Индивидуально-типологический подход. 
Анализ сердечного ритма, его "краеугольная" проблема и применение инструментов искусственного интеллекта для её решения

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 фреймукандидату.
• • Для однозначного решения в случае 2-х полностью равноценных фреймовкандидатов (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 ПСНССНС, 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: низкои высокочастотный шум соответственно; бирюзовый и зелёный цвета: спектры LF и HF (с индивидуальными границами).