Никифорова С.Г.
ПРИМЕНЕНИЕ МЕТОДОВ ОБРАБОТКИ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ И МАШИННОГО ОБУЧЕНИЯ ДЛЯ ИЗМЕРЕНИЯ АРТЕРИАЛЬНОГО ДАВЛЕНИЯ *
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
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, c. 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 AAMI для обеих категорий давления [2, c. 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 сердечно-сосудистой 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/AAMI 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, c. 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.
Номер журнала Вестник науки №2 (71) том 3
Ссылка для цитирования:
Никифорова С.Г. ПРИМЕНЕНИЕ МЕТОДОВ ОБРАБОТКИ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ И МАШИННОГО ОБУЧЕНИЯ ДЛЯ ИЗМЕРЕНИЯ АРТЕРИАЛЬНОГО ДАВЛЕНИЯ // Вестник науки №2 (71) том 3. С. 498 - 503. 2024 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/13037 (дата обращения: 17.05.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2024. 16+