Применение методов обработки данных с использованием нейронных сетей и машинного обучения для измерения артериального давления И МАШИННОГО ОБУЧЕНИЯ

Аннотация: в данной статье представлен анализ современной литературы, как отечественной, так и зарубежной, с целью оценки эффективности и перспективности применения методов обработки данных с использованием нейронных сетей в алгоритмах функционирования тонометров с целью точного и надежного измерения артериального давления.

Ключевые слова: нейронные сети, артериальное давление, осциллометрический метод, тонометрия.

Nikiforova S.G.

APPLICATION OF DATA PROCESSING METHODS

USING NEURAL NETWORKS AND MACHINE LEARNING

FOR ARTERIAL PRESSURE MEASUREMENT

Abstract: this paper presents an analysis of contemporary literature, both domestic and foreign, aimed at evaluating the effectiveness and prospects of applying data processing methods using neural networks in the algorithms of tonometer operation for accurate and reliable measurement of arterial pressure.

Keywords: neural networks, arterial pressure, oscillometric method, tonometry. нейронная сеть артериальное давление

Артериальное давление (АД) является одним из ключевых показателей состояния здоровья человека, играя важную роль в диагностике и контроле сердечно-сосудистых заболеваний. Точность и надежность измерения артериального давления имеют решающее значение для оценки риска развития сердечно-сосудистых заболеваний и для проведения эффективного лечения. С развитием современных технологий и методов обработки данных, нейронные сети стали объектом повышенного интереса для разработчиков медицинских приборов, включая тонометры. В данной статье мы рассмотрим современные подходы к использованию методов обработки данных с помощью нейронных сетей в алгоритмах работы тонометров с целью достижения более точных и надежных результатов при неинвазивном измерении артериального давления. Мы также проанализируем актуальные российские и зарубежные источники, чтобы оценить состоятельность данной идеи и определить перспективы ее применения в клинической практике.

В течение многих десятилетий классические методы, такие как аускультативный и осциллометрический методы, оставались основными в клинической практике для измерения артериального давления.

Аускультативный метод основан на слушании пульсовых звуков, генерируемых кровью при прохождении через артерии под действием давления манжеты тонометра. Этот метод позволяет определить систолическое и диастолическое давление по звукам, получаемым при различных уровнях давления в манжете.

Осциллометрический метод основан на измерении колебаний давления в манжете, вызванных сердечными циклами. По анализу этих колебаний можно определить среднее артериальное давление [1, с. 23-26].

Несмотря на широкое распространение и применение в клинической практике, оба эти метода не лишены недостатков. Среди них следует отметить субъективность и зависимость от опыта при использовании аускультативного метода, а также ограниченную применимость осциллометрического метода в условиях аномалий артериальной системы и подверженность его результатов влиянию внешних факторов, таких как движение и дыхание пациента.

Эти недостатки подталкивают к разработке и внедрению новых, более современных и точных методов измерения артериального давления, таких как методы, основанные на использовании нейронных сетей и алгоритмов машинного обучения.

Несколько исследований рассматривают применение нейронных сетей и технологий машинного обучения в тонометрии и измерении артериального давления. Например, группа исследователей из Австралии и Китая провели исследования применения методов машинного обучения для оценки артериального давления при помощи модели классификации Deep Belief Network-Deep Neural Network (DBN-DNN) на основе временных характеристик пульса, извлеченных из осциллометрических волн. Эта модель была обучена с использованием искусственных признаков, созданных на основе временных характеристик пульса, и показала высокую точность при оценке систолического и диастолического давления. Результаты показали, что модель DBN-DNN превзошла другие модели, используемые в литературе, и позволила достичь оценки класса A по стандартам BHS и приемлемого результата по стандартам MI для обеих категорий давления [2, с. 12].

К выводу о том, что гибридные модели, использующие методы машинного обучения для предсказания артериального давления, имеют большой потенциал в клинических исследованиях для длительного непрерывного мониторинга давления также пришли и ученые Сити Нор Ашикин Исмаил, Назрул Ануар Наян, Росмина Джаафар и Зазила Мэй в рамках своей статьи посвященной обзору последних достижений в области неинвазивного мониторинга артериального давления и прогнозирования с использованием подхода машинного обучения [3, c. 14].

А. И. Скоробогатова, А. А. Анисимов также рассматривали осциллометрический метод измерения артериального давления, который был модифицирован с применением нейронных сетей. Алгоритм определения артериального давления на основе нейронных сетей предполагает использование нейронных сетей для определения параметров артериального давления без применения алгоритма максимальной амплитуды [4, c. 82].

Суть алгоритма заключается в следующем:

Вместо использования алгоритма максимальной амплитуды, нейронные сети используются для определения параметров артериального давления.

Нейронные сети не требуют явной математической модели и могут применяться в нелинейных системах, что делает их эффективными при обработке искаженных сигналов давления.

Для уменьшения входных данных и повышения эффективности сети, предлагается выделение наиболее информативной части сигнала - локальных максимумов кривой осцилляций, тахосциллограммы.

На вход нейронной сети подаются координаты локальных максимумов и соответствующие им значения давления в манжете.

На выходе сети предполагается получить предсказанные значения артериального давления (систолического и диастолического).

Алгоритм, использующий технологию нейронных сетей, показал эффективность при обработке искаженных сигналов давления, что позволяет повысить точность измерения артериального давления у людей с нарушениями в работе сердечнососудистой системы. Сравнительная оценка результатов измерений при помощи алгоритма максимальной амплитуды (АМА) и при использовании методов обучения нейронных сетей (НС) показан в таблице 1, где сокращения САД - систолическое артериальное давление, а ДАД, соответственно, диастолическое артериальное давление.

Таблица 1. Сравнительная оценка результатов измерений АМА и НС.

Средняя погрешность определения давления согласно стандартам ANSI/MI у пациентов без нарушений ритма не должна превышать 5 мм.рт.ст. Из таблицы 1 видно, что оба метода достигают необходимую, точность, при этом применение нейронных сетей дает менее точные результаты, однако исследователи выделили основное преимущество использования данного метода - при применении нейронных сетей в отличие от алгоритма максимальной амплитуды появляется возможность определять параметры АД даже в случае искаженных исходных данных, а значит этот метод подойдет для пациентов с различными нарушениями в работе сердечно-сосудистой системы, для которых не подходят классические алгоритмы вычисления артериального давления [4, с. 83].

В заключении к научной статье о применении методов обработки данных с использованием нейронных сетей в алгоритмах работы тонометров для измерения артериального давления можно подчеркнуть важность и перспективность данного подхода. Нейронные сети и методы машинного обучения демонстрируют значительный потенциал для улучшения точности и надежности измерения артериального давления, что является критическим аспектом в диагностике и лечении сердечно-сосудистых заболеваний. В то время как классические методы измерения артериального давления, такие как аускультативный и осциллометрический методы, имеют свои ограничения и недостатки, нейронные сети могут преодолеть многие из них. Исследования, представленные в статье, показывают, что алгоритмы, основанные на нейронных сетях, способны обеспечить более точные и стабильные результаты измерения артериального давления, даже в условиях аномалий артериальной системы или при движении пациента. Гибридные модели, объединяющие методы машинного обучения и традиционные подходы к измерению давления, представляют новые возможности для разработки инновационных технологий в области медицинской диагностики и мониторинга сердечно-сосудистого здоровья. Таким образом, результаты исследований, представленные в статье, подчеркивают важность использования нейронных сетей и методов машинного обучения в современной медицинской практике с целью улучшения процесса измерения артериального давления и оптимизации диагностических процедур у пациентов с сердечно-сосудистыми заболеваниями.