имеет богатый методический опыт и определенный аппаратурный потенциал функциональной диагностики легких (ФДЛ). Учитывая, однако, что в настоящее время ФДЛ все в большей степени становится областью массовых обследований (скрининга), следует, в первую очередь, направить усилия на решения соответствующих задач.

  На современном этапе развития ФДЛ становится очевидным, что для обеспечения скрининга в наибольшей степени пригодны методы, базирующиеся на измерениях объемных и скоростных показателей форсированного выдоха, которые детерминируют важнейшие параметры механики дыхания - растяжимость легких и сопротивление дыхательных путей.

  Исследование процесса форсированного выдоха предусматривает, в первую очередь, измерения величин форсированной жизненной емкости легких (ФЖЕЛ) и максимальной объемной скорости выдоха (МОСвыд). Такие измерения могут обеспечить несложные портативные механические приборы и индикаторы, достаточно дешевые для того, чтобы снабдить ими врача поликлиники или даже пациента - для целей самоконтроля. Подобные устройства (сухие спирометры, пневмотахометры, флюориметры) находятся в массовом производстве и составляют основу аппаратуры ФДЛ в нашей стране и за рубежом.

  Мировая практика медицинского приборостроения имеет опыт разработки микропроцессорных систем для аппаратуры ФДЛ, способных рассчитывать до 64 параметров, полностью характеризующих вентиляционную функцию внешнего дыхания. В последнее время наблюдается тенденция к использованию мини-компьютеров с широким набором программ. Такие устройства, выполненные в виде отдельного модуля, позволяют организовать комплекс приборов для синхронного проведения разнообразных исследований, существенно уточняющих общую картину функционирования легких.

  Перспективы применения микропроцессоров в аппаратуре ФДЛ оцениваются высоко. Современная компьютерная технология не только предлагает широкий выбор вариантов автоматизации исследований, но и обеспечивает ее доступность, ибо повышает стоимость прибора среднего класса не более чем на 15-20%. Благодаря такой автоматизации соответствующие приборы достигают высокой пропускной способности (до 100 тыс. исследований в год), т.е. становятся в полной мере приборами для массовых обследований.

  Анализ существующих систем диагностики

  При массовом обследовании населения оценка состояния системы внешнего дыхания и ее функций значительно расширяет представление о состоянии здоровья пациентов. В этой связи спирография как наиболее простой и достаточно информативный метод занимает достойное место в эпидемиологических исследованиях. Использование автоматических спирографов с микрокомпьютерной обработкой сигналов значительно облегчает работу исследователя, улучшает воспроизводимость большинства показателей. Основой спирографии при популяционных обследованиях является стандартное проведение и точное выполнение с регистрацией не менее двух качественных кривых, различающихся между собой по ФЖЕЛ выхода не более чем на 5%. Для анализа выбирают кривую с наибольшей суммой объема форсированного выдоха за первую секунду (ОФВ1) и ФЖЕЛ, а выдох является завершенным при максимальной для данного пациента скорости выполнения.

  Индивидуальный норматив, рассчитанный с учетом влияния нескольких или всех указанных факторов, принято называть должной величиной. Для большинства спирографических показателей разработаны должные величины, для некоторых - определен диапазон индивидуальных различий здоровых людей. Для расчета должных величин многих функциональных показателей наиболее широко используются величины должного основного обмена. Должную величину в каждом конкретном случае принимают за 100%, а полученную экспериментально - выражают в процентах должной. Использование должных величин уменьшает, но не устраняет полностью индивидуальных различий здоровых людей, которые для большинства показателей находятся в пределах 80-120% должной, а для некоторых - в еще более широком диапазоне. Это создает значительные трудности в оценке спирографических показателей, особенно при диагностике начальных нарушений. Дело значительно меняется, если имеются данные повторных исследований. Даже небольшие отклонения от результатов предшествующего обследования больного могут указать на величину и направленность происшедших изменений. Правильно их оценка может быть дана только с учетом воспроизводимости показателя. Под воспроизводимостью понимают диапазон повторных измерений с принятой надежностью различает свойственную методу погрешность от фактически происшедших сдвигов. Суммарная погрешность спирографического исследования включает случайные и систематические ошибки, связанные с конструктивными особенностями прибора, субъективные ошибки снятия отсчетов по спирограмме и физиологически обусловленные колебания, свойственные исследуемым. Мерой воспроизводимости является среднее квадратичное отклонение разброса повторных измерений. Воспроизводимость биологических параметров принято оценивать в 95% доверительном интервале. важно также иметь ввиду, что если в процессе одного исследования в ряде повторных измерений оказывается величина, превышающая предел воспроизводимости, то она должна быть отброшена, как недостоверный результат.

  Таким образом, применение ЭВМ для математической обработки результатов исследований ФВД в покое и при физической нагрузке позволило значительно сократить время и трудоемкость вычислений, автоматизировать архивную обработку поученного материала.

  Несколько десятков лет назад был предложен и сейчас получил широкое распространение весьма перспективный диагностический метод - компьютерная томография. В нем объединяются возможности современной рентгеновской техники и электронно-вычислительных машин. Вначале компьютерную томографию использовали только для исследования головы. По выражению ряда ученых, этот метод произвел революцию в диагностике внутричерепных патологических процессов. Вскоре были созданы аппараты для компьютерной томографии всего тела (1975г.). Компьютерная томография позволяет выявить кальцификаты в легочных лимфатических узлах и диффузные изменения легочной ткани.

  Система для компьютерной томографии обладает в 100 раз большей разрешающей способностью, чем обычная рентгенография, и позволяет различать ткани, если они отличаются друг от друга по плотности на 0,5%. Благодаря этому можно «видеть» большинство тканей организма: костную, мышечную и жировую.

  Метод компьютерной томографии является исключительно важным достижением в области диагностики патологических процессов различной локализации. Чрезвычайно ценно, что компьютерная томография абсолютна безвредна и нетягостна для больного; она, разумеется, не исключает использования других методик.

  Цели и задачи исследования

  Исходя из вышеизложенных проблем и недостатков существующих методов диагностики заболеваний легких, можно сформулировать цель магистерской работы: разработать специализированную компьютерную систему диагностики легких и сердечно-сосудистой системы.

  В магистерской работе необходимо разработать структуру компьютерной системы диагностики легких и сердца; попытаться оценить влияние процессов внешнего дыхания на сердечно-сосудистые функции, что проявляется в первую очередь в фазных с дыханием изменениях частоты сердечных сокращений.

  Разрабатываемая магистерская работа позволит получить следующие результаты:

  1.   Распознавание наиболее важных особых точек ЭКГ и спирограммы.

  2.   Измерение различных интервалов и амплитуд единичных циклов активности.

  3.   Формирование векторных временных рядов, составленных как из интервалов и амплитуд единичных циклов активности, так и из их усредненных значений за определенное число циклов или секунд.

  4.   Преобразование временных рядов характеристик единичных колебаний в бинарные последовательности: 0 - соответствует убыванию временного ряда, 1 - возрастанию.

  5.   Формирование признаков временной динамики характеристик единичных колебаний, получаемых как с помощью традиционных статистических методов во временной и частотной областях, так и с помощью малоизвестных статистических методов: оценки случайности временного ряда и некоторых других.

  6.   Извлечение из множества признаков наиболее ценной информации, содержащейся в ЭКГ и спирограмме.

  7.   Использование новой информации о процессах жизнедеятельности для автоматизированной разработки диагностических и прогностических алгоритмов.

  Математический аппарат для разработки компьютерной системы диагностики заболеваний легких и сердца

  Спектральные методы анализа ритмограммы получили в настоящее время очень широкое распространение. Врачей привлекает наглядность метода, когда по 2–3 компонентам спектра можно сделать заключение о балансе активности симпатического и парасимпатического отделов вегетативной нервной системы. Применение спектрального анализа позволяет количественно оценить различные частотные составляющие колебаний ритма сердца. Обычно спектральная плотность мощности, полученная при анализе ВРС в течение короткого временного отрезка, включает в себя три основных участка: пик в диапазоне 0,15–0,40 Гц, соответствующий частоте дыхательных волн (высокочастотный, high frequency, HF), пик на частоте примерно 0,1 Гц, соответствующий так называемым медленным волнам первого порядка (МВ1, низкочастотный, low frequency, LF), и основная мощность спектра соответствует самым медленным колебаниям, называемым медленными волнами второго порядка (МВ2, очень низкочастотный диапазон, very low frequency, VLF). При длительной записи (24 часа) выделяют еще и ультранизкочастотный компонент – ultra-low frequency (ULF).

  Мощность спектральных компонент измеряют двумя способами: в абсолютных величинах либо в нормированных единицах (в процентах от общей мощности сигнала). Представление мощности LF и HF компонент в нормированных единицах позволяет подчеркнуть баланс между двумя ветвями периферической нервной системы, однако не отражает абсолютной степени вегетативных влияний на сердечный ритм, поэтому используют оба метода представления информации.

  Параметрические методы

  Преимуществами параметрических методов являются: легко различимые сглаженные спектральные компоненты, легкая автоматическая постобработка спектра с распознаванием основной частоты для низкочастотной (LF) и высокочастотной (HF) компонент, приемлемая оценка спектра даже по короткой выборке. Основные недостатки параметрических методов – сложность расчетных алгоритмов и необходимость проверки адекватности выбранной статистической модели.

  Основной идеей параметрических методов является представление выборочной СПМ в виде суммы двух компонент: истинной СПМ изучаемого процесса и случайной составляющей, при этом наблюдаемая последовательность yi представляется в виде модели:

,

где ai, bi - константы, xi - случайные внешние воздействия с равномерной спектральной плотностью (белый шум).

  Первую сумму в выражении обычно называют скользящим средним, а вторую – авторегрессией, поэтому такие модели получили название авторегрессии – скользящего среднего (АРСС). Иногда при расчетах используют только одну из сумм, тогда модель соответственно называют авторегрессионной (АР) либо скользящего среднего (СС), причем в показано, что АР модель может быть сведена к СС модели бесконечного порядка, и наоборот.

  В конечном счете задача заключается в оценке тем или иным способом неизвестных констант по известной выборке. Как правило, этот процесс является итеративным: выбираются некоторые значения N и M, и рассчитываются параметры модели. Затем, по ряду критериев проверяют качество полученной модели: разность между моделью и спектром исходного сигнала должна являться белым шумом, должны отсутствовать эффекты перепараметризации, и т.д. Затем изменяют N и M и повторяют процедуру до получения приемлемого результат.

  Необходимо отметить, что АРСС модели являются статистическими моделями процесса, т.е. описывающими сигнал и практически не связанными с внутренней структурой объекта.

  Корреляционный анализ

  Если при анализе вариабельности ритма сердца использовать какие-либо дополнительные сигналы (сигнал дыхания, сигнал капиллярного кровотока, миограмму сосудистой стенки, …) то можно оценить степень взаимосвязи различных биологических процессов, а также фазовые (временные) задержки между ними. Для этой цели и предназначен корреляционный анализ.

  Мерой связи двух случайных процессов во временной области является их взаимная корреляционная функция (называемая также кросскорреляционной):

  Интервал, на котором кросскорреляционная функция отлична от нуля называют интервалом корреляции функций x и y. В частном случае, при x=y, получаем так называемую автокорреляционную функцию, отражающую взаимосвязи внутри сигнала. В статистике вместо корреляционной функции более часто используют нормированную кроссковариационную функцию, которая в случае дискретного сигнала рассчитывается по формуле:

,

  где – средние значения функций x и y. Диапазон изменения коэффициента r = [-1;1], причем чем ближе его абсолютное значение к единице, тем теснее взаимосвязь двух процессов. Меняя параметр k мы меняем “смещение” одного сигнала относительно другого. Значение k, при котором r максимально, обычно интерпретируют как временную задержку одного сигнала относительно другого. Оценить достоверность отклонения нормированного коэффициента ковариации от нуля можно по формуле:

  где, N– размер выборки.

  Значение r± указывает 5% доверительный интервал для r=0. Если вычисленный по выборке коэффициент ковариации находится внутри доверительного интервала, то его отличие от нуля не значимо.

  Аналогом корреляционной функции в спектральной области является функция когерентности:

,

  где Pxx(f), Pyy(f)- спектры мощности случайных процессов x и y, аPxy(f) – кросс-спектральная функция, определяемая как дискретно-временное преобразование Фурье от кросскорреляционной функции.

  При расчете функции когерентности необходимо исходную запись разбить на несколько независимых участков, для каждого вычислить кросс-спектральную функцию и результаты усреднить. Дело в том, что модуль функции когерентности, рассчитанной по отдельной выборке, всегда тождественно равен 1.

  Модуль функции когерентности лежит в диапазоне от 0 (для частот, на которых когерентность отсутствует) до 1 (каналы полностью когерентны). Если когерентность двух сигналов на какой-то частоте значима, то говорят, что два сигнала имеют на этой частоте фиксированные фазовые соотношения и могут рассматриваться как синхронизированные друг с другом. В этом случае фазовую задержку между двумя сигналами на частоте когерентности определяют как фазу кросс-спектральной функции. Для вычисления функции когерентности необходимо использовать усреднение по нескольким выборкам, в противном случае её модуль будет тождественно равен 1.

  Выводы

  На основании вышеизложенного можно сделать вывод, что разрабатываемая магистерская работа позволит получить следующие результаты: распознавание наиболее важных особых точек ЭКГ и спирограммы; измерение различных интервалов и амплитуд единичных циклов активности; формирование векторных временных рядов, составленных как из интервалов и амплитуд единичных циклов активности, так и из их усредненных значений за определенное число циклов или секунд; преобразование временных рядов характеристик единичных колебаний в бинарные последовательности: 0 - соответствует убыванию временного ряда, 1 - возрастанию; формирование признаков временной динамики характеристик единичных колебаний, получаемых как с помощью традиционных статистических методов во временной и частотной областях, так и с помощью малоизвестных статистических методов: оценки случайности временного ряда и некоторых других; извлечение из множества признаков наиболее ценной информации, содержащейся в ЭКГ и спирограмме; использование новой информации о процессах жизнедеятельности для автоматизированной разработки диагностических и прогностических алгоритмов.

  Литература

  1.   Генкин А.А. Модуль анализа физиологических процессов программного комплекса ОМИС.// Материалы VII Санкт-Петербургской международной конференции “Региональная информатика 2000” т.2. - СПб. 2000.

  2.   Калантар В.А., Сивачев А.В. Синхронный автоматизированный анализ спирограммы и кардиоинтервалограммы // Медицинская техника. - 1999 - №4. - 37-39.

  3.   Чирейкин Л.В., Шурыгин Д.Я., Лабутин В.К. Автоматический анализ электрокардиограммы.- Л. Медицина. 1977. - 248 c.

  4.   Бутенко А.Т. Измерение электрокардиограмм при бронхоспирометрическом исследовании функции внешнего дыхания // Врачебное дело. - К., 1970, №3, с.38

  5.   Heart Rate Variability (Standards of Measurement, Physiological Interpretation, and Clinical Use). Circulation 1996; 93: 1043-1065.

    ДонНТУ Магистратура ДонНТУ Поиск по ДонНТУ


    © Мазуров В. В., 2004