ОСОБЛИВОСТІ ВИКОРИСТАННЯ МЕТОДІВ НЕЛІНІЙНОЇ ДИНАМІКИ ДЛЯ ОБРОБКИ БІОМЕДИЧНИХ ДАНИХ
DOI:
https://doi.org/10.18372/2310-5461.56.17131Ключові слова:
математична модель, діагностика, прогноз, методи нелінійної динаміки, безпека людини, варіабельність серцевого ритмуАнотація
Застосування безпеки людини сприяє комплексній реакції на багатовимірні причини та наслідки складних проблем. Для розробки методів своєчасної діагностики та прогнозування захворювань серця в рамках проактивного підходу поряд з існуючими методами необхідно використовувати альтернативні методи, які доповнюють традиційний аналіз варіабельності серцевого ритму в часовій і частотній областях. Метою дослідження є аналіз біомедичних сигналів з використанням методів нелінійної динаміки для отримання додаткової корисної інформації про сталість функціонування організму та вдосконалення процесу кількісного оцінювання складності та хаотичності часових рядів за розрахунком вибіркової та наближеної ентропії. Проведено візуалізацію даних та отримано результати розрахунків методами нелінійної динаміки для зменшення інформаційної невизначеність за рахунок оцінювання динаміки серцевого ритму. Запропоновано використання методів нелінійної динаміки для аналізу варіабельності серцевого ритму, що дало нове уявлення про зміни серцевого ритму при різних фізіологічних і патофізіологічних станах. Використання запропонованих методів дає додаткову прогностичну інформацію та доповнює традиційний аналіз варіабельності серцевого ритму, оскільки саме зміна динаміки варіабельності серцевого ритму та частоти серцевих скорочень має прогностичне значення щодо прогресування захворювання (наприклад, ішемічної хвороби серця) та смертність (наприклад, після гострого інфаркту міокарда). І навпаки, індекси варіабельності серцевого ритму обмежені в здатності розрізняти патофізіологічні стани або пацієнтів. Однак при застосуванні до окремої людини протягом певного періоду часу показники можуть бути клінічно корисними, диференціюючи прогресування захворювання.
Посилання
Ivanets O.B., Hnatiuk G.V., Archirei M.V. (2018). A method of assessing the adaptation capabilities of Antarctic winterers. Bulletin of the Academy of Engineering of Ukraine. No. 1. p. 135-139.
Thayer J.F., Sternberg E. Beyond heart rate variability: vagal regulation of allostatic systems. (2006). Neuroendocrine and Immune Crosstalk. Volume1088, Issue1. p.361. DOI: 10.1196/annals.1366.014.
Goldberger A. L., Amaral L. A., Hausdorff J. M., Ivanov P. C., Peng C. K. & Stanley H. E. (2002). Fractal dynamics in physiology: alterations with disease and aging. Proc. Natl Acad. Sci. USA 19 (Suppl. 1), р.2466–2472. DOI:10.1073/pnas.012579499.
Norris PR, Morris JA Jr, Ozdas A, Grogan EL, Williams AE. (2005). Heart rate variability predicts trauma patient outcome as early as 12 h: implications for military and civilian triage. J Surg Res. No. 129(1). р.122-8. doi: 10.1016/j.jss.2005.04.024. Epub 2005 Jun 23. PMID: 15978622.
Francesco B, Maria Grazia B, Emanuele G, Valentina F, Sara C, Chiara F, Riccardo M, Francesco F. (2012). Linear and nonlinear heart rate variability indexes in clinical practice. Comput Math Methods Med.PMID: 22400047. р.:219080. DOI: 10.1155/2012/219080. PMCID: PMC3287009.
Norris P.R. S.M. Anderson, J.M. Jenkins, et al. (2008). Heart rate multiscale entropy at three hours predicts hospital mortality in 3,154 trauma patients. Shock. No. 30(1). p.17-22. doi: 10.1097/SHK.0b013e318164e4d0. PMID: 18323736.
Irurzun, I. M., Garavaglia, L., Defeo, M. M., & Thomas Mailland, J. (2021). RR interval time series from healthy subjects (version 1.0.0). PhysioNet. DOI:10.13026/51yd-d219.
Henriques T., Ribeiro M., Teixeira A., Castro L., Antunes L., Costa-Santos C. (2020). Nonlinear Methods Most Applied to Heart-Rate Time Series: A Review. Entropy. №22. р.309. DOI:10.3390/e22030309.
Golińska A. K. (2013). Poincar´e Plots in Analysis of Selected Biomedical Signals. Studies In Logic, Grammar And Rhetoric. № 35 (48). р.117-127. DOI: 10.2478/slgr-2013-0031.
Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P.C., Mark, R., Mietus, J.E., Moody, G.B., Peng, C.K. and Stanley, H.E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online]. 101 (23), pp. e215–e220.
Takens, F. (1981). Detecting strange attractors in turbulence. In: Rand, D., Young, LS. (eds) Dynamical Systems and Turbulence, Warwick 1980. Lecture Notes in Mathematics, vol 898. Springer, Berlin, Heidelberg. DOI:10.1007/BFb0091924.
Falconer, Kenneth J. (2003). Fractal geometry. Mathematical foundations and applications. Second Edition. John Wiley & Sons, Inc., Hoboken, New Jersey. 336p.
Strogatz, Steven (1994). Nonlinear Dynamics and Chaos : with Applications to Physics, Biology, Chemistry, and Engineering. Perseus Books. ISBN 978-0-201-54344-5
Grassberger, P. & Procaccia, I. (1983). Estimation of the Kolmogorov entropy from a chaotic signal. Phys. Rev. A 28, 2591–2593. DOI:10.1103/PhysRevA.28.2591.
Richman, J. S. & Moorman, J. R. (2000). Physiological time-series analysis using approximate entropy and sample entropy. Am. J. Physiol. Heart Circ. Physiol. №278, H2039–H2049.
Xiong W., Faes L., Ivanov P.C. (2017). Entropy measures, entropy estimators, and their performance in quantifying complex dynamics: Effects of artifacts, nonstationarity, and long-range correlations. Phys. Rev. E. №95. р.062114. DOI: 10.1103/PhysRevE.95.062114.
Shchapov P.F. Ivanets O.B., Sevryukova O.S. (2020). Dynamic properties of the time series of results of biomedical measurements Science-intensive technologies. 46, № 2. p. 236 - 244. DOI: 10.18372 / 2310-5461.46.14811.
Eremenko V.S. Burichenko M.Yu., Ivanets O.B. (2020). Method of processing the results of measurements of medical indicators. Science-intensive technologies. 47, № 3. p. 392 - 398. DOI: 10.18372 / 2310-5461.47.
