Анализ сердечного ритма, его "краеугольная" проблема и применение инструментов искусственного интеллекта для её решения

Размещено на http://allbest.ru

Анализ сердечного ритма, его «краеугольная» проблема и применение инструментов искусственного интеллекта для её решения

Рифтин А. Д., Intellewave, Inc.

info@intellewave.net

США, Нью-Йорк

Анализ проблемы

Одной из наиболее интересных и, безусловно, фундаментальных задач возникших на основе анализа сердечного ритма является оценка состояния автономной (вегетативной, ВНС) нервной системы. Количественная оценка ВНС на основе только анализа сердечного ритма все последние десятилетия упирается в одну проблему теоретического характера. Проблема заключается в следующем. Как известно из целого ряда работ, которые были обобщены и изложены в известной статье [16]:

- высокочастотная компонента (HF) спектра сердечного ритма коррелируется с парасимпатической регуляцией с точностью до 95 %;

- низкочастотная компонента (LF) спектра коррелирует с симпатической регуляцией с точностью порядка 60-65 %;

- остальные 35-40 % активности низкочастотной части спектра представляют собой смесь, в которой присутствует влияние как симпатической (СНС), так и парасимпатической (ПСНС) регуляции, и также влияние ряда других, менее значимых в низкочастотной части спектра регуляторных механизмов (нейрогуморальная, барорецепторная, гормональная и термо- регуляция).

Конечный вывод по существу проблемы заключается в том, что установленная примерно 40-50 лет тому назад граница между HF и LF на фиксированном уровне 0,15 Гц, верна только для гипотетического среднего нормативного (здорового) человека. На самом деле эта граница должна определяться индивидуально, реально разделяя симпатическое и парасимпатическое влияние на спектр сердечного ритма.

Это позволило бы снять существующую неопределённость в физиологической интерпретации LF и тем самым открыть возможность для количественной оценки состояния ВНС только на основе анализа сердечного ритма. Эта проблема ещё ни разу не была сформулирована ни в отечественной и ни в зарубежной литературе, хотя ряд исследователей отмечает (не делая общего вывода), что для специфических групп испытуемых индивидуальная оценка сердечного ритма более эффективна, чем по «стандарту» [11].

- диапазон спектра HF у различных групп испытуемых различный [10], поэтому авторы, например, предлагают разные границы для взрослых и детей;

- парасимпатическое влияние зафиксировано не только в диапазонах HF-LF, но частично и в диапазоне VLF [9]; авторы считают, что в связи с этим только одних данных сердечного ритма недостаточно - необходим дополнительный контекст (клиническая симптоматика), получаемый в рамках подхода персонифицированной медицины.

К данной проблеме автор подходил более 30 лет [6, 12, 13 и др.], но полноценная постановка проблемы закончена только сейчас, и решению проблемы в данной формулировке посвящена эта статья.

Индивидуально-типологический подход

Прямого метода, позволяющего рассчитать границу между HF и LF индивидуально, на сегодняшний день, к сожалению, не существует. Однако эту задачу можно решить обратным путём, рассчитав сначала индивидуальную мощность HF. Эта задача реальна при использовании методов искусственного интеллекта в частности теории фреймов Марвина Минского [2].

Фрейм - это структура для представления знаний в данном случае знаниями будут являться стереотипные ситуации (конфигурации) значений параметров спектральной функции сердечного ритма, которые выбраны для создания модели распознавания состояний ВНС. Это следующие параметры (смотри также Рис. 1):

1. HF, мсІ в диапазоне (0,15 - 0,50) Hz

2. LF, мсІ в диапазоне (0,04 - 0,15) Hz

3. LF1, мсІ в диапазоне (0,07 - 0,15) Hz

4. LF2, мсІ в диапазоне (0,04 - 0,07) Hz

5. Smax (HF), мсІ - амплитуда максимального пика в диапазоне HF

6. Fmax (HF), Гц - значение частоты в точке максимального пика

7. Smax (LF), мсІ - амплитуда максимального пика в диапазоне LF

8. Fmax (LF), Гц - значение частоты в точке максимального пика

9. Smax (MF), мсІ - амплитуда максимального пика в диапазоне MF

10. Fmax (MF), Гц - значение частоты в точке максимального пика

11. HR, уд/мин - частота сердечных сокращений

12. HF/LF

13. HF/LF1

Рис. 1. Количественная оценка ВНС по ортотесту.

сердечный ритм электрокардиограмма

MF - это область вблизи (+0,02/-0,02 Hz) граничного значения 0,15 Hz (в правой части пик амплитуды MF близок к 0,15 Hz)

Структурные компоненты фреймовой модели распознавания можно описать так:

• Резидентная часть переключателя фреймов. Использует минимальный набор основных параметров (HF, LF1, LF2, HR) для выбора фрейма-кандидата.

• Инструмент «демонов» - специфических переключателей фреймов.

• СТОПДЕМ - демон с остановкой. Осуществляет остановку на выбранном фрейме для случая, когда значения всех параметров в пределах областей определения.

• ДЕМПРОД - демон с продолжением.Часть параметров несоответствует декларативной компоненте. Осуществляет выбор нового фрейма-кандидата.

• ВРЕМСТОПДЕМ - временный СТОПДЕМ, который анализирует допустимую разницу между максимальными отклонениями значений параметров Использует в том числе методы теории размытых множеств для передачи управление новому фрейму- кандидату.

• Для однозначного решения в случае 2-х полностью равноценных фреймов- кандидатов (известная в математике ситуация «Буриданов осёл») используется принцип 1-го пришедшего к финишу кандидата.

• Следующим шагом в создании модели распознавания является построение графического представления того, как бы мы хотели видеть количественную взаимосвязь между уровнями активности симпатического отдела ВНС (СНС) и парасимпатического отдела ВНС (ПСНС), то есть своего рода кластеризацию состояний ВНС. Наиболее удобным - как с точки зрения графического представления, так и с точки зрения физиологической различимости - является представление в системе двух координат по четыре градации в каждом направлении от центра пересечения осей ПСНС и СНС (Рис. 2).

Рис. 2. Кластеризация состояний ВНС, цифрами от 1 до 9 показаны зоны с различным соотношением активности ПСНС и СНС (7 - состояние баланса ВНС).

Суммарно получается 81 точка (состояния, П1-П81) в системе двух координат, показывающие различные уровни взаимоотношений активности ПСНС и СНС. Для наглядности на Рис. 2 даны примеры спектральных функций, соответствующие наиболее характерным точкам на графике.

Таким образом, нашей задачей является построение фреймовой модели распознавания, которая позволяла бы каждому набору значений параметров спектральной функции найти соответствующую точку на графике в системе двух координат СНС и ПСНС. Структура такой модели показана на Рис. 3.

В каждой ячейке уместности от П1 до П81 находится стереотипный набор данных спектральной функции для соответствующей точки на графике. Исходный набор значений параметров, подлежащих распознаванию, поступает на вход резидентный части переключателя фреймов. Она только по первичным знаниям о распознавании фреймов подключает исходный набор к выбранному фрейму-кандидату, процедурная компонента которого начинает проверку на уместность поступивших данных.

Рис. 3. Общая структура совокупности фреймов

Если этот процесс потерпит неудачу, возможны две альтернативы. Первая состоит в активации соответствующего «демона» (если он есть), который приводит либо к выбору нового фрейма, либо к остановке процесса распознавания. Второй альтернативой при неудаче оценки уместности фрейма является повторное подключение исходного набора данных на вход переключателя, но при этом отвергнутый фрейм уже рассматриваться не будет (флаг данного фрейма получает специальный знак). Переключатель при этом запомнит уровень уместности отвергнутого фрейма. Процесс распознавания продолжается до тех пор, пока один из фреймов не будет признан уместным. В случае если будут отвергнуты все фреймы (их 81), то переключатель выбирает фрейм с наименьшей степенью неуместности. При наличии фреймов с одинаковой (в приделах значимого различия) степенью неуместности в качестве результата распознавания выводится фрейм, первым пришедший к финишу.

Рис. 4. Индивидуальная граница между HF и LF (та же спектральная функция, что и на Рис. 1)

Таким образом, алгоритм функционирования распознающего механизма совокупностей фреймов позволяет в любом случае получить описание распознаваемых состояний - по крайней мере, близкое к правильному (с точки зрения знаний, представленных в системе), и исключает принципиально возможность получения нелогичного результата.

В результате работы алгоритма мы получаем точку в системе двух координат ПСНС- СНС, для которой значение ПСНС уже считается окончательным. Предварительно было проведено многолетнее исследование [17, 18, 8 и др.] всей области определения HF. Из порядка 10 тысяч испытуемых (от кардиологических больных до профессиональныхспортсменов)быливыбраныспектральныефункции183-х испытуемых с наивысшими значениями мощности в диапазоне HF.

Гистограмма распределения этих максимальных значений позволила выделить моду максимальных значений мощности HF, которая оказалось в диапазоне от 11 до 12 тысяч мсІ.

В результате была получена вся область определения HF, которая была разбита на 9 поддиапазонов с номерами от -4 до +4. Каждому уровню активности ПСНС от -4 до +4 было найдено соответствующее значение мощности высокочастотной части спектра. В результате работы фреймового алгоритма для каждого испытуемого находится уровень активности ПСНС и соответственно значение мощности HF в мсІ.

Следующий шаг - обратная задача. По мощности HF (площадь под кривой спектральной функции) и значению общепринятой правой границы спектра (0,5 Гц) определяется левая граница HF, которая и будет являться искомой границей между HF и LF (Рис. 4).

Здесь необходимо отметить, что после определения индивидуальной границы, которая, как правило, отличается от среднего уровня 0,15 Гц, в алгоритме заложена процедура корректировки уровня активности СНС, поскольку пики кривых в поддиапазонах HF и LF могут изменить свою принадлежность к тому или иному поддиапазону. Вот на этом работа алгоритма считается законченной, а полученные значения уровней активности СНС и ПСНС окончательными.

На Рис. 4 для ортотеста дана та же спектральная функция, что и на Рис. 1.Для примера того, как отличается индивидуальная граница от стандартной на уровне 0,15 Гц, на Рис. 5 дана 3D-визуализация спектра сердечного ритма до и после манёвра Вальсальва.

На Рис. 5 дана 3D-визуализация спектра сердечного ритма

Рис. 5. 3-D Спектр сердечного ритма. Красный и жёлтый цвета: низко- и высокочастотный шум соответственно; бирюзовый и зелёный цвета: спектры LF и HF (с индивидуальными границами).

Обсуждение результатов и смежных вопросов

Прежде всего, отметим ту роль, которую сыграл метод анализа стереотипных ситуаций - в данном случае стереотипных взаимосоотношений параметров спектральной функции, осуществлённый на основе теории фреймов. Этот системный подход позволил оторваться от канонического разделения между HF и LF на уровне 0,15 Гц и получить фундаментальный вывод (который сегодня представляется очевидным) об индивидуальной границе между HF и LF. Это стало понятным в процессе того, как стереотипные ситуации стали распадаться, зачастую, в противоречии с каноническим разделением между HF и LF [7]. Остальное уже было технической задачей [14, 15].

В настоящее время этот метод реализован в системах Intellewave (www.intellewave.net) и Nerve-Express (www.nervexpress.com), которые способны в автоматическом режиме выдать полноценное заключение (Рис. 6).

В связи с неослабевающей актуальностью анализа сердечного ритма как отдельного научного (и популярного) направления хотелось бы обратить внимание на некоторые «режущие глаз» неточности, тавтологические определения и подходы, нелогичные с точки зрения нормальной физиологии.

Рис. 6. Пример интерпретации стандартной методики (ортотест и манёвр Вальсальва)

Прежде всего, к сожалению, сам укоренившийся термин - Вариабельность сердечного ритма, появившийся в результате кальки с английского (притом неточной) - Heart Rate Variability, означающего Вариабельность частоты сердечных сокращений, но ни как не вариабельность ритма. Семантика слова Ритм, если не добавлено слово «постоянный», подразумевает изменчивость, и, как известно, Вариабельность также означает изменчивость.

В результате получаем весьма грубую тавтологию, в то время как появившееся ещё в начале 60-х годов на хорошем русском языке, выражение Анализ сердечного ритма, или иногда добавляли Математический анализ сердечного ритма, незаслуженно ушло в тень и практически не употребляется.

Есть более серьёзная и при этом гораздо более абсурдная проблема, родившаяся порядка 40-50 лет назад, но от этого не ставшая менее абсурдной. Первые американские и европейские исследователи изучали ритм сердца, и проводили свои исследования, пользуясь существовавшим в то время прибором, называемым «тахографом».

Это был автоматический самописец, соединённый с электрокардиографом, на валу которого, вращающегося с постоянной скоростью, установлён рулон бумаги.

При каждом появлении нового R зубца определялось значение текущего R-R интервала и, соответственно, мгновенное значение ЧСС. Это значение ЧСС отпечатывалось в виде точки на вращающемся рулоне бумаги, в результате чего получалась ломаная кривая, как показано на Рис. 7, зависящая от времени появления очередного R зубца.

Для удобства и простоты проведения сравнительного анализа разных исследований были взяты одинаковые (разумеется) по длине отрезки бумажной ленты, полученные в течение 5-ти минутной записи ЭКГ. Тот факт, что на каждом из этих одинаковых по длине участков бумажной ленты было абсолютно разное количество R-R интервалов (случайных событий), был или проигнорирован, или просто не замечен.

В итоге вся дальнейшая статистическая обработка результатов не обладала свойством воспрозводимости уже по определению, поскольку любая статистическая обработка случайного процесса, коим, как известно, является последовательность R-R интервалов, должна быть основана на анализе только одинаковых выборок случайных событий.

Рис. 7. Тахограмма записи сердечного ритма

Это один из основных постулатов Теории случайных процессов, разработанной более 100 лет назад и блестяще описанной в известном в Российских вузах учебнике [1]. Елена Сергеевна Вентцель, автор этого учебника, работала на кафедре баллистики Академии им. Жуковского и рассчитывала точность попадания ракет и снарядов для чего брала по 100 выстрелов ровно.

При записи пятиминутных отрезков ЭКГ мы будем наблюдать каждый раз разное количество R-R интервалов и, как результат, ни о каком сравнительном анализе речи быть не может.

По состоянию на сегодняшний день выполнены тысячи научных исследования по пятиминутным отрезкам ЭКГ, результаты которых как нетрудно догадаться сейчас в районе мусорной корзины.

В известной книге середины 60-х годов [5] основоположники отечественного изучения Сердечного ритма для проведения статистического анализа брали выборки по 100 R-R интервалов в строгом соответствии с теорией Елены Вентцель.

Из современных исследований можно привести примеры, когда авторы, решая специфические задачи, использовали для анализа и сравнения выборки по 100 [3] и по 64 [4] R-R интервалов из больших записей ЭКГ.

Ещё буквально два примера. Первый пример, «режущий и слух и глаз» - это, безусловно, Нелинейная динамика в области Heart Rate Variability.

Нетрудно догадаться, что любое динамическое изменение по определению нелинейно, поэтому можно предположить, что авторы под таким явно тавтологическим определением имели в виду что-то более сложное, видимо не для средних умов.

Например, в физике используются так называемые линейные дифференциальные уравнения, описывающие движение частицы по синусоиде.

Эти уравнения называются линейными, поскольку частица движется по синусоиде с постоянной скоростью без ускорения, в противном случае эти уравнения моментально превратились бы в нелинейные.

Критика в данном случае касается только тавтологического определения - Нелинейная динамика, и не затрагивает существа этого метода, который отчасти и в связи с этим, нет большого желания изучать.

Ещё один подход из области Heart Rate Variability связан с использованием идей Хаоса и Энтропии.

Не затрагивая сущности этого подхода, хотелось бы сказать несколько слов о самом термине Хаос применительно к анализу сердечного ритма здорового человека, который доктор Ари Гольдбергер (Гарвардская Медицинская школа), ещё в конце 80 - х годов очень удачно назвал «Танцем здорового сердца».

Так вот в танце здорового сердца разумеется никакого хаоса нет, тем более что в подавляющем большинстве случаев из области анализа ритма речь идёт о нормальной физиологии.

Патофизиологические случаи теоретического интереса не представляют, поскольку общая мощность спектральной функции в патологических случаях очень низкая или даже близка к нулю.

Классический пример хаоса в ритме сердца, как известно, - Мерцательная аритмия, и некоторые наиболее тяжёлые случаи Синдрома слабости синусового узла.

Но они, как уже понятно, непосредственного отношения к методам анализа сердечного ритма не имеют. Как вывод, чисто с психологической точки зрения, не касаясь существа метода и его теоретически возможной практической значимости, сам термин «Хаос» представляется абсолютно не соответствующим идеям внутренней гармонии, лежащим в основе Нормальной физиологии человека и Танцу в ритме здорового сердца.

Литература

1. Вентцель Е. С. Теория Вероятности / Е. С. Вентцель. - М.: Наука, 1969. - 576 с.

2. Минский М. Структура для представления знания / М. Минский // Психология машинного зрения / Ред. П. Уинстон. - М.: Мир, 1978. С. 249 - 338.

3. Николаева Е. И. Прогноз психофизиологической "стоимости" эффективности процесса обучения у старших школьников / Е. И. Николаева, Е. Г. Вергунов // Психология образования в поликультурном

пространстве. - Елец: ЕГУ им. И. А. Бунина, 2013. - Т. 1 (№ 21). - С. 47 - 53.

4. Николаева Е. И. Модель устойчивой адаптации хронически больных людей с использованием вариабельности кардиоритма / Е. И. Николаева, Е. Г. Вергунов, О. Е. Ельникова // Современные проблемы науки и образования. - Пенза: Академия естествознания, 2015. - № 1. DOI: 10.17513/spno.2015.1.121-19223

5. Парин В. Космическая кардиология / Василий Парин, Роман Баевский, Юрий Волков, Олег Газенко.

- М.: Медицина, 1967. - 208 с.

6. Рифтин А. Д. Распознавание функциональных состояний организма на основе математического анализа сердечного ритма: автореферат диссертации на соискание учёной степени кандидата биологических наук / А. Д. Рифтин. - Киев: Институт Кибернетики им. В. М. Глушкова АН УССР. - 1987. - 18 с.

7. Рифтин А. Д. Модель распознавания функциональных состояний на основе математического анализа сердечного ритма / А. Д. Рифтин // Физиология человека. - 1990. - Т. 16. - № 3. - С. 165 - 172.

8. Рифтин А. Д. Распознавание состояний вегетативной нервной системы на основе анализа сердечного ритма / А. Д. Рифтин //Медленные колебательные процессы в организме человека. Теоретические и прикладные аспекты нелинейной динамики в физиологии и медицине. Новокузнецк: СибГИУ, 2015. С. 243- 248.

9. Флейшман А. Н. Нейрогенные механизмы дистантного ишемического прекондиционирования у молодых, здоровых людей / А. Н. Флейшман, М. С. Сулейман, Н. И. Шумейко, И. Г. Халиулин, Т. В. Кораблина, С. А. Петровский, А. И. Фисенко // Медленные колебательные процессы в организме человека. Теоретические и прикладные аспекты нелинейной динамики в физиологии и медицине. - Новокузнецк: СибГИУ, 2015. - С. 24 - 40.

10. Фомин Ф. Ю., Шубин А. Б. К вопросу о необходимости расширения диапазона высокочастотных колебаний при спектральном анализе вариабельности сердечного ритма у детей / Ф. Ю. Фомин, А. Б. Шубин // Вариабельности сердечного ритма: Теоретические аспекты и практическое применение: Тез. докл. IV всерос. симп. / Отв. ред. Н. И. Шлык, Р. М. Баевский. - Ижевск: УдГУ, 2008. - С. 319 - 321.

11. Kerppers I .I. Heart rate variability in individuals with cerebral palsy / I. I. Kerppers, E. A. L. Arisawa,

L. V. F. Oliveira, L. M. M. Sampaio, C. S. Oliveira // Archives of medical science. - 2009. - T. 5. - № 1. - P. 45 - 50.

12. Riftine A. New quantification of the relationship between SNS and PSNS activity by heart rate variability analysis//Folia Cardiol.: Proc. 11th Congr. Intern. Soc. for Holter and Noninvasive Electrocardiology, 32nd Congr. Intern. Soc. of Electrocardiology. - 2005. - V. 12. Supl. D. - P. 32.

13. Riftine A. Clusterization of the Relationship between SNS and PSNS activity by Heart Rate Variability Analysis / A. Riftine // 33rd International Congress of Electrocardiology. Cologne, Germany. July 2006.

14. Riftine A. Method for Quantitative assessment of the Autonomic Nervous System based on Heart Rate Variability analysis. Patent: US 7,826892 B2, Date: November 2, 2010 / A. Riftine.

15. Riftine A. Fitness Score assessment based on Heart Rate Variability analysis during orthostatic intervention. Patent: US 8,682,421 B2, Date: March 25, 2014 / A. Riftine.

16. Task Force of The European Society of Cardiology and The North American Society of Pacing and

Electrophysiology: Heart rate variability. Standards of measurement, physiological interpretation, and clinical use // European Heart Journal. - 1996. - 17. - P. 354 - 381.

17. Tereshchenko L. Effect of Beta-Blocade on the Heart Rate Variability in patients with Coronary Heart disease / L. Tereshchenko, A. Riftine // Proceedings of the 22nd European Section Meeting of the International Society for Heart Research. Hungary, July 3-6, 2002.

18. Tereshchenko L. Autonomic tone in patients with supraventricular arrhythmia associated with mitral valve prolapse in young men / L. Tereshchenko, S. A. Doronina, E. M. Pochinok, A. Riftine // Pacing and Clinical Electrophysiology. - 2003. - Т. 26. - № 1 II. - P. 444 - 446.

Аннотация

Анализ сердечного ритма, его «краеугольная» проблема и применение инструментов искусственного интеллекта для её решения. Рифтин А. Д. США, Нью-Йорк, Intellewave, Inc. info@intellewave.net

Автор описывает проблему, возникшую в теории спектрального анализа сердечного ритма порядка 40-50 лет тому назад, но до сих пор никем не поставленную перед научным сообществом в явном виде. Это проблема индивидуальной границы между высокочастотной (HF) и низкочастотной (LF) компонентами спектра сердечного ритма, что является основным препятствием для распознавания функциональных состояний автономной нервной системы только на основе анализа сердечного ритма. В работе приведено решение данной проблемы на основе индивидуально-типологического подхода к анализу спектра сердечного ритма с помощью инструментов искусственного интеллекта. Разработанный автором алгоритм на основе Теории фреймов позволил представить функциональные состояния автономной нервной системы в виде системы двух координат, что сыграло принципиальную роль в новом видении всех вариантов взаимосоотношений симпатического и парасимпатического звеньев автономной нервной системы.

Автор завершает изложение обсуждением ряда моментов, связанных с накопившимися за долгую историю анализа сердечного ритма семантически неудачными (тавтологическими) кальками с английского. Автор излагает предысторию появления абсурдного пятиминутного стандарта по отбору последовательностей R-R интервалов, что явно противоречит классической теории случайных процессов.

Ключевые слова: математический анализ сердечного ритма, автономная нервная система, парасимпатический и симпатический отделы, искусственный интеллект, спектральный анализ сердечного ритма.

Размещено на Allbest.ru