vol. 4 3/2015 Inżynier i Fizyk Medyczny
168
kardiologia
\
cardiology
artykuł naukowy
\
scientific paper
ona możliwość zbudowania systemu zdolnego komunikować się
z ludźmi bezpośrednio w języku naturalnym, rozumieć niuanse,
przyjmować polecenia oraz planować ich realizację [1, 4].
Podsumowując, sztuczna inteligencja towspólna gałąź dwóch
dziedzin informatyki oraz robotyki, jako dyscyplin naukowych.
Jako cecha systemów nie jest przedmiotem badań informatyki
i robotyki, lecz dziedziny zwanej kognitywistyką.
Sztuczne sieci neuronowe
Sztuczne sieci neuronowe mają zadanie naśladować cechy cha-
rakteryzujące biologiczne systemy nerwowe: odporność na
uszkodzenia oraz zdolność do uczenia się [3, 4].
Nie wiadomo, w jaki sposób ludzki mózg uczy się i zapamię-
tuje informacje, ale naśladujące go sztuczne sieci neuronowe,
które wzorowane są na prawdziwych komórkach nerwowych,
potrafią zapamiętywać i uczyć się na podstawie wcześniej gro-
madzonych danych. Sztuczne sieci neuronowe mogą podejmo-
wać decyzje, a także zastępować człowieka w skomplikowanych
czynnościach wymagających nie tylko wiedzy, ale i intuicji. To
wszystko jest możliwe ze względu na posiadaną strukturę, która
opiera się na zasadzie działania biologicznego neuronu [5].
Sztuczna sieć neuronowa to uproszczony i bogaty model rze-
czywistego biologicznego systemu nerwowego. Składa się z du-
żej liczby elementów przetwarzających informacje – sztucznych
neuronów. Sztuczny neuronma zredukowane funkcje względem
biologicznego odpowiednika ograniczające się do wykonywania
kilku najprostszych zadań [3, 5, 6, 7, 8].
Sztuczne sieci neuronowe są wygodnym i przydatnym na-
rzędziem do realizowania wielu praktycznych zadań. Znalazły
zastosowanie m.in. w finansach, medycynie, inżynierii, geologii
i fizyce. Pojęcie sztucznych sieci neuronowych pojawia się tam,
gdzie występuje przetwarzanie, analiza danych, klasyfikacja czy
sterowanie. Sztuczne sieci neuronowe w rzeczywistości to tech-
niki modelowania, które wykazują zdolność do odwzorowania
złożonych funkcji. Ich najważniejszą zaletą jest kontrola nad pro-
blemem wielowymiarowości. Sieci neuronowe same konstruują
potrzebne użytkownikowi modele, ponieważ automatycznie
uczą się na podanych przez niego przykładach [5, 6].
Rodzaje sztucznych sieci neuronowych
Sposoby połączenia neuronów oraz ich współdziałanie dały pod-
stawy opracowania różnych rodzajów sieci neuronowych. Na
typ sieci ma wpływ kierunek przepływu sygnału. Każdy typ sieci
charakteryzuje się własną metodą doboru wag, czyli uczenia się.
Istnieje wiele rodzajów sieci neuronowych, jednak najbardziej
podstawowe to:
•
sieci jednokierunkowe
o
jednowarstwowe
o
wielowarstwowe
•
sieci rekurencyjne
•
sieci komórkowe [9].
Proces uczenia się
Sieci neuronowe nie są programowane w sposób typowy dla kla-
sycznych programów komputerowych. Istnieją metody uczenia
i samouczenia pozwalające uzyskać działanie nawet wówczas,
gdy twórca nie zna algorytmu, według którego można rozwią-
zać postawione zadanie [7, 10, 11].
Wyróżnia się dwa sposoby uczenia sieci: uczenie z nauczycie-
lem – uczenie nadzorowane (
supervised learning
) oraz uczenie
bez nauczyciela – uczenie nienadzorowane (
unsupervised lear-
ning
). Elementem różnicującym powyższe sposoby uczenia jest
struktura zbioru uczącego. Jeśli mówimy o uczeniu z nauczy-
cielem, w trakcie uczenia wykorzystywany jest zbiór uczący za-
wierający przykładowe zadania wraz
z ich wzorcowymi rozwią-
zaniami. W zbiorze uczącym zapisane są wartości zmiennych,
które wprowadzane są na wejściu sieci oraz odpowiadające im
wartości zmiennych wyjściowych. Ten proces uczenia może być
precyzyjnie kontrolowany, a tym samym skutecznie prowadzony
[2, 11, 12, 13, 14, 15].
Elektrokardiogram
Elektrokardiogram EKG, wraz z zapisem elektrycznej aktywno-
ści serca, dostarcza wartościowych informacji o czynności i bu-
dowie serca. EKG rejestruje również aktywność innych mięśni,
m.in. mięśni szkieletowych [16, 17, 18, 19, 20, 21].
Dopiero pod koniec XX wieku pojawiły się pierwsze próby au-
tomatycznej analizy sygnałów EKG. Pierwsze metody dotyczyły
automatycznego wyznaczania prostych parametrów, takich jak
np. długość załamków itp. Pełna automatyczna analiza i diagno-
styka bazująca na sygnałach EKG ciągle stanowi wyzwanie ba-
dawcze. W celu rozpoznawania sygnałów EKG stosowano różne
rodzaje sieci neuronowych, od klasycznych sieci wielowarstwo-
wych uczących się metodą propagacji wstecznej błędu do wy-
rafinowanych sieci rekurencyjnych. W ostatnich latach ukazało
się wiele publikacji, których przedmiotem jest analiza zapisu
elektrokardiogramu pod względem wykrycia zmian lub zabu-
rzeń pracy układu krążenia, a przede wszystkim automatyczne-
go rozpoznawania i klasyfikowania rytmów serca, co jest istotne
z punktu widzenia diagnostyki medycznej. Do analizy elektro-
kardiografii najczęściej stosuje się perceptron wielowarstwowy
oraz sieć ze wsteczną propagacją.
Część badawcza
Sygnały elektrokardiograficzne wykorzystane w części ekspery-
mentalnej zostały pozyskane z dwóch źródeł: Gdańskiego Uni-
wersytetu Medycznego (GUM-u) oraz portalu internetowego
MIT-BIH Arrhythmia Database.
