Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Система и алгоритм обнаружения информативных импульсов электрокардиосигнала в условиях интенсивных помех

Диссертация: Система и алгоритм обнаружения информативных импульсов электрокардиосигнала в условиях интенсивных помех
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Показана необходимость создания и разработана унифицированная методика многофакторного тестирования алгоритмов обнаружения информативных импульсов ЭКС. Создана тестовая база сигналов и помех, позволяющая формировать реальные и искусственные ЭКС с нарастающими помехами различного вида, что обеспечивает повышение качества оценки эффективности алгоритмов обнаружения ИИ ЭКС. Разработана система… Читать ещё >

Содержание

  • ГЛАВА 1. ОБЗОР МЕТОДОВ И СРЕДСТВ АНАЛИЗА ЭЛЕКТРОКАРДИОСИГНАЛА
  • Вводные замечания
    • 1. 1. Электрокардиосигнал и его основные свойства
    • 1. 2. Проблемы, возникающие при анализе сердечного ритма
      • 1. 2. 1. Нарушения сердечного ритма и проводимости
      • 1. 2. 2. Влияние интенсивного информационного воздействия на сердечный ритм
    • 1. 3. Виды помех, возникающих при анализе ЭКС
    • 1. 4. Способы повышения помехоустойчивости обнаружения (ЗЯБ-комплексов электрокардиосигнала
    • 1. 5. Выбор алгоритмов обнаружения ИИ ЭКС, эффективных при различных видах помех
  • Основные результаты
  • ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА СОГЛАСОВАННОЙ АГРЕГАЦИИ РЕШЕНИЙ ДЛЯ ПОВЫШЕНИЯ ПОМЕХОУСТОЙЧИВОСТИ СИСТЕМЫ ОБНАРУЖЕНИЯ ИИ ЭКС
  • Вводные замечания
    • 2. 1. Основные операции, применяемые при обнаружении ИИ ЭКС
      • 2. 1. 1. Алгоритмы обнаружения ИИ ЭКС на основе дифференцирования
      • 2. 1. 2. Алгоритмы обнаружения ИИ ЭКС на основе интегрирования
      • 2. 1. 3. Алгоритмы обнаружения ИИ ЭКС на основе разложения ЭКС по базисным функциям
      • 2. 1. 4. Алгоритмы обнаружения ИИ ЭКС на основе определения рангов.51 2.2. Систематизация алгоритмов анализа ЭКС по степени их помехоустойчивости
      • 2. 2. 1. Известные систематизации алгоритмов обнаружения ИИ ЭКС
      • 2. 2. 2. Предлагаемая систематизация алгоритмов анализа ИИ ЭКС для выделения наиболее помехоустойчивых методов
    • 2. 3. Обнаружение информативных импульсов ЭКС на основе алгоритма согласованной агрегации решений
      • 2. 3. 1. Анализ алгоритмов распознавания сигналов
      • 2. 3. 2. Алгоритмы коллективного распознавания сигналов
      • 2. 3. 3. Использование областей компетенции для выделения наиболее эффективного алгоритма
    • 2. 4. Разработка алгоритма согласованной агрегации решений для обнаружения ИИ ЭКС
      • 2. 4. 1. Алгоритм согласованной агрегации решений для обнаружения ИИ ЭКС
      • 2. 4. 2. Исследование алгоритма согласованной агрегации решений для обнаружения ИИ ЭКС
  • Основные результаты
  • ГЛАВА 3. РАЗРАБОТКА И АПРОБАЦИЯ СИСТЕМЫ ТЕСТИРОВАНИЯ АППАРАТНО-ПРОГРАММНЫХ СРЕДСТВ УПРАВЛЯЕМОЙ ИМИТАЦИИ СИГНАЛЬНО-ПОМЕХОВОЙ ОБСТАНОВКИ И ОЦЕНКИ ЭФФЕКТИВНОСТИ ОБНАРУЖЕНИЯ ИИ
  • Вводные замечания
    • 3. 1. Разработка технических требований к СТАПС
    • 3. 2. Разработка СТАПС для тестирования при нарастающих помехах различного вида
      • 3. 2. 1. Разработка обобщенной структуры СТАПС
    • 3. 3. Разработка методики работы СТАПС
    • 3. 4. Формирование базы входных сигналов для тестирования
      • 3. 4. 1. Разработка тестовых моделей реальных импульсов ЭКС, зашумленных искусственными помехами различного вида
      • 3. 4. 2. Разработка тестовых моделей на основе международной базы ЭКГ-данных
      • 3. 4. 3. Разработка специализированной многоуровневой базы тестовых ЭКС
    • 3. 5. ROC-анализ для оценки эффективности работы средств обнаружения ИИ
  • ЭКС в условиях управляемой сигнально-помеховой обстановки
    • 3. 5. Аналитический обзор способов оценки эффективности кардиомониторных систем
      • 3. 5. 2. Аналитический обзор вариантов ROC-анализа ЭКС
      • 3. 5. 3. Разработка помехоустойчивого ROC-анализа (N-ROC) алгоритмов обнаружения ИИ ЭКС
      • 3. 5. 4. Применение помехоустойчивого ROC-анализа в качестве показателя компетентности алгоритма обнаружения ИИ ЭКС
    • 3. 6. Результаты исследований с помощью СТАПС
    • 3. 7. Анализ полученных результатов
  • Основные результаты
  • ГЛАВА 4. РАЗРАБОТКА И АПРОБАЦИЯ СИСТЕМЫ ОБНАРУЖЕНИЯ ИНФОРМАТИВНЫХ ИМПУЛЬСОВ ЭКС В УСЛОВИЯХ ИНТЕНСИВНЫХ ПОМЕХ НА ОСНОВЕ АЛГОРИТМА СОГЛАСОВАННОЙ АГРЕГАЦИИ РЕШЕНИЙ
  • Вводные замечания
    • 4. 1. Обзор систем для кардиодиагностики
    • 4. 2. Разработка обобщенной структуры системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех
    • 4. 3. Разработка и исследование блока аналоговой обработки СОИИЭКСУИП на основе алгоритма САР
      • 4. 3. 1. Разработка схемных решений для создания блока аналоговой обработки СОИИЭКСУИП на основе алгоритма САР
      • 4. 3. 2. Разработка блока подавления импульсов пейсмекера
      • 4. 3. 3. Разработка блока подавления НЧ помех
      • 4. 3. 4. Исследование работы блока аналоговой обработки ЭКС
    • 4. 4. Разработка и исследование блока сопряжения для СОИИЭКСУИП на основе алгоритма САР
      • 4. 4. 1. Сравнительная характеристика плат серии PCI
      • 4. 4. 2. Реализация блока сопряжения СОИИЭКСУИП на основе алгоритма САР с испльзованием платы PCI
    • 4. 5. Разработка программного обеспечения для систем тестирования и обнаружения ИИ ЭКС
    • 4. 6. Разработка и исследование СОИИЭКСУИП на основе алгоритма
  • Основные результаты

Система и алгоритм обнаружения информативных импульсов электрокардиосигнала в условиях интенсивных помех (реферат, курсовая, диплом, контрольная)

Актуальность темы

.

Совершенствование приборов и систем медицинского назначения является важной народно-хозяйственной задачей, требующей постоянного проведения глубоких научных изысканий. Особенно остро во всем мире стоит проблема снижения смертности от заболеваний сердца, поэтому диагностике и лечению патологий сердечно-сосудистой системы необходимо уделять большое внимание. Достоверную оценку состояния сердечнососудистой системы обследуемого можно получить с помощью кардиомониторных систем, которые дают не только визуальное представление сигнала, но и количественные параметры, вычисленные на основе анализа его информативных составляющих. Неотъемлемой частью подобных систем является устройство обнаружения информативных импульсов электрокардиосигнала (ИИ ЭКС). Основными проблемами при проектировании и эксплуатации подобных устройств являются интенсивные помехи (при соотношении сигнал/помеха менее 10 Дб) и нестационарность полезного сигнала.

Помехи, возникающие при регистрации ЭКС, являются разнообразными по происхождению и структуре. Это могут быть внешние помехи, помехи от биологического объекта, а также помехи на выходе средств измерения. Наиболее распространенными помехами, возникающими при регистрации сигнала, являются: сетевые, миографические, дрейф изолинии, помехи вследствие движения и дыхания, шумы регистрирующего и прочего медицинского оборудования, шумы квантования, а также погрешности, возникающие при обработке сигнала (колебания Гиббса).

Сложность подавления шумов в электрокардиосигнале обусловлена тем, что сигнал имеет локально сосредоточенную структуру, когда диагностические признаки локализованы на сравнительно небольших фрагментах области определения. Между полезным сигналом и помехой отсутствует корреляция, то есть они являются статистически независимыми.

Большой вклад в автоматическую обработку и анализ ЭКС внесли отечественные ученые В. А. Калантар, А. И. Калиниченко, В. М. Колтун, JI. А. Манило, А. А. Михеев, А. П. Немирко, JI. И. Титомир, а также зарубежные авторы J. Pan, W. Tompkins, P. Trahinias, M. Ahlstrom, R. Balda, V. Afonso, P. Hamilton и др.

Однако существующие алгоритмы, положенные в основу приборов и систем медицинского назначения, показывают гарантированно высокие результаты только при определенных условиях. При наличии интенсивных помех эффективность их работы существенно снижается. В настоящее время отсутствуют общепринятые методики сравнительной оценки алгоритмов обнаружения и анализа ИИ ЭКС. Поэтому необходима разработка алгоритмов и систем для обеспечения объективной оценки эффективности кардиомониторных систем.

Процесс анализа электрокардиосигнала включает следующие основные этапы:

— предварительная обработка (фильтрация легко устранимых помех).

— обнаружение характерных составляющих электрокардиосигнала;

— анализ найденных составляющих сигнала;

— решение о принадлежности к определенному классу (норма или патология).

Анализ показывает, что наиболее важным и сложным этапом является процесс обнаружения характерных составляющих ЭКС. От точности проведения данного этапа будет зависеть эффективность всей процедуры анализа в целом. В связи с этим предъявляются повышенные требования к алгоритмам обнаружения информативных импульсов электрокардиосигнала в составе приборов и систем для кардиодиагностики, в частности высокая эффективность и помехоустойчивость (сохранение высокой эффективности при наличии интенсивных помех). Среди большого числа существующих алгоритмов в составе систем обнаружения с высокой эффективностью, заявленной разработчиками, далеко не все обладают приемлемой помехоустойчивостью. Объясняется это тем, что тестирование выполняется на небольшом количестве сигналов простой формы и однотипных по составу помех низкой интенсивности. Поэтому возникает потребность в разработке помехоустойчивых систем обнаружения ИИ ЭКС и методики тестирования, которая позволит автоматизировать оценку их эффективности по сравнению с аналогами в условиях наличия патологий и помех различного происхождения.

Цель работы и основные задачи.

Целью диссертационной работы является разработка системы и создание алгоритма, повышающих эффективность обнаружения ИИ ЭКС в условиях интенсивных помех для обеспечения устойчивой работы изделий медицинского приборостроения, а также создание методики для тестирования алгоритмов и систем.

Для достижения поставленной цели должны быть решены следующие задачи:

— анализ и систематизация алгоритмов обнаружения ИИ ЭКС для создания системы обнаружения ИИ ЭКС в условиях интенсивных помех (СОИИЭКСУИП);

— разработка помехоустойчивого алгоритма обнаружения ИИ ЭКС на основе метода согласованной агрегации решений (САР), базирующегося на выделении областей компетентности решающих правил для повышения эффективности анализирующего блока СОИИЭКСУИП;

— разработка критерия и методики оценки эффективности работы средств обнаружения ИИ ЭКС;

— создание СОИИЭКСУИП на основе алгоритма САР, повышающей эффективность обнаружения ИИ ЭКС;

— разработка системы тестирования аппаратно-программных средств управляемой имитации сигнально-помеховой обстановки и оценки эффективности обнаружения ИИ ЭКС с помощью предлагаемой методики.

Методы исследования.

Теоретическая часть диссертационной работы выполнена на базе теории цифровой обработки сигналов и методов математической статистики. Исследования проведены в средах Matlab, Delphi.

Научная новизна.

1. Разработан помехоустойчивый алгоритм САР, отличающийся использованием областей компетентности различных алгоритмов в процессе их агрегации, позволивший повысить надежность обнаружения ИИ ЭКС за счет сочетания преимуществ алгоритмов, эффективных в разных диапазонах помех.

2. Предложен критерий оценки эффективности работы средств обнаружения ИИ ЭКС в условиях интенсивных помех, отличающийся введением процедуры интеграции в классический ЯОС-анализ и позволяющий агрегировать помехоустойчивые свойства решающих правил в составе алгоритма САР.

3. Предложена методика тестирования алгоритмов, входящих в состав аппаратно-программных средств обнаружения ИИ ЭКС, отличающаяся введением управляемой имитации сигнально-помеховой обстановки и комплексированием критериев оценки эффективности этих алгоритмов.

4. Предложено использовать для создания СОИИЭКСУИП разработанный алгоритм САР, что позволяет повысить эффективность работы системы в условиях интенсивных помех в среднем на 5%.

Практическая ценность работы.

Создана система тестирования аппаратно-программных средств медицинского приборостроения, отличающаяся возможностью вынесения экспертных оценок и позволяющая количественно и визуально оценивать эффективность алгоритмов, приборов и систем кардиологического назначения.

Разработана СОИИЭКСУИП на основе алгоритма САР, позволившая повысить надежность обнаружения ИИ ЭКС за счет сочетания преимуществ нескольких алгоритмов, эффективных в разных диапазонах помех, что улучшает качество диагностики кардиологических заболеваний.

Реализация результатов работы.

Полученные в диссертационной работе результаты используются в научно-исследовательской работе, выполняемой ООО «Биософт-М», г.

Москва, по созданию комплекса диагностики состояния сердечно-сосудистой системы человека, а также в учебном процессе кафедры «Информационные технологии и менеджмент в медицинских и биологических системах» Пензенской государственной технологической академии.

Публикации.

По теме диссертации опубликовано 20 печатных работ, в том числе 4 по списку, утвержденному ВАК России.

Апробация работы.

Основные результаты диссертационной работы обсуждались на конференциях и научных школах: «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2007), «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2009), «Перспективы медицинского приборостроения» (Таганрог, 2009), «Инновационные технологии в экономике, информатике и медицине» (Пенза, 2008, 2009, 2010, 2011), «Медицинские информационные системы МИС-2010» (Таганрог, 2009, 2010), «Актуальные проблемы науки и образования» (Пенза, 2009, 2010), «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2009, 2010), «Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге» (Таганрог, 2010), «Фундаментальные, клинические и гигиенические основы и аппаратно-методическое обеспечение системы медико-психологической реабилитации пациентов, подверженных высокому уровню напряженности труда и профессионального стресса» (Таганрог, 2011).

Структура и объем диссертации

.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и 2 приложенийизложена на 216 страницах и содержит 87 рисунков, 7 таблиц, список литературы из 151 наименований.

Основные результаты.

1. Разработана обобщенная структура системы обнаружения информативных импульсов ЭКС в условиях интенсивных на основе алгоритма САР, реализующая предложенную в теоретической части диссертации концепцию объединения решений нескольких классификаторов для повышения эффективности обнаружения ИИ ЭКС.

2. Разработана и исследована аналоговая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, что позволило рационально перераспределить схемотехнические и программные ресурсы в составе системы с целью обеспечения наиболее эффективного режима ее функционирования.

3. Разработана и исследована с помощью пакета МаИаЬ и оборудования фирмы АЭУАМТЕСН цифровая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, при этом полученные результаты подтвердили эффективность выбранных технических решений.

4. Результаты тестирования системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР подтвердили повышение ОДЭ обнаружения информативных импульсов ЭКС в среднем на 5% по сравнению с отдельно взятыми методами обнаружения, включенными в состав разработанного и реализованного алгоритма на основе САР.

ЗАКЛЮЧЕНИЕ

.

1. Показана актуальность выбранной тематики, обусловленная сложностью и многообразием информативных параметров ЭКС при наличии интенсивных помех различного вида, затрудняющих процесс выделения и анализа полезного сигнала. Рассмотрены особенности ЭКС с точки зрения проведения автоматического анализа для создания помехоустойчивых приборов и систем медицинского назначения. Показана значимость процедуры обнаружения информативных импульсов ЭКС, выступающей в качестве базы для всего последующего анализа. На основе анализа средств и алгоритмов обработки ЭКС определены основные проблемы, возникающие при построении анализирующего блока кардиомониторных систем. Показаны сложности при выборе алгоритмов обнаружения информативных импульсов ЭКС для использования в составе кардиомониторных систем, и определены алгоритмы, наиболее перспективные для применения при создании помехоустойчивых приборов и систем кардиологического назначения.

2. Предложена систематизация алгоритмов обнаружения ИИ ЭКС, позволяющая выделить наиболее помехоустойчивые алгоритмы, которые могут быть использованы в составе кардиомониторных систем. Определены наиболее помехоустойчивые алгоритмы обнаружения ИИ ЭКС, а именно: алгоритмы на основе дифференцирования, интегрирования, разложения по базисным функциям, нелинейных преобразований. Проанализированы методы согласованной агрегации решений на основе алгоритмов с фиксированными весами и алгоритмов с использованием компетентности компонентов, показана целесообразность их применения для создания алгоритма обнаружения ИИ ЭКС с повышенной эффективностью в условиях интенсивных помех. С целью повышения помехоустойчивости обнаружения информативных импульсов ЭКС предложен алгоритм на основе метода согласованной агрегации решений с использованием областей компетентности выделенных наиболее помехоустойчивых алгоритмов, используемых в его составе.

3. Показана необходимость создания и разработана унифицированная методика многофакторного тестирования алгоритмов обнаружения информативных импульсов ЭКС. Создана тестовая база сигналов и помех, позволяющая формировать реальные и искусственные ЭКС с нарастающими помехами различного вида, что обеспечивает повышение качества оценки эффективности алгоритмов обнаружения ИИ ЭКС. Разработана система тестирования аппаратно-программных средств управляемой имитации сигнально-помеховой обстановки и оценки эффективности обнаружения ИИ ЭКС с помощью предложенной методики, отличающаяся использованием нарастающих помех различного типа и возможностью вынесения экспертных оценок. При помощи созданной системы тестирования аппаратно-программных средств исследован разработанный алгоритм, получены количественные показатели эффективности его работы, превышающие аналоги в среднем на 5%. Проанализированы этапы развития ROC-анализа, предложен вариант помехоустойчивого ROC-анализа и разработан на его основе критерий оценки компетентности алгоритмов в составе метода согласованной агрегации решений, что позволяет повысить эффективность обнаружения ИИ ЭКС.

4. Разработана обобщенная структура системы обнаружения информативных импульсов ЭКС в условиях интенсивных на основе алгоритма САР, реализующая предложенную в теоретической части диссертации концепцию объединения решений нескольких классификаторов для повышения эффективности обнаружения ИИ ЭКС. Разработана и исследована аналоговая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, что позволило рационально перераспределить схемотехнические и программные ресурсы в составе системы с целью обеспечения наиболее эффективного режима ее функционирования. Разработана и исследована с помощью пакета МаИаЬ и оборудования фирмы АОУАЫТЕСН цифровая часть системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР, при этом полученные результаты подтвердили эффективность выбранных технических решений. Результаты тестирования системы обнаружения информативных импульсов ЭКС в условиях интенсивных помех на основе алгоритма САР подтвердили повышение ОДЭ обнаружения информативных импульсов ЭКС в среднем на 5% по сравнению с отдельно взятыми методами обнаружения, включенными в состав разработанного и реализованного алгоритма на основе САР.

Вышеизложенное позволяет утверждать, что все поставленные задачи решены, и цель диссертационной работы достигнута.

Показать весь текст

Список литературы

  1. P.M. Рангайян. Анализ биомедицинских сигналов. Практический подход. М.: Физматлит, 2007.
  2. Bronzino J. Biomedical Engineering Handbook, Biomedical Signals: Origin and Dynamic Characteristics- Frequency-Domain Analysis. CRC Press. -1999.
  3. Einthoven W. Weiteres iiber das Elektrokardiogramm. — Bonn: Archiv fur die gesammte Physiologie des Menschen und der Thiere, 1908.
  4. Moreau D. ECG interpretation made incredibly easy. Lippincott Williams & Wilkins, Library of Congress Catalogin-in Publication Data, 2005.
  5. Joseph T. Catalano. Guide to ECG analysis. Lippincott Williams & Wilkins, Library of Congress Catalogin-in Publication Data, 2002.
  6. Valtino X. Afonso. ECG QRS detection. Biomedical digital signal processing, 1993.
  7. E.B., Истомин Б. А., Лавреев A.A., Шамин Е. А. Перспективные направления ЭКГ-анализа. Известия ЮФУ. Технические науки. — 2009. -№ 9. — С. 89 — 92.
  8. .А. Анализ электрокардиосигнала. Актуальные проблемы науки и образования: сб. материалов 2 научной конференции студентов, аспирантов и молодых ученых. — Пенза: ПГТА, 2009. — С. 29.
  9. .А. Анализ алгоритмов обнаружения информативных импульсов ЭКГ. Инновационные технологии в экономике, информатике и медицине: тр. 4-й Межрег. науч.-практ. конф. студентов и аспирантов. -Пенза: ПГТА, 2009. С. 21−24.
  10. A. Dotsinsky, T.V. Stoyanov. Ventricular beat detection in single channel electrocardiograms. Biomedical Engineering Online, 2004.
  11. П.Истомин Б. А. Анализатор электрокардиосигнала на базе персонального компьютера. Инновационные технологии в экономике, информатике и медицине: сб. статей 5 Межрегиональной науч.-практ. конф. студентов и аспирантов. — Пенза: ПГТА, 2008. — С. 124−125.
  12. Aniruddha J. Joshi, Sharat Chandran, Valadi K. Jayaraman, Bhaskar D. Kulkarni: Arterial Pulse Rate Variability analysis for diagnoses. 19th International Conference on Pattern Recognition, 2008.
  13. Jones, Shirley A. ECG success: exercises in ECG interpretation. F.A. Davis Company, 2008.
  14. M.E. К вопросу о применении математического анализа сердечного ритма для выявления и прогнозирования состояния предболезни. Роль диспансерных и реабилитационных мероприятий в оздоровлении трудящихся. Уфа: 1986.
  15. G.S. Furno, W.J. Tompkins. A learning filter for reducing noise interference. -IEEE Trans Biomed Eng, vol. BME-30, 1983.
  16. Биофизические характеристики тканей человека. Справочник /Березовский В.А., Колотилов Н. Н. Киев: Наукова думка, 1990.
  17. Hamilton PS, Tompkins WJ. Quantitative investigation of QRS detection rules using the MIT/ВІН arrhythmia database. IEEE Trans Eng Biomed Eng, 1986−12:1157−1165.
  18. Pan J, Tompkins W. A real-time QRS detection algorithm. IEEE Trans Eng Biomed Eng, 1985.
  19. P. M. Mahoudeaux et al. Simple microprocessor-based system for on-line ECG analysis. Med. Biol. Eng. Cornput., vol. 19, 1981.
  20. J. Fraden, M.R. Neuman. QRS wave detection. Med. Biol. Eng. Comput, vol. 18, 1980. P. 125−132.
  21. A. Menrad et al. Dual microprocessor system for cardiovascular data acquisition, processing and recording. IEEE Int. Conf Industrial Elect. Contr. Instrument., 1981. P. 64−69.
  22. R.A. Balda et al. The HP ECG analysis program. Trends in Computer-Processed Electrocardiograms, 1977. P. 197−205.
  23. W.A.H. Engelse and C. Zeelenberg, «A single scan algorithm for qrs-detection and feature extraction,» in IEEE Computers in Cardiology. Long Beach, CA: IEEE Computer Society, 1979, pp. 37−42.
  24. L. Keselbrener, M. Keselbrener, and S. Akselrod, «Nonlinear high pass filter for R-wave detection in ECG signal,» Med. Eng. Phys., vol. 19, no. 5, pp. 481 484, 1997.
  25. L. Sornmo, O. Pahlm, and M.E. Nygards, «Adaptive QRS detection in ambulatory ECG monitoring: A study of performance,» in Computers in Cardiology. Long Beach, CA: IEEE Computer Society, 1982, pp. 201−204.
  26. Tewfik AH, Sinha D, Jorgensen P. On the optimal choice of a wavelet for signal representation. IEEE Transactions on Information Theory, 38(2), 1992.
  27. Saxena SC, Kumar V, Hamde ST. Feature extraction from ECG signals using wavelet transforms for disease diagnostics. International Journal of Systems Science, 33(13), 2002.
  28. M. Fernandez-Delgado and S.B. Ameneiro,"MART: A multichannel ART-based neural network," IEEE Trans. Neural Networks, vol. 9, pp. 139−150, 1998.
  29. M. Lagerholm, C. Peterson, G. Braccini, L. Edenbrandt, and L. Soernmo, «Clustering ECG complexes using Hermite functions and self-organizing maps,» IEEE Trans. Biomed. Eng., vol. 47, pp. 838−848, 2000.
  30. N. Mahalingam and D. Kumar, «Neural networks for signal processing applications: ECG classification,» Australas. Phys. Eng. Sci. Med., vol. 20, no. 3, pp. 147−151, 1997.
  31. M.G. Strintzis, G. Stalidis, X. Magnisalis, and N. Maglaveras, «Use of neural networks for electrocardiogram (ECG) feature extraction, recognition and classification,» Neural Netw. World, vol. 3, no. 4, pp. 313−327, 1992.
  32. S. S. Mehta, N. S. Lingayat. Comparative study of QRS detection in single lead and 12-lead ECG based on entropy and combined entropy criteria using support vector machine. Journal of Theoretical and Applied Information Technology. JATIT. — 2007.
  33. V.S. Chouhan, S.S. Mehta. Detection of QRS Complexes in 12-lead ECG using Adaptive Quantized Threshold. IJCSNS, vol.8 No. l, 2008.
  34. F. Chiarugi, V. Sakkalis, D. Emmanouilidou, T. Krontiris, M. Varanini, I. Tollis. Adaptive Threshold QRS Detector with Best Channel Selection Based on a Noise Rating System. Computers in Cardiology, vol. 34, 2007.
  35. D.A. Coast, R.M. Stem, G.G. Cano, and S.A. Briller, «An approach to cardiac arrhythmia analysis using hidden Markov models,» IEEE Trans. Biomed. Eng., vol. 37, pp. 826−836, 1990.
  36. C.-H.H. Chu and E.J. Delp, «Impulsive noise suppression and background normalization of electrocardiogram signals using morphological operators,» IEEE Trans. Biomed. Eng., vol. 36, pp. 262−273, 1989.
  37. P.E. Trahanias, «An approach to QRS complex detection using mathematical morphology,» IEEE Trans. Biomed. Eng., vol. 40, no. 2, pp. 201−205, 1993.
  38. A. Ruha, S. Sallinen, and S. Nissila, A real-time microprocessor QRS detector system with a 1 -ms timing accuracy for the measurement of ambulatory HRV," IEEE Trans. Biomed. Eng., vol. 44, pp. 159−167, 1997.
  39. R. Poli, S. Cagnoni, and G. Valli, «Genetic design of optimum linear and nonlinear QRS detectors,» IEEE Trans. Biomed. Eng., vol. 42, pp. 1137−1141, 1995.
  40. M.-E. Nygards and L. Sornmo, «Delineation of the QRS complex using the envelope of the ECG,» Med. Biol. Eng. Comput., vol. 21, 1983.
  41. Л.Ю., Тычков А. Ю. Подавление помех в электрокардиоеигналах на основе разложения по эмпирическим модам. -Известия ЮФУ. 2010 г. — № 8.
  42. F. Gritzali, G. Frangakis, and G. Papakonstantinou, «A comparison of the length and energy transformations for the QRS detection,» in Proc. 9th Annu. Conf. IEEE Engineering in Medicine and Biology Society, Boston, MA, 1987, pp. 549−550.
  43. E.J. Ciaccio, S.M. Dunn, and M. Akay,"Biosignal pattern recognition and interpretation systems," IEEE Eng. Med. Biol. Mag., pp. 269−273, 1994.
  44. E. Skordalakis, «Recognition of noisy peaks in ECG waveforms,» Comput. Biomed. Res., vol.17, pp. 208−221, 1984.
  45. G. Papakonstantinou and F. Gritzali, «Syntactic filtering of ECG waveforms,» Comput. Biomed. Res., vol. 14, pp. 158−167, 1981.
  46. P.O. Borjesson, O. Pahlm, L. Sornmo, and M.-E. Nygards, «Adaptive QRS detection based on maximum a posteriori estimation,» IEEE Trans. Biomed. Eng., vol. 29, pp. 341−351, May 1982.
  47. Massachusetts Institute of Technology. MIT-BIH ECG database. Available: http ://ecg. mit.edu/.
  48. American Heart Association, AHA Database, ECRI, 5200 Butler Pike, Plymouth Meeting, PA 19 462 USA.
  49. Natalia M. Arzeno, Zhi-De Deng, Chi-Sang Poon. Analysis of First-Derivative Based QRS Detection Algorithms. IEEE Trans Biomed Eng, 2008.
  50. Ying-Wen Bai, Wen-Yang Chu, Chien-Yu Chen, Yi-Ting Lee, Yi-Ching Tsai, Cheng-Hung Tsai. The Combination of Kaiser Window and Moving Average for the Low-Pass Filtering of the Remote ECG Signals. CBMS, 2004. P. 273 278.
  51. Suparerk Janjarasjitt. A new QRS detection and ECG signal extraction technique for fetal monitoring. Dissertation For the degree of Doctor of Philosophy, Case Western Reserve University, 2006.
  52. Л.Ю. Методы и алгоритмы помехоустойчивой обработки электрокардиографической информации. Дисс. к.т.н., Пенза, 2003. С 47.
  53. S. Mallat. A Wavelet Tour of Signal Processing. Academic Press, San Diego, Calif, USA, 2nd edition, 1999.
  54. C. S. Burrus, R. A. Gopinath, and H. Guo. Introduction to Wavelets and Wavelet Transforms. A Primer, Prentice Hall, Englewood Cliffs, NJ, USA, 1998.
  55. Mohammad Ali Tinati, Behzad Mozaffary. A Wavelet Packets Approach to Electrocardiograph Baseline Drift Cancellation. International Journal of Biomedical Imaging, 2006.
  56. Ercelebi E. Electrocardiogram signals de-noising using lifting-based discrete wavelet transform. Computers in Biology and Medicine, 34(6), 2004.
  57. Agante PM, Marques de SAJP. ECG Noise Filtering Using Wavelets with Soft-thresholding Methods. IEEE Computers in Cardiology, 26, 1999.
  58. Cuesta Frau D, Novak D, Eck V, Perez Cortes JC, Andreu Garcia G. Electrocardiogram Baseline Removal Using Wavelet Approximations. -Proceeding of the 15th Biennial Eurasip Conference BIOSIGNAL, 2000.
  59. .А. Выделение информативных признаков электрокардиосигнала на основе вейвлет-анализа. Информационные и управленческие технологии в медицине и экологии: сб. ст. 4-й Всерос. науч.-техн. конф. — Пенза: Приволжский Дом знаний, 2010. — С. 43−45.
  60. .А. Применение вейвлет-разложения для удаления шума в электрокардиосигнале. Вычислительные системы и технологии обработки информации: межвуз. сб. науч. тр. — Вып. 9(32). Пенза: Изд-во ПГУ, 2010. — С. 137−144.
  61. М. Bahoura, М. Hassani, and М. Hubin. DSP implementation of wavelet transform for real time ECG wave forms detection and heart rate analysis. -Comput. Methods Programs Biomed., vol.52, no. 1, 1997. P. 35−44.
  62. V. Di-Virgilio, C. Francaiancia, S. Lino, and S. Cerutti. ECG fiducial points detection through wavelet transform. IEEE Eng. Med. Biol. 17th Ann. Conf. 21st Canadian Med. Biol. Eng. Conf., Montreal, Quebec, Canada, 1997. P. 1051−1052.
  63. S. Kadambe, R. Murray, and G.F. Boudreaux-Bartels. Wavelet transform-based QRS complex detector. IEEE Trans. Biomed. Eng., vol. 46, 1999. P. 838−848.
  64. C. Li, C. Zheng, and C. Tai. Detection of ECG characteristic points using wavelet transforms. IEEE Trans. Biomed. Eng., vol. 42, 1995. P.21−28.
  65. K.D. Rao. Dwt based detection of R-peaks and data compression of ECG signals. IETE J. Res., vol. 43, no. 5, 1997. P. 345−349.
  66. Л.Ю. Структурно-ранговый подход к распознаванию кардиоимпульсов. Системный анализ, обработка информации и новые технологии: Науч.-техн. журнал. — Пенза: Изд. центр Пенз. гос. ун-та, 2003.-№ 10.-С. 39−40.
  67. G.M., Jannett T.C., Jadallah M.A., Quint S. R., Nagle H.T. А comparison of the noise sensitivity of nine qrs detection algorithms. IEEE Transaction on Biomedical Engineering, 37, 1990.
  68. , В. А. Распределенная компьютерная система сбора и математической обработки электрофизиологических сигналов -диссертация на соискание ученой степени кандидата технических наук, 2002. С. 114.
  69. Bert-Uwe Kohler, Carsten Hennig, Reinhold Orglmeister. The Principles of Software QRS Detection. IEEE Engineering in medicine and biology № 2, 2002.
  70. Д.А. Алгоритм обнаружения QRS-комплексов ЭКГ-сигналов на основе вейвлет-преобразования. Дисс. к.т.н., Саранск, 2007.
  71. Dieiy A., Rowlands D., James D. A., Cutmore Т. Nonlinear processing techniques for P-wave detection and classification: a review of current methods and applications. http://www.aprs.org.au/anziis2003/Papers/paperl73.pdf.
  72. .А. Систематизация методов анализа ЭКГ с учетом их помехоустойчивости. Известия ЮФУ. Технические науки. — 2010 г. — № 8. — С. 86−90.
  73. А. Н. Способы и средства выявления нарушений ритма сердца на основе нелинейных преобразований электрокардиосигнала в режиме реального времени, дисс. к.т.н., Рязань, 2008.
  74. Т.В., Истомин Б. А. Применение нейросетевых технологий для анализа электрокардиосигнала. Нейрокомпьютеры: разработка, применение. — 2010. — № 11. — С. 40 — 44.
  75. Ю.М., Воробьев Т. Н., Потапов Е. С., Сюзев В. В. Проектирование специализированных информационно-вычислительных систем. Под. ред. Ю. М. Смирнова. -М.: Высшая школа, 1984.
  76. G. В., Mark R. G. QRS Morphology Representation and Noise Estimation using the Karhunen-Loeve Transform. Computers in Cardiology 1989, pp. 269−272.
  77. Leena Wahab. Detection of QRS complexes in ECG signal based on Poisson transform and root moments. Technical report, Imperial College London, South Kensington Campus, 2005.
  78. B.U. Kohler, C. Hennig, and R. Orglmeister. QRS detection using zero crossing counts. — Progress in Biomedical Research 8(3), 2003. P. 138−145.
  79. W. Zong and D. Jiang, «Automated ECG rhythm analysis using fuzzy reasoning. Computers in Cardiology, 1998. P. 69−72.
  80. V.X. Afonso, W.J. Tompkins, T.Q. Nguyen, and S. Luo. ECG beat detection using filter banks. IEEE Trans. Biomed. Eng., vol. 46, 1999. P. 192−202.
  81. R. Poli, S. Cagnoni, and G. Valli. Genetic design of optimum linear and nonlinear QRS detectors. — IEEE Trans. Biomed. Eng., vol. 42, 1995. P. 1137— 1141.
  82. H. Inoue, S. Iwasaki, M. Shimazu, and T.Katsura. Detection of QRS complex in ECG using wavelet transform. — IEICE Gen.Conf., 67(A-4), 1997. P. 198.
  83. F. Gritzali. Towards a generalized scheme for QRS detection in ECG waveforms. — Signal Processing, vol. 15, 1988. P. 183−192.
  84. Y.H. Hu, W.J. Tompkins, J.L. Urrusti, and V.X. Afonso. Applications of artificial neural networks for ECG signal detection and classification. — J. Electrocardiology, vol. 26 (Suppl.), 1993. P.66−73.
  85. Т. Kohama, S. Nakamura, and H. Hoshino. An efficient R-R interval detection for ECG monitoring system. — IEICE Trans. Inf. Syst., E82-D, no. 10, 1999. P. 1425−1432.
  86. B.C. Yu, S. Liu, M. Lee, C.Y. Chen, and B.N. Chiang. A nonlinear digital filter for cardiac QRS complex detection. J. Clin. Eng., vol.10, 1985. P. 193−201.
  87. S.E. Fischer, S.A. Wickline, and C.H.Lorenz. Novel real-time R-wave detection algorithm based on the vectorcardiogram for accurate gated magnetic resonance acquisitions. Magn.Reson. Med., vol. 42, no. 2, 1999. P. 361−70.
  88. Y. Sun, S. Suppappola, and T.A. Wrublewski. Microcontroller-based real-time QRS detection. Biomed. Instrum. Technol., vol.26, no. 6, pp. 477−484, 1992.
  89. D.A. Coast, R.M. Stern, G.G. Cano, and S.A.Briller, «An approach to cardiac arrhythmia analysis using hidden Markov models,» IEEE Trans.Biomed. Eng., vol. 37, pp. 826−836, 1990.
  90. L. Sornmo, O. Pahlm, and M.-E. Nygards. Adaptive QRS detection: A study of performance. IEEE Trans. Biomed. Eng., BME-32, 1985. P.392−401.
  91. P.E. Trahanias, «An approach to QRS complex detection using mathematical morphology. IEEE Trans. Biomed. Eng., vol. 40, no. 2, 1993. P.201−205.
  92. A. Ligtenberg and M. Kunt. A robust-digital QRS-detection algorithm for arrhythmia monitoring. Comput. Biomed. Res., vol. 16, 1983. P. 273−286.
  93. . Г. Проблема группового выбора. М.: Наука, 1974. 342 с.
  94. Kanal L. Interactive Pattern Analysis and Classification. Survey and Commentary //Proceedings of IEEE. 1972. Vol. 60, no.10. P. 1200−1215.
  95. H. H. Вопросы математизации принятия решений на основе экспертных оценок // Материалы IV симпозиума по кибернетике. 1972. Ч. С. 47−51.
  96. JI.A., Эренштейн Р. Х. Метод коллективного распознавания. -М.: Энергоиздат, 1981.
  97. В.И., Серебряков С. В. Методы и алгоритмы коллективного распознавания: обзор // Труды СПИИРАН. Вып. 3, т. 1. — СПб.: Наука, 2006.
  98. L. Lam and C.Y. Suen. Optimal combination of pattern classifiers. Pattern Recognition Letters, 16:945−954, 1995.
  99. K. Woods, W.P. Kegelmeyer, and K. Bowyer. Combination of multiple classifiers using local accuracy estimates. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19:405−410, 1997.
  100. L. Xu, A. Krzyzak, and C.Y. Suen. Methods of combining multiple classifiers and their application to handwriting recognition. IEEE Transactions on Systems, Man, and Cybernetics, 22:41835, 1992.
  101. J. Kittler, M. Hatef, R.P.W. Duin, and J. Matas. On combining classifiers. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(3):226−239, 1998.
  102. S.-B. Cho and J.H. Kim. Combining multiple neural networks by fuzzy integral and robust classification. IEEE Transactions on Systems, Man, and Cybernetics, 25:380−384, 1995.
  103. P.D. Gader, M.A. Mohamed, and J.M. Keller. Fusion of handwritten word classifiers. Pattern Recognition Letters, 17:577−584, 1996.
  104. M. Grabisch and F. Dispot. A comparison of some for fuzzy classification on real data. In 2nd International Conference on Fuzzy Logic and Neural Networks, pages 659−662, Iizuka, Japan, 1992.
  105. J.M. Keller, P. Gader, H. Tahani, J.-H. Chiang, and M. Mohamed. Advances in fuzzy integration for pattern recognition. Fuzzy Sets and Systems, 65:273−283, 1994.
  106. I. Bloch. Information combination operators for data fusion: a comparative review with classification. IEEE Transactions on Systems, Man, and Cybernetics Part A: Systems and Humans, 26:52−67, 1996.
  107. R.A. Jacobs, M.I. Jordan, S.J. Nowlan, and G.E. Hinton. Adaptive mixtures of local experts. Neural Computation, 3:79−87, 1991.
  108. R.A. Jacobs. Methods for combining experts' probability assessments. Neural Computation, 7:867−888, 1995.
  109. M.I. Jordan and L. Xu. Convergence results for the EM approach to mixtures of experts architectures. Neural Networks, 8:1409−1431, 1995.
  110. S.J. Nowlan and G.E. Hinton. Evaluation of adaptive mixtures of competing experts. In R.P. Lippmann, J.E. Moody, and D.S. Touretzky, editors, Advances in Neural Information Processing Systems 3, pages 774−780, 1991.
  111. C.M. Bishop. Neural Networks for Pattern Recognition. Clarendon Press, Oxford, 1995.
  112. H. Drucker, C. Cortes, L.D. Jackel, Y. LeCun, and V. Vapnik. Boosting and other ensemble methods. Neural Computation, 6:1289−1301, 1994.
  113. J.A. Benediktsson and P.H. Swain. Consensus theoretic classification methods. IEEE Transactions on Systems, Man, and Cybernetics, 22:688−704, 1992.
  114. K.-C. Ng and B. Abramson. Consensus diagnosis: A simulation study. IEEE Transactions on Systems, Man, and Cybernetics, 22:916−928, 1992.
  115. J.A. Benediktsson, J.R. Sveinsson, J. I. Ingimundarson, H. Sigurdsson, and O.K. Ersoy. Multistage classifiers optimized by neural networks and genetic algorithms. Nonlinear Analysis, theory, Methods & Applications, 30(3): 13 231 334, 1997.
  116. R. Battiti and A.M. Colla. Democracy in neural nets: Voting schemes for classification. Neural Networks, 7:691−707, 1994.
  117. B.V. Dasarathy and B.V. Sheela. A composite classifier system design: concepts and methodology. Proceedings of ШЕЕ, 67:708−713, 1978.
  118. Sharmin R. Ara, R. Viswanathan. Decision Combining in Relay Networks. 5th International Conference on Electrical and Computer Engineering. ICECE 2008.
  119. C.-C. Chiang and H.-C. Fu. A divide-and-conquer methodology for modular supervised neural network design. In IEEE International Conference on Neural Networks, pages 119−124, Orlando, Florida, 1994.
  120. Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972.
  121. М.А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. — М.: Наука. 1970.
  122. .А. Разработка помехоустойчивого обнаружителя информативных импульсов ЭКС. Биотехнические, медицинские и экологические системы и комплексы: сб. ст. конф. Рязань: РГРТУ, 2010. -С. 575−578.
  123. .М. Метод потенциальных функций в задаче обучения распознающей системы с предъявлением объектов одного класса. Стохастическая оптимизация в информатике. СПб.: Издательство С.-Петербургского университета, 2007.
  124. Ortega J., Coppel М., Argamon S. Arbitraining Among Competing Classifiers Using Learned Referees. Knowledge and Information Systems. 2001. No. 3. P 470190.
  125. Но Т. K. Multiple Classifier Combination: Lessons and Next Step // Hybrid Methods in Pattern Recognition, World Scientific, 2002.
  126. Vijay P. Mani, Yu Hen Hu, Surekha Palreddy. A novel, batch modular learning approach for ECG beat classification. ICASSP, 1998.
  127. Elif Derya UBEYLi. Analysis of ECG signals by diverse and composite features. Journal of electrical & electronics engineering, 7(2), 2007. — P. 393 -402.
  128. Yu Hen Hu, Surekha Palreddy, Willis J. Tompkins. A Patient-Adaptable ECG Beat Classifier Using a Mixture of Experts Approach. ШЕЕ Transactions on Biomedical Engineering, 44(9), 1997.
  129. E.M., Егоров А. И., Трапезин B.E. Построение диагностических алгоритмов анализа кардиосигналов коллективом решающих правил. Информационные процессы, 3(1), 2001. С. 70−72.
  130. .А., Истомина Т. В. Система и методика для ROC-анализа помехоустойчивости алгоритмов обработки электрокардиосигнала при мониторинге лётного состава. Вестник Московского авиационного института. — 2011. — Т. 18, № 3. — С. 210−215.
  131. Andrew P. Bradley. The use of the area under the ROC curve in the evaluation of machine learning algorithms. The University of Queensland, 1996.
  132. George Forman, Ira Cohen. Beware the Null Hypothesis: Critical Value Tables for Evaluating Classifiers. In Proceedings of ECML, 2005. P. 133−145.
  133. Suppappola S, Sun Y. Automated performance evaluation of QRS-detection devices. Biomedical Instrumentation & Technology 29: 41−49, 1995.
  134. ANSI/AAMI EC57: Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms (AAMI Recommended
  135. Practice/American National Standard), 1998. http://www.aami.org- Order Code: EC57−293.
  136. Tom Fawcett. An introduction to ROC analysis. Institute for the Study of Learning and Expertise, http://www.sciencedirect.com.
  137. Arian R van Erkel, Peter M. Th Pattynama. Receiver operating characteristic (ROC) analysis: Basic principles and applications in radiology. European Journal of Radiology, 27(2), 1998. P. 88−94.
  138. Egan J.P. Signal detection theory and ROC analysis. New York: Acad. Press, 1975.
  139. JI.C., Жук Т.Н. Гарантированная оценка эффективности диагностических тестов на основе усиленного ROC-анализа. УСиМ, 2009.
  140. , F., Т. Fawcett. Analysis and Visualization of Classifier Performance: Comparison Under Imprecise Class and Cost Distributions. -Conf. Knowledge Discovery and Data Mining (KDD-97), 1997.
  141. Provost, F., and T. Fawcett (2001). Robust Classification for Imprecise Environments. Machine Learning, 42(3), 2001. P. 203−231.
  142. Jane Huff. ECG workout: exercises in arrhythmia interpretation. -Lippincott Williams & Wilkins, Library of Congress Catalogin-in Publication Data, 2006.
  143. .А. Возможности применения ПЛИС для автоматического анализа электрокардиосигнала. Биотехнические, медицинские и экологические системы и комплексы: тез. докл. Рязань: РГРТУ, 2007.
Заполнить форму текущей работой

На отлично!