ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Интерпретатор дыхательных шумов c адаптацией к средствам регистрации сигналов

A respiratory sounds interpreter adaptated to signal recording devices
Дата подачи статьи: 2015-12-27
УДК: 004.855.5, 004.853
Статья опубликована в выпуске журнала № 1 за 2016 год. [ на стр. 186-192 ][ 06.03.2016 ]
Аннотация:Рассматривается задача построения программ-интерпретаторов дыхательных шумов с индивидуальной настройкой на параметры устройства для регистрации сигналов. Показано, что из-за различий технических характеристик электронных стетоскопов при использовании нейросетевых технологий для классификации дыхательных шумов необходима перенастройка шкал для оценки признаков объектов обучающей выборки. Приведено описание архитектуры и особенностей ПО системы для анализа записей дыхательных шумов; выделена подсистема настройки на модель регистратора шумов, обеспечивающая генерацию индивидуального набора правил классификации для каждой модели стетоскопа. Правила формируются с помощью генерации нейроподобных иерархических структур, каждая из которых обобщает представления о нескольких классах дыхательных шумов, зарегистрированных стетоскопами одной модели. Описания классов создаются с помощью нечетких признаков. Генерация шкал для их оценки осуществляется автоматически. Рассмотрены результаты работы системы с тремя различными видами устройств регистрации дыхательных шумов (3M Littmann 4100, авторское устройство и устройство КoРА-03М1), характеристики которых существенно различаются. Анализ результатов работы программы выявил существенные различия в параметрах классификаторов нейроподобных иерархических структур, сформированных для разных средств регистрации шумов. Однако варианты сгенерированных правил показали близкие по точности (88–93 %) результаты работы интерпретаторов дыхательных шумов для каждой модели электронного стетоскопа.
Abstract:The article considers the problem of constructing respiratory sounds interpreter programs that are customized for signal recording device parameters. When using neural network technologies for respiratory sounds classification, technical characteristics of electronic stethoscopes are different. Thus, the paper shows that it is necessary to readjust scales for assessing learning sample objects’ features. The paper describes the architecture and features of the software to analyze respiratory sounds records; it highlightes the subsystem for adjusting to a noises recorder, which allows generating an individual set of classification rules for each stethoscope model. These rules are generated by neural-like hierarchical structures; each of them synthesizes concepts of several respiratory sounds classes recorded by the stethoscopes of one model. The class descriptions are created using fuzzy features. The generation of scales for their evaluation is automated. The paper considers the results of system operation with 3 different types of respiratory sounds registration devices (3M Littmann 4100, an original device Pat. 66174 and KoRA-03M1 device) that have different characteristics. The analysis of the results revealed significant differences in the parameters of the classifiers of neuron-like hierarchical structures formed for different respiratory sounds recording devices. However, the generated rules showed similar results (88–93 % accuracy) of respiratory sounds interpreters for each electronic stethoscope model.
Авторы: Ханеев Д.М. (nfilatova99@mail.ru) - Тверской государственный технический университет, Тверь, Россия, Аспирант
Ключевые слова: нечеткие признаки, программа классификации, электронный стетоскоп, аускультация, дыхательные шумы, растущие пирамидальные сети, нейроподобная иерархическая структура
Keywords: fuzzy features, classification program, electronic stethoscope, auscultation, espiratory sounds, growing pyramidal networks, neural-like hierarchical structure
Количество просмотров: 3375
Версия для печати
Выпуск в формате PDF (8.31Мб)
Скачать обложку в формате PDF (1.24Мб)

Размер шрифта:       Шрифт:

Традиционно автоматизированная интерпретация результатов исследования органов дыхания опирается на методы, определяющие структурные изменения в объекте (рентгенографию, томографию). Они позволяют обоснованно формулировать диагностическое заключение, но являются затратными (томография) и требуют повышенных мер безопасности при эксплуатации аппаратуры (рентгенология).

Учитывая, что заболевания органов дыхания могут развиваться довольно быстро и носят инфекционный характер, особое значение приобретают инструментальные средства для проведения массовых обследований. Очевидно, что улучшение их технических характеристик будет способствовать повышению точности постановки диагноза на ранних стадиях заболеваний.

Наиболее распространенными среди скрининговых методик являются методики аускультации. В последние годы в этой области наблюдается значительный прогресс, обусловленный появлением электронных стетоскопов. Эти устройства не только позволяют повысить точность оценки акустических признаков, но и обеспечивают регистрацию дыхательных шумов (ДШ), что способствует переходу к методикам доказательной медицины. Электронные стетоскопы дают возможность применять компьютерные технологии и для решения задач, связанных с автоматическим анализом слабых акустических сигналов, регистрируемых на корпусе человека.

Программные средства, применяемые в электронных стетоскопах

На данный момент устройства регистрации звуков дыхания технически достаточно совершенны. Среди наиболее значимых серийных линеек электронных стетоскопов можно выделить 3M Littmann, Cardionics e-scope, Contec cms-ve, Adc adscope, Welch Allyn elite, Think Labs [1–5]. Они обладают близкими функциональными характеристиками: имеют интерфейсы для передачи данных на другой регистратор или на устройство обработки (ПК, планшет и т.д.) и память для сохранения нескольких записей.

Главные различия моделей связаны с характеристиками первичных преобразователей акустического сигнала в электрический. Звуковые сенсоры (датчики), применяемые в стетоскопах различных производителей, могут быть разных типов (микрофонного, конденсаторного, пьезо-электрического), что приводит к значительным отличиям в их частотных характеристиках [6].

Практически все представленные на рынке электронные стетоскопы поставляются с собственным ПО, которое определяет функции обработки и интерпретации зарегистрированных акустических сигналов.

1.  Программа 3M Littmann StetshAsist поставляется в комплекте с цифровыми стетоскопами Littmann. Основное ее назначение – визуализация результатов исследований, захват и сохранение звуковых записей со стетоскопа, преобразование их в различные аудиоформаты (wav, mpeg layer 3). Программа выполняет расчет и визуализацию спектрограмм легочных и сердечных шумов, обеспечивает возможность сохранения результатов в специальном формате, включающем, помимо самих звуковых записей, метаинформацию об условиях проведения исследования, локализации точек регистрации и т.п.

2. Программа 3M Littmann Scope-to-Scope Tele-Auscultation Software ориентирована на задачи телемедицины, позволяет передавать от стетоскопа цифровой зашифрованный сигнал через сети передачи данных к другому стетоскопу либо к компьютеру.

3. Программа Welch Allyn Elite Analyzer по своему функционалу аналогична 3M Littmann StetshAsist. Ее отличительная особенность – возможность отображения комбинации фонокардиограммы с синхронизированным сигналом электрокардиографа.

4. Программа Think Labs Phonocardiography Software основана на свободно распространяемом ПО Audacity. Программное средство обладает наиболее богатым набором возможностей среди прочего рассмотренного ПО и обеспечивает следующее: запись и воспроизведение звуков, импорт звуковых записей из различных форматов; визуализацию записей в виде спектрограммы или амплитудных изменений звука, возможность усиления отдельных участков записей, контроль скорости воспроизведения звука, возможность применения различных фильтров; возможность группировки записей пациентов; возможность добавления метаинформации с данными о заболевании к звуковым файлам и анализа частотного состава записей при помощи быстрого преобразования Фурье.

5. Программа Viscope Visual Stethoscope Soft- ware является автономной и не связана с каким-либо производителем стетоскопов. Ее основные возможности – масштабирование графика амплитудных изменений звука, отображение записей нескольких пациентов для визуального сравнения и оценки длительности отдельных участков записей.

Проведенный анализ технических и програм- мных характеристик современных электронных стетоскопов показывает, что эти устройства позволяют с высокой точностью регистрировать, усиливать, оцифровывать, фильтровать и записывать результаты аускультативных исследований органов дыхания человека. Однако интерпретация результатов исследования, как и в случае с обычными стетоскопами, во многом зависит от врача, его опыта и ряда других субъективных факторов.

ПО электронных стетоскопов не включает функционал автоматической классификации регистрируемых звуков, следовательно, не может осу- ществлять автоматическую генерацию расширен- ной интерпретации результатов анализа ДШ.

Предпосылки к автоматической интерпретации записей ДШ

Проведенный анализ особенностей ПО регистраторов звуков дыхания выявил необходимость создания специализированного ПО, которое будет интегрироваться с ПО электронных стетоскопов и обеспечит применение современных методов анализа и классификации слабых акустических сигналов.

Значимые результаты по исследованиям автоматической классификации ДШ можно найти в работах [7–11]. Большинство из них акцентируют внимание на способах выделения разделительных классификационных признаков, а также на методиках регистрации звуков дыхания. Непосредственно сама процедура классификации, как правило, отодвигается на второй план, зачастую исследователи ограничиваются применением классических алгоритмов.

Построение классифицирующих систем входит в перечень задач, решаемых совокупностью методов автоматического анализа, за которыми закреплено собирательное название Data mining, в отечественных источниках также применяется название «Интеллектуальный анализ данных», ИАД [12]. Одной из главных особенностей этого направления является большая зависимость результатов классификаций от качества обучающих выборок, то есть от набора данных, на основе анализа которого формируются решающие правила, деревья вывода и другие результирующие формы.

Особенности выборок ДШ исследованы в работах [8–10, 13]. Анализ результатов показывает существенную зависимость данных от некоторых характеристик стетоскопов. Очевидно, при построении автоматического интерпретатора записей ДШ необходимо учитывать такие технические характеристики регистраторов сигналов, как амплитудно-частотную характеристику, частоту дискретизации, уровень квантования сигнала, регистрируемого стетоскопом.

Различия в этих признаках приводят к существенным вариациям сигналов, зарегистрированных при одной и той же патологии, что создает большие сложности для формирования обучающих выборок и построения универсального классификатора ДШ. Выявленное техническое противоречие можно преодолеть с помощью специальных средств адаптации программы интерпретатора к модели электронного стетоскопа.

Архитектура системы автоматической интерпретации записей ДШ с адаптацией к средствам регистрации сигналов

Рассмотрим архитектуру программной систе­мы, решающей задачи анализа акустических шумов с адаптацией правил интерпретации к сред- ствам регистрации сигналов. Система предназначена для расширения функциональных возможностей программ, поставляемых в комплекте с элек- тронными стетоскопами. В ее структуре можно выделить четыре обязательных компонента:

-      модуль сопряжения;

-      подсистема подготовки моделей объектов классификации;

-      подсистема настройки (адаптации) к модели регистратора сигналов;

-      классификатор сигналов.

Один из вариантов такой системы, интегрирующей аппаратно-программный комплекс электронного стетоскопа Littmann 4100 (1) и средства интерпретатора (2), показан на рисунке 1.

Модуль сопряжения выполняет роль интер- фейса, обеспечивая загрузку файлов с записями ДШ, созданных с помощью электронного стетоскопа. Учитывая, что программы этих устройств обеспечивают регистрацию результатов исследования не только в собственном формате, но и в форматах, доступных для воспроизведения стандартными средствами (форматы wav, mp3, txt), набор конверторов получается довольно ограниченный.

Подсистема подготовки моделей объектов классификации предназначена для формирования различных описаний ДШ в пространстве дискретных признаков. Она решает задачи первичной обработки данных: фильтрации, нормализации, расчета спектральной плотности мощности (СПМ) и аттрактора, а также формирование на основе аттрактора вектора вторичных признаков.

Подсистема настройки (адаптации) к модели регистратора сигналов позволяет производить адаптацию интерпретатора под конкретные модели стетоскопов.

Ее основное назначение – генерация продукционных правил, которые используются базовым ядром интерпретатора для решения задачи классификации образца ДШ, поступившего от электронного стетоскопа. Все правила имеют унифицированную структуру, в качестве консеквента в ней используется наименование класса, который может совпадать с видом патологии, а для формирования антецедента используется модель класса спектров ДШ. Особенность этих моделей заключается в использовании нечетких переменных для представления спектров ДШ. Экспериментально доказано, что под каждую модель стетоскопа необходима генерация собственных вариантов классов спектров ДШ [13–15]. Для решения этих задач в состав подсистемы настройки включены редакторы лингвистических переменных (ЛП) и функций принадлежности (ФП) (рис. 2), модуль фаззификации и модуль автоматической генерации продукционных правил.

Учитывая, что разные модели стетоскопов могут обеспечивать разные уровни громкости записей ДШ, количество лингвистических переменных, необходимых для фаззификации ДШ, а также границы нечетких множеств для каждого терма могут редактироваться с учетом размаха выборки моделей ДШ, построенных с использованием СПМ. Переход от рассчитанного спектра мощности ДШ к модели, представленной совокупностью нечетких признаков, описывающих ординаты СПМ, осуществляется с помощью модуля фаззификации 1.

В состав этой подсистемы включен также специальный редактор функциональных преобразований, с помощью которого можно создавать модели ДШ на основе линейных и нелинейных преобразований, включающих  построение аттракторов, вычисление длительности дыхательных циклов и т.п.

Основным компонентом подсистемы настройки является модуль автоматической генерации продукционных правил. Его назначение – генерация нейроподобной иерархической структуры (НИС), задающей обобщенные представления обо всех объектах анализируемой обучающей выборки. НИС отражает характерные закономерности классов, представленных в выборке (рис. 3). С помощью каждой модели стетоскопа создается своя обучающая выборка ДШ и генерируется отдельный вариант НИС, которая затем конвертируется в соответствующий набор классификационных правил.

Классификатор сигналов (ядро интерпретатора) составляют модули, инвариантные к виду стетоскопов: редактор обучающей выборки, модуль фаззификации 2, модуль логического вывода и модуль представления результатов.

С помощью редактора обучающей выборки можно просматривать и редактировать загруженную выборку объектов – моделей ДШ.

Модуль фаззификации 2 по своему предназначению аналогичен модулю фаззификации 1. Модуль нечеткого логического вывода решает задачу классификации с помощью построенных продукционных правил и вычисляет значение функции соответствия объекта описанию класса.

Модуль представления результатов отображает информацию о функционировании интерпретатора: статистику по результатам классификации наборов данных, детализированные результаты системы нечеткого логического вывода, структуру построенной НИС, структуру сгенерированных продукционных правил. Информация отображается в табличном, текстовом либо графическом виде.

Методика настройки интерпретатора на модель стетоскопа

Настройка программы интерпретатора на модель стетоскопа заключается в формировании правил классификации на основе обучающей выборки, созданной с помощью указанного регистратора. Учитывая, что средства генерации правил инвариантны к модели стетоскопа, основные этапы методики связаны с формированием обучающей выборки (рис. 4).

Данные аускультативного исследования могут быть получены различными способами, поэтому в программе предусмотрена возможность указания параметров источника данных и способа их получения. Для этого (этап 1) указывается тип специ- фичного модуля-приемника входных данных (wav, mp3, txt).

Для описания ДШ можно использовать различные системы признаков. Средства подготовки данных (этап 2.1) предусматривают расчет частотных признаков (спектров мощности, автокорреляционной функции, кепстральных коэффициентов), временных признаков (длительность фаз дыхательного цикла).

Для полученных таким образом групп признаков определяются тип признаков (однородные/неоднородные) и наличие взаимосвязи (коррелированные/некоррелированные) (этап 2.2).

Если признаки являются однородными и взаимосвязанными, допускается выполнение про- цедуры укрупнения признаков, что позволяет сократить размерность описания объектов, а также может привести к улучшению качества классификации [16].

После представления исходных признаков в наиболее подходящем для анализа виде следует преобразовать их к нечеткому представлению. При этом преобразование к нечеткому виду должно быть задано исходя от решаемой задачи и определяться структурой ЛП признака (этап 3).

После выполнения всех перечисленных этапов следует запустить процедуру построения ядра НИС с последующим выделением продукционных правил (этап 4).

Эксперт, анализируя полученные на предыдущем этапе продукционные правила, может (этап 5) корректировать структуры ЛП признаков для увеличения точности классификации (этап 5.1).

После выполнения всех этапов настройки возможны загрузка рабочих выборок объектов, расчет и визуализация результатов их интерпретации (этап 6).

Результаты испытаний системы автоматической интерпретации записей ДШ с адаптацией к средствам регистрации сигналов

Испытания системы были произведены с использованием трех разных устройств регистрации ДШ: 3M Littmann 4100, авторского устройства [17] и устройства цифровой электронной аускультации КoРА-03М1 [18].

Регистрация ДШ осуществлялась в трех точках корпуса пациента. В качестве испытуемых выступали как здоровые люди, так и пациенты с патологиями органов дыхания. С помощью субъективной классификации экспертом (врачом высокой квалификации с хорошим состоянием органов слуха) из всех зарегистрированных записей сформированы два множества образцов ДШ (норма, патология).

Электронные стетоскопы, участвовавшие в испытаниях, имеют существенные различия в своих характеристиках. С помощью устройства 3M Littmann 4100 регистрировались образцы шума с частотным диапазоном 0–4 кГц, при частоте дискретизации 8 кГц и разрешении 16 бит. За- писи аворского устройства имеют частотный диапазон 0–5кГц, частоту дискретизации 11025 Гц, разрешение 16 бит. Коллекция записей ДШ, сделанная с помощью устройства КoРА-03М1, иллюстрирует легочные шумы в частотном диапазоне 0–3 кГц при частоте дискретизации 4 кГц и разрешении 16 бит.

Состав обучающей выборки (ОВ) и тестовой выборки (ТВ) приведен в таблице 1.

Таблица 1

Характеристика выборок

Table 1

Characteristics of the samples

Классы объектов

Норма

Патология

Littmann 4100

ОВ (32)

17

15

ТВ (30)

17

13

Авторское устройство

ОВ (148)

121

27

ТВ (32)

25

7

КoРА-03М1

ОВ(50)

25

25

ТВ(37)

18

19

Классификация записей проводилась по ОВ и ТВ, которые не пересекались. Анализ результатов работы программы выявил существенные различия в структурах НИС-классификаторов [15, 19], сформированных для разных средств регистрации шумов (табл. 2). Однако варианты сгенерированных правил показали близкие по точности результаты работы интерпретаторов ДШ для каждой модели электронного стетоскопа (табл. 3).

Таблица 2

Характеристики НИС-классификаторов

Table 2

Characteristics of the NIS-classifiers

Количество

Модель устройства для регистрации ДШ

Littmann 4100

Авторское устройство

КoРА-03М1

признаков в модели ДШ

190

186

152

контрольных вершин

norm:5 pathology:9

norm:10 pathology:3

norm:6 pathology:10

ассоциативных элементов

889

5252

1289

связей

2839

15192

3911

признаков, включенных в правила

33

132

49

Таблица 3

Результаты работы интерпретаторов ДШ

Table 3

Results of the  respiratory noises interpreters

Характеристика

Littmann 4100

Авторское устройство

КoРА-03М1

ОВ

ТВ

ОВ

ТВ

ОВ

ТВ

Число неправильно распознанных объектов

2

2

1

4

5

4

Успешность классификации, %

93,7

93,2

99,3

87,5

90,0

89

В заключение отметим, что предложенная методика и программные средства позволяют существенно расширить возможности ПО, поставляемого в комплекте с электронными стетоскопами. Дальнейшее развитие этого направления исследований позволит перейти к классификации ДШ по видам патологий и будет способствовать повышению качества аускультативного исследования органов дыхания.

Литература

1.     Сardionics. URL: http://www.cardionics.com (дата обра­щения: 16.09.2015).

2.     Сontec. URL: http://www.contecmed.com (дата обра­щения: 16.09.2015).

3.     ADC. URL: http://www.adctoday.com/products/657 (дата обращения: 16.09.2015).

4.     Littmann. URL: http://www.littmann.com (дата обра­щения: 16.09.2015).

5.     Welchallyn. URL: http://www.welchallyn.com/en/ products.html (дата обращения: 16.09.2015).

6.     Kraman S.S., Wodicka G.R., Pressler G.A., Pasterkamp H. Comparison of lung sound transducers using a bioacoustic transducer testing system. Journ. of Applied Physiology, 2006, vol. 101, no. 2, pp. 469–476; DOI: 10.1152/japplphysiol.00273.2006.

7.     Кулаков Ю.В., Молдованова Л.М., Коренбаум В.И. Возможности билатеральной бронхофонографии в диагностике патологического очага в легком // Тихоокеанский медицинский журнал. 2005. № 1. С. 37–40.

8.     Вовк И.В., Семенов В.Ю. Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции // Акустический вестник. 2005. Т. 8. № 3. С. 17 – 23.

9.     Гринченко В.Т., Крижановский В.В., Крижанов- ский В.В. (мл.). Компьютерная система для экспресс-анализа и классификации звуков дыхания // Внедрения и разработки. 2003. № 1–2. С. 30–31.

10.  Pasterkamp H., Kraman S. and Wodicka G. Respiratory Sounds Advances Beyond the Stethoscope. Indiana Purdue Univ. Publ., 1997, vol. 156, no. 3, pp. 974–987.

11.  Gnitecki J. and Moussavi Z. The fractality of lung sounds: a comparison of three waveform fractal dimension algorithms. Journ. of Chaos, Solitons and Fractals, 2005, vol. 26 (4), pp. 1065–1072.

12.  Дюк В.А., Флегонтов А.В., Фомина И.К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Изв. РГПУ им. А.И. Герцена. 2011. № 138. С. 77–84.

13.  Аль-Нажжар Н.К. Модели, алгоритмы и технические средства исследования и автоматического анализа дыхательных шумов: автореф. ... к.т.н. СПб, 2007. 18 с.

14.  Ханеев Д.М., Филатова Н.Н. Пирамидальная сеть для классификации объектов, представленных нечеткими приз- наками // Изв. ЮФУ. Технические науки. 2012. № 9 (134). С. 45–49.

15.  Филатова Н.Н., Ханеев Д.М. Интерпретатор сигналов на основе нейроподобной иерархической структуры // Программные продукты и системы. 2014. № 1. С. 92–97.

16.  Филатова Н.Н., Ханеев Д.М., Сидоров К.В. Алгоритм классификации графиков с последовательным укрупнением признаков // Программные продукты и системы. 2014. № 3. С. 78–86.

17.  Филатова Н.Н., Аль-Нажжар Н. Устройство регистрации и анализ дыхательных шумов: пат. 66174 Рос. Федера- ция: № 2007113453/22; заявл. 10.04.2010; опубл. 10.09.2010. Бюл. № 25. 2 с.

18.  Макаренкова А.А. Акустические характеристики звуков дыхания, методы их регистрации и обработки: дисс. ... к.ф.-м.н. Киев: Изд-во Ин-та гидромеханики, 2008. 149 с.

19.  Филатова Н.Н., Ханеев Д.М. Автоматическое построение понятий о классах дыхательных шумов: свид. на прогр. для ЭВМ № 2012616472; заявл. № 2012614096; опубл. 18.07.2012. Бюл. № 81 (4). 1 с.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=4130
Версия для печати
Выпуск в формате PDF (8.31Мб)
Скачать обложку в формате PDF (1.24Мб)
Статья опубликована в выпуске журнала № 1 за 2016 год. [ на стр. 186-192 ]

Возможно, Вас заинтересуют следующие статьи схожих тематик: