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

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2017

Компьютерные технологии в исследовании и диагностике патологий органов дыхания

Статья опубликована в выпуске журнала № 1 за 2007 год.[ 23.03.2007 ]
Аннотация:
Abstract:
Авторы: Филатова Н.Н. (nfilatova99@mail.ru) - Тверской государственный технический университет, Тверь, Россия, доктор технических наук, Аль-нажжар Н.К. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 6814
Версия для печати
Выпуск в формате PDF (1.53Мб)

Размер шрифта:       Шрифт:

В современной медицине совершенствование методов диагностики осуществляется на основе применения компьютерных технологий. Традиционным подходом является оцифровка электрофизиологических сигналов биообъекта с последующей обработкой данных с помощью различных статистических методов. Диагностика заболеваний органов дыхания, как и других физиологических систем, опирается на данные инструментальных исследований, которые на современном этапе разделяются на две группы.

Первую, наиболее многочисленную, образуют аппаратные и программные средства, позволяющие получить видеоизображения исследуемого органа (различные типы рентгеновских установок, томографы и пр.). Применение этих аппаратно-про­граммных комплексов позволяет установить наличие патологий, проявляющихся в структурных (анатомических) изменениях объекта исследования. Компьютерные методы обработки изображений позволили существенно повысить точность выявления диагностических признаков как в автоматизированном режиме, так и с помощью специализированных баз знаний в рамках экспертных подсистем.

Функциональные исследования органов дыхания выполняются с помощью акустических методов и устройств. Это менее многочисленная группа технических средств, однако в нее входят самые распространенные в медицинской практике измерительные средства: фонендоскопы, стетоскопы и стетофонендоскопы. Врач, выслушивая слабый акустический сигнал, осуществляет мысленное сравнение его с некоторыми звуками, характерными для отдельных патологий, и принимает решение о близости воспринимаемого сигнала к одному из классов. Точность решения указанных задач зависит от индивидуальных характеристик слуха врача, а также от его опыта и личной "базы данных" с акустическими примерами прецедентов различных бронхо-легочных патологий. Отсутствие у традиционного фонендоскопа средств регистрации дыхательного сигнала (ДС) на внешнем носителе создавало объективные трудности как в оценке качества полученных ДС, так и в точности их интерпретаций. С появлением электронного фонендоскопа, а также различных реализаций цифровых каналов регистрации ДС на базе стационарных персональных компьютеров эта проблема отошла в прошлое.

На современном этапе становится актуальной задача автоматизации комплексного анализа результатов визуальных и функциональных исследований органов дыхания. Одним из вариантов ее решения может стать система поддержки принятия диагностического решения, которая представляет собой специализированное АРМ врача-пульмонолога. В состав АРМ входят подсистемы исследований и диагностики патологий органов дыхания. Подсистема исследований может быть интегрирована с рентгенологическими аппаратно-программ­ными комплексами. В ее состав входят модуль первичного анализа графических объектов (рентгенологических снимков) и модуль анализа дыхательных сигналов. Выбор соответствующих файлов осуществляется из записей базы данных с историями болезней. В результате работы этих модулей выделяются множества характеристик, которые позволяют сформировать описания состояния пациента в виде двух наборов первичных признаков. В зависимости от источника их получения (изображение или акустический сигнал) соответствующий набор признаков сохраняется в базах данных графических изображений или дыхательных сигналов. С помощью модуля лингвистического интерпретатора для врача формируются вербальные описания симптомов, выявленных по снимкам и записям дыхательных сигналов.

В диагностической подсистеме, включающей модули нечеткого и детерминированного логического вывода и базы знаний диагнозов и моделей заболеваний, формируется диагностическое заключение о состоянии органов дыхания.

Разработка этой программной системы связана с использованием специальных моделей и алгоритмов обработки графической и акустической информации. В настоящее время вопросы анализа плоских изображений достаточно хорошо проработаны, однако задача автоматического анализа слабых низкочастотных акустических сигналов решена неполностью. Отсутствуют надежные признаки, позволяющие разделять классы нормы и патологий. Удачные решения в этой области могут привести к созданию новых методик исследования органов дыхания и автоматической оценки диагностических признаков.

Задача автоматического компьютерного анализа дыхательных шумов достаточно широко обсуждается в литературе. Все предлагаемые способы можно разделить на две группы: решения, касающиеся обработки единственного сигнала, представляющего фрагмент временного ряда, зарегистрированного в одной точке аускультации, и методики, ориентированные на обработку двух и более сигналов, которые регистрируются параллельно в разных точках корпуса пациента.

Как показали исследования, применение методов анализа временных рядов для единственного ДС позволяет достаточно просто решать основную задачу – разделение классов норма и патологии. Для решения этой задачи проведены эксперименты по регистрации ДС у 85 пациентов. Созданы две коллекции звуковых образцов: “Норма” с образцами ДС, зарегистрированными у пациентов с органами дыхания без патологий, “Изменения дыхания” с образцами ДС, зарегистрированными у пациентов с различными заболеваниями органов дыхания.

Подготовка коллекции к математическому анализу осуществлялась на основе специальной методики выравнивания образцов, которая включала 5 последовательных шагов: нормализация образца ДС, оценка спектральной плотности сигнала, выделение верхней границы фильтрации, фильтрация шума, выделение участка фиксированной длины без посторонних шумов. Длина участка ДС является фиксированной константой для всех записей. Сформированная смешанная выборка включала 45 образцов “Норма” и 40 записей из класса “Изменения дыхания”. Учитывая, что ряд характеристик ДС зависит от точки аускультации, каждая из выборок разбита на две (регистрация осуществлялась на спине и на груди пациента в соответствии с типовыми точками).

В ходе выслушивания пациента врач обычно оценивает ряд характеристик: интенсивность ДС, соотношение фаз дыхания (вдоха и выдоха), величину участков расслабления, локализацию и характер дыхательных шумов, характер дыхания и т.д.

Проведенные исследования показывают, что построение разделяющих признаков на основе только интервальных оценок частотных диапазонов с отдельными видами дыхательных шумов не даст уверенного решения задачи разделения классов. Решение указанной задачи можно получить на основе  исследований характеристик интенсивного ДС и соотношения фаз дыхания, которые можно выполнить с помощью программного комплекса АДС (“Анализ дыхательных сигналов”), разработанного в Тверском государственном техническом университете. Комплекс АДС входит в состав АРМ врача-пульмо­нолога и позволяет осуществлять:

-    Подпись:   
Характер изменения разделительного признака
в процессе дыхания
регистрацию ДС на жестком диске ПК;

-    предварительную обработку (фильтрацию высоких и низких частот, усиление и нормализацию ДС);

-    вывод графика динамического процесса изменения интенсивности ДС во времени (см. рис.);

-    расчет энергетического спектра и формирование его графика;

-    оценки длины расчетного окна (L) и набора интегральных характеристик (ИнХ);

-    формирование графиков изменения элементов множества ИнХ.

В состав множества ИнХ включены следующие характеристики:  . Все элементы ИнХ оцениваются по множеству точек соответствующего временного ряда (ВР), которое выделяется с помощью так называемого расчетного окна (L). Левая граница окна совмещалась с началом ВР, а правая устанавливалась в соответствии с настроечным параметром. С помощью выделенных точек ВР находились оценки основных статистических характеристики, затем окно перемещалось вправо на длину L так, что его новая левая граница совпадала со старой правой границей, и операции повторялись.

Проведенные исследования показали, что на основе элементов ИнХ можно построить набор признаков, которые позволяют осуществлять автоматическое выделение границ и параметров дыхательного цикла, а также осуществлять идентификацию таких характеристик дыхания, как время наибольшей задержки. Как видно из рисунка, характер временного ряда, иллюстрирующего изменение интенсивности ДС на временном интервале, совпадает с характером изменения вычисляемого признака.

Полученные результаты позволили сформулировать продукционные правила для автоматической диагностики нарушений параметров дыхательного цикла, которые могут быть положены в основу алгоритма автоматической диагностики патологий органов дыхания. Созданный алгоритм анализа ДС позволяет отделять записи с нормальным дыханием от записей шумов при наличии различных патологий органов дыхания. Ошибка в распознавании составляет не более 10%.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=421
Версия для печати
Выпуск в формате PDF (1.53Мб)
Статья опубликована в выпуске журнала № 1 за 2007 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: