- •Содержание
- •Перечень обозначений и сокращений
- •Введение
- •1. Анализ современного состояния проблемы
- •1.1 Постановка задачи
- •1.2 Выбор средств разработки
- •2. Концептуальные предложения по разработке программного обеспечения информационной поддержки в медицинской системе
- •2.1 Формирование первичных данных и выборки для обучения нейронной сети
- •2.2 Построение базы данных и архитектуры системы
- •2.3 Построение базы знаний системы и ее обучение
- •3. Разработка программного обеспечения информационной поддержки в медицинской системе c распределенными базами данных и знаний
- •3.1 Описание работы программного обеспечения
- •3.2 Предобработка электрокардиограммы
- •3.2.1 Считывание данных
- •3.2.2 Ресемплирование исходного сигнала
- •3.2.3 Детектирование pqrst комплекса
- •3.2.4 Фильтрация сигнала
- •3.3 Построение векторкардиограммы
- •3.3.1 Расчет и визуализация векторкардиограммы
- •3.3.2 Сглаживание полученного вэкг
- •3.3.3 Сохранение вэкг как масштабированные изображения
- •3.3.4 Сохранение вэкг как облако точек
- •3.3.5 Результаты построения вэкг испытуемых
- •3.4. Определение физиологических параметров
- •3.4.1 Выделение qrs и st-t петель
- •3.4.2 Вычисление площадей петель
- •3.4.3 Определение угла qrs-t
- •3.5 Приложение с графическим интерфейсом
- •3.6 Создание обучающих данных для моделей машинного обучения
- •3.6.1 Исходный датасет экг
- •3.6.2 Генерация датасета информативных признаков вэкг
- •3.6.3 Генерация датасета изображений на основе вэкг
- •3.6.4 Генерация датасета облаков точек вэкг
- •3.7 Машинное обучение на основе баз знаний
- •3.7.1 Применение машинного обучения
- •3.7.2 Разведочный анализ и переподготовка данных
- •3.7.3 Бинарная классификация для идентификации заболеваний
- •3.7.3.1 Выбор метрик качества для задачи классификации
- •3.7.3.2 Дерево решений
- •3.7.3.3 Случайный лес
- •3.7.3.4 Логистическая регрессия
- •3.7.3.6 Метод опорных векторов
- •3.7.3.7 Градиентный бустинг
- •3.7.3.8 Сравнение ml алгоритмов классификации
- •3.8 Определение величины фракции левого желудочка
- •3.8.1 Выбор метрик качества для задачи регрессии
- •3.8.2 Линейная регрессия
- •3.8.3 Градиентный бустинг
- •3.8.4 Сравнение ml алгоритмов регрессии
- •3.9 Анализ эффективности работы системы и обработки данных
- •Заключение
- •Список использованных источников
Программное обеспечение информационной поддержки в медицинской системе c распределенными базами данных и знаний
Содержание
1.1 Постановка задачи 11
1.2 Выбор средств разработки 32
2.1 Формирование первичных данных и выборки для обучения нейронной сети 37
2.2 Построение базы данных и архитектуры системы 46
2.3 Построение базы знаний системы и ее обучение 48
3.1 Описание работы программного обеспечения 61
3.2 Предобработка электрокардиограммы 64
3.2.1 Считывание данных 64
3.2.2 Ресемплирование исходного сигнала 66
3.2.3 Детектирование PQRST комплекса 67
3.2.4 Фильтрация сигнала 69
3.3 Построение векторкардиограммы 71
3.3.1 Расчет и визуализация векторкардиограммы 71
3.3.2 Сглаживание полученного ВЭКГ 71
3.3.3 Сохранение ВЭКГ как масштабированные изображения 73
3.3.4 Сохранение ВЭКГ как облако точек 74
3.3.5 Результаты построения ВЭКГ испытуемых 75
3.4. Определение физиологических параметров 77
3.4.1 Выделение QRS и ST-T петель 77
3.4.2 Вычисление площадей петель 78
3.4.3 Определение угла QRS-T 78
3.5 Приложение с графическим интерфейсом 79
3.6 Создание обучающих данных для моделей машинного обучения 83
3.6.1 Исходный датасет ЭКГ 83
3.6.2 Генерация датасета информативных признаков ВЭКГ 83
3.6.3 Генерация датасета изображений на основе ВЭКГ 84
3.6.4 Генерация датасета облаков точек ВЭКГ 86
3.7 Машинное обучение на основе баз знаний 87
3.7.1 Применение машинного обучения 87
3.7.2 Разведочный анализ и переподготовка данных 89
3.7.3 Бинарная классификация для идентификации заболеваний 91
3.8 Определение величины фракции левого желудочка 102
3.8.1 Выбор метрик качества для задачи регрессии 102
3.8.2 Линейная регрессия 102
3.8.3 Градиентный бустинг 103
3.8.4 Сравнение ML алгоритмов регрессии 104
3.9 Анализ эффективности работы системы и обработки данных 104
Перечень обозначений и сокращений 4
Введение 5
1. Анализ современного состояния проблемы 9
1.1 Постановка задачи 9
1.2 Выбор средств разработки 30
2. Концептуальные предложения по разработке программного обеспечения информационной поддержки в медицинской системе 35
2.1 Формирование первичных данных и выборки для обучения нейронной сети 35
2.2 Построение базы данных и архитектуры системы 44
2.3 Построение базы знаний системы и ее обучение 46
3. Разработка программного обеспечения информационной поддержки в медицинской системе c распределенными базами данных и знаний 57
3.1 Описание работы программного обеспечения 57
3.2 Предобработка электрокардиограммы 60
3.2.1 Считывание данных 60
3.2.2 Ресемплирование исходного сигнала 62
3.2.3 Детектирование PQRST комплекса 63
3.2.4 Фильтрация сигнала 65
3.3 Построение векторкардиограммы 67
3.3.1 Расчет и визуализация векторкардиограммы 67
3.3.2 Сглаживание полученного ВЭКГ 67
3.3.3 Сохранение ВЭКГ как масштабированные изображения 69
3.3.4 Сохранение ВЭКГ как облако точек 70
3.3.5 Результаты построения ВЭКГ испытуемых 71
3.4. Определение физиологических параметров 73
3.4.1 Выделение QRS и ST-T петель 73
3.4.2 Вычисление площадей петель 74
3.4.3 Определение угла QRS-T 74
3.5 Приложение с графическим интерфейсом 75
3.6 Создание обучающих данных для моделей машинного обучения 79
3.6.1 Исходный датасет ЭКГ 79
3.6.2 Генерация датасета информативных признаков ВЭКГ 79
3.6.3 Генерация датасета изображений на основе ВЭКГ 80
3.6.4 Генерация датасета облаков точек ВЭКГ 82
3.7 Машинное обучение на основе баз знаний 83
3.7.1 Применение машинного обучения 83
3.7.2 Разведочный анализ и переподготовка данных 85
3.7.3 Бинарная классификация для идентификации заболеваний 87
3.7.3.1 Выбор метрик качества для задачи классификации 87
3.7.3.2 Дерево решений 88
3.7.3.3 Случайный лес 90
3.7.3.4 Логистическая регрессия 91
3.7.3.5 K-ближайших соседей 93
3.7.3.6 Метод опорных векторов 94
3.7.3.7 Градиентный бустинг 95
3.7.3.8 Сравнение ML алгоритмов классификации 96
3.8 Определение величины фракции левого желудочка 97
3.8.1 Выбор метрик качества для задачи регрессии 97
3.8.2 Линейная регрессия 98
3.8.3 Градиентный бустинг 99
3.8.4 Сравнение ML алгоритмов регрессии 100
3.9 Анализ эффективности работы системы и обработки данных 100
Заключение 113
Список использованных источников 118