Automatyczne diagnozowanie dysfunkcji mięśnia sercowego na podstawie analizy sygnału elektrokardiograficznego (EKG) przy wykorzystaniu systemu ewolucyjno-neuronowego

Badania prowadzone w ramach rozprawy doktorskiej dotyczyły bardzo istotnej, ze społecznego punktu widzenia, tematyki - zapobiegania chorobom układu krążenia, które są najczęstszą przyczyną zgonów na świecie. Celem prowadzonych badań było stworzenie algorytmów służących do skutecznego, automatycznego rozpoznawania dysfunkcji mięśnia sercowego (prawidłowego rytmu zatokowego, rytmu z rozrusznika oraz 15 zaburzeń pracy serca). Algorytmy były projektowane z myślą o ich zastosowaniu w telemedycynie i urządzeniach mobilnych, wspomagających profilaktykę leczenia chorób układu krążenia. Główny nacisk został położony na skuteczność projektowanego rozwiązania, jednak ze względu na zamiar wykorzystania zaprojektowanych algorytmów w urządzaniach mobilnych dodatkowym kryterium oceny był czas trwania analizy która powinna odbywać się w czasie rzeczywistym. Należy nadmienić, że obecnie opisane, w literaturze naukowej, rozwiązania nie wykazują zadowalającej skuteczności. Teza rozprawy: Zastosowanie systemu ewolucyjno-neuronowego (głębokiego zespołu genetycznie optymalizowanych klasyfikatorów), do analizy genetycznie selekcjonowanych cech w postaci składowych częstotliwościowych widmowej gęstości mocy, 10-sekundowych fragmentów sygnału EKG, umożliwi skuteczne i szybkie diagnozowanie wybranych dysfunkcji mięśnia sercowego. Do zaprojektowania i przebadania algorytmów została stworzona baza danych zawierająca 744 fragmenty (10 sekundowe) sygnałów EKG od 29 pacjentów pochodzące z ogólnodostępnej bazy: MIH-BIH Arrhythmia Database. Analizowane fragmenty sygnałów EKG pochodziły tylko z jednego odprowadzenia: MLII. W badaniach zastosowano oryginalną metodologię polegającą na analizie dłuższych (10 sekundowych) fragmentów sygnału EKG. W celu wzmocnienia charakterystycznych cech sygnału EKG estymowano widmową gęstość mocy za pomocą metody Welch'a i dyskretnej transformacji Fouriera. W ramach badań przeprowadzono 6 eksperymentów obejmujących podstawową analizę sygnałów EKG, genetyczną optymalizację parametrów i genetyczną selekcję cech oraz różne typy oryginalnych zespołów klasyfikatorów. Na podstawie przeprowadzonych eksperymentów przeanalizowano i wskazano najlepsze metody dotyczące: przetwarzania wstępnego sygnału, normalizacji, ekstrakcji i selekcji cech (składowych częstotliwościowych), walidacji krzyżowej, klasyfikatorów (SVM, kNN, PNN, RBFNN) i zespołów klasyfikatorów oraz optymalizacji parametrów. W wyniku szczegółowych badań została wytyczona ścieżka (kombinacja metod) dla której uzyskano najwyższą czułość rozpoznawania zaburzeń pracy mięśnia sercowego. Wyniki zweryfikowano za pomocą wyznaczonych współczynników (sumy błędów, czułości, współczynnika kappa, czasu klasyfikacji, itp.) uzyskanych na podstawie macierzy pomyłek. Otrzymane wyniki w pełni potwierdzają słuszność prowadzonych badań i stawianych hipotez oraz udowadniają zrealizowanie celu - skutecznego i szybkiego rozpoznawania patologii pracy mięśnia sercowego. Najlepszy system - głęboki genetyczny zespół klasyfikatorów, uzyskał czułość rozpoznawania, aż 17 klas, na poziomie: SEN = 94.62% (suma błędów: ERRsum = 40 błędów na 744 klasyfikacje, skuteczność: ACC = 99.37%, specyficzność: SPE = 99.66%), przy czasie klasyfikowania jednego fragmentu sygnału EKG na poziomie: Ck = 0.8736 [s]. Na tle aktualnej literatury naukowej jest to najlepszy wynik, potwierdzający sens prowadzenia dalszych badań w tej dziedzinie na podstawie zaproponowanej metodologii.