Классификация функционального состояния системы дыхания на основе анализа вариабельности медленных волн VLF-диапазона

Цель исследования - разработка метода классификации функционального состояния системы дыхания на основе анализа вариабельности медленных волн VLF-диапазона для диагностики функционального состояния системы дыхания.

Методы. Предлагаемый метод строится на основе мультимодального анализа ритмов кардиореспираторной системы. Для выделения медленных волн второго порядка используется вейвлетпреобразование мониторинговых кардиосигналов. Детектор медленных волн второго порядка строится на основе анализа Фурье каждой строки вейвлет-плоскости, принадлежащей к области ритма дыхания. Это позволяет построить иерархическую структуру «слабых» классификаторов с последующим их усилением. При формировании дескрипторов для таких классификаторов сигналы медленных волн, отражающие вариации ритма дыхания, извлекаются из мониторингового кардиосигнала посредством разведочного анализа в области частот ритма дыхания и последующего вейвлет-анализа в области частот, соответствующих определенному в результате разведочного анализа частотному диапазону ритма дыхания. Компоненты релевантных строк вейвлет-плоскости используются для вычисления дескрипторов обучаемой нейронной сети, принимающей решение по отнесению текущего состояния системы дыхания к тестируемому состоянию.

Результаты. Проведенные исследования показали, что функциональное состояние кардиореспираторной системы характеризует динамика медленных волн первого и второго порядка, которые связаны как с системными ритмами вегетативной нервной системы, так и с системными ритмами центральной нервной системы. В ходе экспериментальных исследований на контрольной выборке был проведен сравнительный анализ двух методов классификации функционального состояния системы дыхания - предлагаемого и рентгенологического. Предлагаемый метод исследования превосходят рентгенологические по специфичности и несколько уступают по чувствительности, что позволяет рекомендовать их в клиническую практику.

Заключение. В ходе проведенного исследования было выявлено, что для выделения дескрипторов, на основе которых строятся классификаторы функционального состояния системы дыхания, может быть использована корреляция строк вейвлет-плоскостей электрокардиосигнала с системой дыхания при помощи Фурье-анализа.

1. Чучалин А. Г., Айсанов З. Р. Нарушение функции дыхательных мышц при хронических обструктивных заболеваниях легких // Терапевтический архив. 1988. Т. 60, № 7. С. 126-131.

2. Баевский Р. М., Берсенева А. П. Оценка адаптационных возможностей организма и риск развития заболеваний. М.: Медицина, 1997. 265 с.

3. Пиковая скорость выдоха и бронхиальное сопротивление у больных с внебольничной пневмонией / Ф. Ф. Тетенев, Т. С. Агеева, В. Ю. Даниленк, А. В. Дубаков // Сибирский медицинский журнал. 2005. Т. 58, № 8. С. 43-45.

4. Ершов С. П., Перельман Ю. М. Электрофизиологическая характеристика дыхательных мышц у больных хроническим бронхитом // Бюллетень физиологии и патологии дыхания. 1999. Вып. 5. С. 28-35.

5. Изучение сердечно-сосудистого и дыхательного синхронизма при различных режимах дыхания / Л. А. Носкин, А. В. Рубинский, А. П. Романчук, В. Н. Марченко, В. В. Пивоваров, А. Б. Черепов, Л. А. Заровкина // Патогенез. 2018. Т. 16, № 4. C. 9096.

6. Кассим К. Д. А., Филист С. А., Рыбочкин А. Ф. Компьютерные технологии обработки и анализа биомедицинских сигналов и данных / Юго-Зап. гос. ун-т. Курск, 2016. 209 с.

7. Флейшман А. Н. Вариабельность ритма сердца и медленные колебания гемодинамики. Нелинейные феномены в клинической практике. Новосибирск: Изд-во Сибирского отделения Российской Академии наук, 2009. 194 с.

8. Предикторы синхронности системных ритмов живых систем для классификаторов их функциональных состояний / Т. В. Петрова, С. А. Филист, С. В. Дегтярев, А. В. Киселев, О. В. Шаталова // Системный анализ и управление в биомедицинских системах. 2018. Т. 17, № 3. С. 693-700.

9. Белобров А. П., Кузьмин А. А., Филист С. А. Многомерная частотная селекция в задачах анализа медленных волн // Биомедицинская радиоэлектроника. 2010. № 2. С. 4-10.

10. Филист С. А., Томакова Р. А., Яа З. Д. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4 (43), ч. 2. С. 44-50.

11. Патент 2414170 Российская Федерация. Способ исследования механики дыхания / Ульянычев Н. В., Килин Е. В., Перельман Ю. М., Нахамчен Д. Л. № 2009140655/14; заявл. 02.11.09; опубл. 20.03.2011, Бюл. № 8.

12. Патент 2199948 Российская Федерация. Способ диагностики синдрома утомления дыхательной мускулатуры у больных бронхиальной астмой / Марьянова О. В., Основина И. П., Калинина О. В. № 2000130701/14; заявл. 06.12.2000; опубл. 10.03.03.

13. Патент 2638291 Российская Федерация. Способ оценки эффективности работы дыхательных мышц / Шамсутдинова М. Е., Мирошниченко И. В., Иванов К. М., Кунарбаева А. К., Сидорова М. А., Сивожелезова О. К. № 2016129437; заявл. 18.07.16; опубл. 12.12.17, Бюл. № 35.

14. Гришин О. В., Гришин В. Г., Коваленко Ю. В. Вариабельность легочного газообмена и дыхательного ритма // Физиология человека. 2012. Т. 38, № 2. С. 87-93.

15. Shortliffe E. H., Sepulveda M. J. Clinical Decision Support in the Era of Artificial Intelligence // JAMA. 2018. N 320(21). P. 2199-2200.

16. Hamet P., Tremblay J. Artificial intelligence in medicine. Metabolism. ArticlePubMed/NCBIGoogle Scholar. United States, 2017. P. 36-40.

17. Tarnok A. Machine Learning, COVID-19 (2019-nCoV), and multi-OMICS // ArticleGoogle Scholar. 2020. N 19. P. 215-216.

18. Prediction models for diagnosis and prognosis of COVID-19 infection: systematic review and critical appraisal / Wynants L., Van Calster B. [et al.] // B. M. J., 2020. N 369. P. 1328.

19. Томакова Р. А., Емельянов С. Г., Филист С. А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений / Юго-Зап. гос. ун-т. Курск, 2012. 222 с.

20. Использование метода адаптивного квантования мод при исследовании вейвлет-изображений электрокардиосигналов больных ишемической болезнью сердца / А. А. Грахов, А. А. Кузьмин, С. В. Пихлап, С. А. Филист // Известия Южного Федерального университета. Технические науки. Тематический выпуск «Медицинские информационные системы». 2008. № 5(82). С. 76-79.

21. Формирование дескрипторов для классификаторов функционального состояния системы дыхания на основе спектрального анализа электрокардиосигнала / М. Б. Мяснянкин, С. А. Филист, А. В. Киселев, А. А. Кузьмин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 3/4. С. 8-28.

22. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35-39.

23. Гибридные технологии выделения медленных волн из квазипериодических сигналов / Р. А. Томакова, М. А. Ефремов, С. А. Филист [и др.] // Известия Юго-Западного государственного университета. 2011. № 1(34). С. 66-73.