Professional Documents
Culture Documents
Rsum: Nous proposons dans ce papier deux modles de classificateurs neuronaux destins lidentification
automatique des arythmies cardiaques. Le premier est un rseau de Kohonen combin (SOM-LVQ) pour tre supervis
(SOM : Self Organisation Map et LVQ : Learning Vector Quantization) ; le second est un rseau de fonction bases
radiales RBF (Radial Basis Functions). Notre but principal est davoir un meilleur taux de classification dans un temps
minimum avec des algorithmes simples dans leur mise en oeuvre. La transforme en ondelettes est utilise pour extraire
les paramtres qui caractrisent diffrentes pathologies arythmiques et constituant ainsi les bases dapprentissage et de
gnralisation des rseaux de neurones. Un prtraitement par filtrage adapt par londelette de Symlet a t appliqu
aux signaux avant lextraction. Les signaux ECG exploits dans cette tude sont tirs de la base de donnes MIT-BIH
Arrhythmia Database connue mondialement. Les rsultats obtenus sont satisfaisants avec des taux de reconnaissance
(Tr) moyens respectifs de 95.90% pour le rseau LVQ et 92.56% pour le RBF. Les taux de prdictibilit (Pr) par
individu sont de 100% pour 19 ECG parmi 28 tudis pour les deux algorithmes.
Mots cls: Arythmies cardiaques, Automatique, Classification neuronale, MIT-BIH, RBF, SOM-LVQ, Transforme en
ondelettes.
-1-
SETIT2009
paramtres peuvent tre morphologiques, temporels Lanalyse non linaire par rseau de neurones
tels que en [GRE 00],[KRA 05] et [YAN 05],[OME artificiels (RNA) semble prometteuse pour fournir des
5] ou statistiques ou les deux [GHO 98]. Dans [TSI indicateurs pertinents lidentification de pathologies
04] et [THE 07] seul lintervalle RR est exploit pour cardiaques. La littrature est riche en travaux ayant
chercher plusieurs arythmies. exploit les avantages des RNA pour dtecter ou
classer automatiquement des arythmies cardiaques tels
Dautre part plusieurs mthodes de classification
que [CHA05],[DUB 04],[ELD 02], [FRE 96], [GRE
ont t proposes dans la littrature pour classer les
00], [KRI 95], [LIA 04], [MON 05], [OMR 06], [SIL
battements arythmiques en battement normal ou
98], [THE 07] et [TSI 04] o diffrentes approches de
anormal (arythmique) pour certains et pour dautres
classification ont t abordes. Mais un classificateur
selon diffrents rythmes (TV, BV,...) [THE 07], [TCH
peut tre efficace pour un ECG et chouer avec un
07], [TSI 04] et [KRA 05]. [KRI 95] compare trois
autre ECG ou une autre pathologie. Ce qui justifie le
procdures diffrentes pour caractriser les rythmes
grand nombre de travaux dans ce domaine. Il y aura
classer par un rseau LVQ. Mais dans la majorit des
toujours des investigations car le moindre espoir
cas les paramtres essentiels sont mesurs autour du
damlioration des performances, sauve une vie.
complexe QRS (largeur, forme et amplitude) et
Rcemment Lu et Weng dans [Lu 07], montrent que
plus particulirement la dtection de londe R qui est
pour une tude particulire il est souvent difficile
un paramtre dominant [CHA 05], [BES 07], [TCH
didentifier le meilleur classificateur par manque de
07], [THE 07]. Spcialement pour les arythmies
guide adquat. Beaucoup dtudes comparatives de
auriculaires (fibrillation auriculaire) londe P et
classificateurs sont conduites ; la combinaison de
lintervalle PR sont privilgis [LEP 03].
diffrentes approches peut tre un puissant outil pour
Cette tude varie, nous a permis dtablir un amliorer la qualit des algorithmes de classification.
certain nombre de paramtres significatifs pour classer En particulier, les mthodes qui tiennent compte des
les arythmies prsentes dans le complexe QRS. connaissances a priori des donnes ont eu plus de
succs. Cest pourquoi nous proposons des
algorithmes dapprentissage par quantification
vectorielle (VQ) dont loutil essentiel est le codebook.
Par la construction du codebook, la VQ tient compte
des spcificits de lapplication donne et permet ainsi
dexploiter linformation priori. Il sagit de la
combinaison des algorithmes SOM-LVQ et celui du
rseau RBF. Chaque rseaux (RNA) ayant appris les
caractristiques clefs de chaque arythmie, reoit en
entre, en phase de test, un vecteur de paramtres
(dfinissant un battement cardiaque) issus de la WT,
effectue la discrimination en deux ou plusieurs classes
Figure 1. Caractristiques dun battement cardiaque. darythmies.
Nos rsultats sont valus sur les enregistrements
Inspirs de plusieurs travaux cits, nous proposons dECG de MIT-BIH Data Arrhythmias, trs connue
une approche de reconnaissance automatique pour par les utilisateurs dECG, pour dtecter les
dtecter plusieurs arythmies. Elle met en jeu des pathologies les suivantes : Extra systole ventriculaire
mthodes danalyse non linaire par les rseaux de (V), Extra systole supra-ventriculaire (S), Fibrillation
neurones et des outils danalyse non stationnaire par la ventriculaire (VF), Flottement ventriculaire ( !),
transforme en ondelettes (WT) qui ont des proprits Tachycardie ventriculaire ((VT) et Bradycardie
dadaptation trs intressantes. ventriculaire (Br) que nous allons classer selon le
rythme et la frquence. Les symboles sont ceux
Actuellement la mthode des ondelettes est
utiliss dans MIT-BIH annotation.
devenue une technique, par excellence, trs efficace
pour extraire les paramtres qui caractrisent
larythmie dans ses diffrentes formes. Beaucoup de 1. Mthode
travaux utilisant les ondelettes ont t mens avec
succs, en particulier les articles [BES 07], [DUB 04]
[OME 05],[SEN 95] et [YAN 04] ont largement 1.1. Organigramme de dtection
dmontr lapport de la WT du signal ECG. Elle Nous rsumons lessentiel de la procdure tablie
permet de produire les instants de dbut et de fin des dans lorganigramme de la figure.2. Notre objectif
ondes et intervalles et de filtrer le signal. tant de dtecter et de classer automatiquement les
arythmies, les performances du classificateur
-2-
SETIT2009
dpendent du choix des paramtres significatifs pour de redresser la ligne de base et ramener le signal vers
discriminer les battements normaux des battements un repre normalis. Cette opration est reprsent sur
pathologiques. Selon [SIL 96] et [RAD 99] les la figure.3 et par les quations (1), (2) et (3).
performances dun RNA sont fortement lies la
qualit dextraction des indicateurs de pathologies.
Yecg2 (n) = Yecg1 (n) * f1 (n) (1)
Cest pourquoi, le prtraitement du signal ECG est
ncessaire avant dextraire ces paramtres avec Yecg3 (n) = Yecg2 (n) * f2 (n) (2)
exactitude. Ici, le prtraitement concerne la correction
de la ligne de base et la suppression du bruit. Y corrig (n) = Yecg1 (n) Yecg3 (n) (3)
-3-
SETIT2009
(a)
(b)
Figure 5. Filtrage par ondelette du Symlet : (a) le
signal Ycorrig (n) en bleu et en noir le signal filtr par
sym4 ; (b) la portion zoome dans la figure (a).
-4-
SETIT2009
Ces derniers rsultats seront retenus pour la suite procdure de dtection, par db6, des indicateurs des
de notre travail. Sur le signal ECG corrig, arythmies diagnostiquer. Le principe de localisation
lextraction des paramtres des arythmies sera efficace est bas sur les valeurs maximum absolues et inspire
et prcise. de lalgorithme du passage par zro qui consiste en
lapplication dun filtre particulier possdant une
double proprit : la localisation en temps et en
3. Extraction frquence [DUB 04], [TCH 07]. Les passages zro
Lextraction et l'identification des paramtres des transformes correspondent ici aux extrema
d'ECG sont la base de l'analyse d'ECG et du locaux (les pics) du signal original pour les ondelettes
diagnostic. La dtection prcise des complexes de non symtriques telle que (db).
QRS est trs importante, cet effet nous avons utilis
la transforme en ondelettes du Daubechies (dbN)
pour extraction des paramtres [MIS 03]. Les
ondelettes dbN ont les mmes proprits que les
Symlets mais pas symtriques surtout pour les faibles
valeurs de N diffrentes de 1. Les dbN ont souvent
taient trs efficaces dans beaucoup de travaux de
dtection et de compression de lECG. Le lecteur
intress par la thorie des ondelettes, peut consulter
la littrature [HLA 05],[MIS 03],[SEN 95],[LIA
04],[TCH 07] qui est trs riche car les ondelettes sont
actuellement loutil par excellence du traitement et de
lanalyse du signal. Le choix de l'ondelette dpend Figure 6. Leffet de londelette de DAUBECHIES en
surtout des proprits (orthogonalit et continuit pour rouge sur le signal ECG100 de MIT-BIH en noir.
assurer lunicit des coefficients) et de l'application,
Les indicateurs de pathologies sont choisis avec
3.1. Application de londelette de Daubechies soin en sinspirant de la bibliographie en rfrence en
particulier [CHAL 05],[DUB 04] et [THE 07]. Il sagit
3.1.1. Calacul de la CWT de : lintervalle RR, la frquence cardiaque,
Soit x(t) le signal (ECG) tre analys, londelette lamplitude des ondes Q, R, et S ainsi que la dure et
mre (t) est choisie pour servir de prototype toutes la surface du complexe QRS.
les fentres. Toutes les fentres qui sont employes
(ondelettes filles) sont des versions dilates (ou
comprimes) et dcales de l'ondelette mre voir le
figure 6.
La CWT est une fonction de deux paramtres et s
(les mmes que dans 1.2.B), qui est le coefficient de la
(WT) du signal x(t) en utilisant lodelette mre
danalyse (.):
(6)
-5-
SETIT2009
-6-
SETIT2009
battements, est prise en considration. Nous les rendent trs intressants pour tre utiliss comme
appliquons lalgorithme LVQ1 qui consiste classificateurs [RAD 99], [FAL 98] et [BEN 06] : Ils
prsenter nouveau des vecteurs de caractristiques peuvent raliser des surfaces de dcision de
au rseau, et rajuster les vecteurs de poids de complexit arbitraire en s'adaptant facilement de
manire minimiser le taux global derreurs de nouveaux scnarios par l'augmentation du nombre de
classification. neurones sur la couche cache. Lapprentissage du
rseau RBF est hybride puisquil est non-supervis
Lalgorithme LVQ1 comprend deux couches : une
pour la couche cache et supervis pour la couche de
couche descriptive et une couche prdictive, la
sortie. Le but de l'apprentissage non-supervis est de
seconde supervise la premire. Les neurones de la
trouver les vecteurs poids des neurones de la couche
premire couche reprsentent les classes et travaillent cache, qui dfinissent les centres des rgions de
de faon comptitive. Ceux de la deuxime couche sensibilit associes.
reprsentent les prdictions et travaillent de faon
supervise. Lors de la comptition, seuls les poids Les paramtres principaux rgler dans un rseau
Wi(t) du neurone gagnant (selon le plus proche voisin) RBF sont:
sont modifis par la rgle dapprentissage suivante des 1. Le nombre de neurones RBF (nombre de
quations (7),(8) et (9): neurones dans lunique couche cache) : Ce nombre
est gal au nombre de vecteurs dentre.
Wi (t + 1) = Wi (t ) + (t )(
. x Wi )
T
xi
(8) ci = (11)
i =1 T
Sil est vainqueur et est associ la mme classe
de x. Avec T le nombre de donnes appartenant la classe
Ci ; x i : une donne quelconque.
Wi (t + 1) = Wi (t ) (t )(
. x Wi ) (9)
3. La largeur de ces gaussiennes : Une fois tous les
centres cj choisis, il faut dterminer la largeur () des
Sil est vainqueur mais nest pas associ la mme gaussiennes qui est le champ rcepteur. Si on choisit
classe de x. un gal pour toutes les gaussiennes, une rgle
empirique consiste exprimer par lquation (12):
(t), le coefficient dapprentissage, varie selon la
N
condition suivante: 0 < (t ) < 1 et dcrot avec le d
temps pour affiner la sparation.
j = x c
N 8 i=1
i j 1 j M (12)
conditions suivantes:
1. Lerreur quadratique moyenne est infrieure 10-10. xi c 1 i N
f i , j ( x ) = exp
j
o (14)
2. Le nombre ditrations maximum est gal 500. 2 . 2
{1 j M
-7-
SETIT2009
pris : Une couche cache de 6 neurones. La largeur des La distribution des tiquettes sur les deux cartes,
noyaux (les gaussiennes) de la couche cache est, en montre bien une discrimination entre les diffrentes
moyenne, fixe avec un = 0.8. Une couche de sortie pathologies, ce qui signifie que les indicateurs choisis
de 2 neurones (2 classes : battement normal et sont reprsentatifs des pathologies. La qualit de
battement anormal). classification est exprime par les statistiques relatives
la sensibilit Se, la prdictivit Pr et au taux de
4.3. Rsultats et interprtations bonne classification Tr.
-8-
SETIT2009
-9-
SETIT2009
Patient Tr % Pr % Se % Patient Tr % Pr % Se %
100 88,24 97,83 90 100 94,12 100 94
101 54 95,24 47,62 101 100 100 100
102 96 95,92 100 102 92,16 93,88 97,87
103 91,49 66,67 100 103 100 100 100
109 91,90 61,90 100 109 95,31 96,77 98,36
200 96,83 98,36 98,36 200 93,75 96,77 96,77
203 98,67 98,63 100 203 90,67 93,06 97,10
205 98,36 100 93,75 205 100 100 100
207 89,39 94,44 92,73 207 80 83,05 94,23
208 92,96 98,40 93,85 208 90,79 95,45 94,03
Moy. 86,79 90,74 91,63 Moy. 93,68 95,90 97,24
Tableau 3. Statistiques de classification par SOM- Tableau 4. Statistiques de classification par RBF
LVQ selon le rythme. selon le rythme.
Les auteurs de [TSI 05] appliquent trois rgles Tr = 96.05%. Dans les mmes conditions locales que
fournies par un systme expert mdical, les rsultats [OME 05] nous avons eu des Pr et Se ayant atteint des
obtenus pour classer des battements arythmiques selon taux de 100% dans beaucoup de cas. Pour 19 sur 27
la dure de lintervalle RR uniquement, sont de 98%, ECG, les algorithmes SOM-LVQ et RBF ont donn des
mais la mthode nest ralise quaprs plusieurs Pr = 100% concernant la frquence. Les battements
tapes. Rcemment, lapproche utilise par Themis et pathologiques (vrais positifs) sont bien reconnus par
al dans [THE 07] faisant suite [TSI 05], consiste notre approche.
extraire un ensemble de rgles issues de larbre de
Dune manire gnrale les rsultats obtenus avec
dcision transformes en modles de systme expert
les deux algorithmes proposs dans approches ont des
flou pour classer des arythmies cardiaques, avec
valeurs moyennes de taux de reconnaissance (Tr)
comme seul paramtre lintervalle RR. Le meilleur
satisfaisants. Vue la simplicit de la procdure, le coup
taux atteint est alors de 98.5%, juste 0.5% de plus.
de dveloppement faible, ils sont comparables ceux
Lauteur de [Yan 05] propose une technique de
ports dans la littrature.
transformation morphologique base sur un drivateur
multi-chelles qui montre de bons potentiels dans Nous navons pas trouv une diffrence
lanalyse de lECG et la reconnaissance automatique significative entre les deux algorithmes proposs.
des arythmies cardiaques. Cette technique permet de Nanmoins pour certains fichiers par exemple le 208 :
rduire la sensibilit au bruit par chelle et vite le le RBF est plus performant pour discriminer selon la
problme de dviation de position pos la WT. La frquence alors que le SOM-LVQ est plus performant
sparation entre rythmes cardiaques ncessitant un selon le rythme.
choc lectrique ou non est tudie dans [KRA 05] en
utilisant des critres morphologiques et frquentiels, le
score moyen de classement pour plusieurs arythmies 5. Conclusion.
dpasse 93%. En comparant les descripteurs Le but de notre travail est de classer
morphologiques et temps-frquence de lECG, Ivaylo automatiquement des arythmies cardiaques dtectes
[IVA 06] utilise lalgorithme Matching Pursuits sur des signaux ECG rels tirs de la base de MIT-BIH.
pour reprsenter la correlation temps-frquence afin Le choix de classification non linaire par les rseaux
damliorer le travail dcrit dans [KRA 05]. Les de neurones artificiels, largement discut dans la
rsultats obtenus par apprentissage local et spcifiques, littrature, donne de bonnes performances cause de
selon la rgle des K plus proches voisins, sont de : leur pouvoir sparateur des situations complexes telles
94.8%< Pr, Se< 99.9%. Les auteurs de [CHA 05], avec les arythmies supraventriculaires. Les performances
le mme rseau SOM-LVQ, ralisent des taux de Pr = des RNA dpendent galement fortement de la qualit
80.26% et Se=82.30% bien infrieurs ceux du prsent de lextraction des QRS. Les travaux ayant amlior
travail. Cest l, lintrt de lextraction par les lextraction des caractristiques ont eu des rsultats
ondelettes. Larticle [OME 05] combine les levs. La dtection des dbuts et des fins des ondes
informations morphologiques et temporelles pour par ondelettes a t trs efficace pour le complexe
classer des PVC par un robuste rseau de neurone dont QRS. Cest ce qui a guid notre choix de lapproche.
les performances sont entre 95.16 et 96.82% qui sont
Les propos avancs par [LU 07] concernant les
proches de celles ralises par le rseau SOM-LVQ : performances dun classificateur sont confirms ici :
- 10 -
SETIT2009
les mmes donnes peuvent tre classes avec des taux [GRE 00] H.K. Gretchen, L. Barbosa, J. E. Mouson.
diffrents par des rseaux diffrents; cest les cas cits Neural Network Detection of Abnormal Ventricular
plus haut en discussion (102, 208,203..). Beats Using Temporal and Morphological Features
of the Electrocardiographic signal. Propjet de
La moindre amlioration apporte par les recherch PI-449, ISAS2000 de lUniversit
algorithmes est un bon rsultat car a implique la Corrientes Argentine 2000.
sauvegarde dune vie. Nous pouvons dire que notre
procdure a aussi des potentialits importantes mais [GHO 98] H. Gholam, H. Nazeran. Detection and
pour quelle puisse faire lobjet de mthode daide au extraction of the ECG signal parameters.
diagnostique (applicable cliniquement) il faut dabord Engineering in Medicine and Biology Society,
traiter plus dECGs, en particulier pour le rythme, faire 1998. Proceeding of the 20th Annual International
Conference of the IEEE, pp127-130, 20 Oct-1Nov
varier la base de donnes et traiter dautres pathologies
1998,Hong Kong. China
cardiaques. Thoriquement, les rseaux de neurones
sont optimum quand la base de donnes est de trs [HLA 05] F. Hlawatsch, F. Auger. Temps-frquence
grande taille. Il est ncessaire de trouver des Concepts et Outils. Edition Herms Lavoisier 2005.
explications aux rsultats contradictoires entre les deux [HHT] http : //www-ulp ed. strasbg.fr/medecine/cours
rseaux. ECG Troubles du rythme.
[IVA 06] C. Ivaylo, H.G. Gomez,V. Krasteva, I. Jekova,
REMECIEMENT A. Gotchev, K. Egiazarian. Comparative study of
Nous tenons remercier Bendani Djazia et Iles morphological and time-frequency ECG descriptors
Lotfi davoir contribu respectivement lucider les for heartbeat classification. Medical Engineering
rseaux de neurones et pour lanalyse des donnes and Physics, Vol. 28, N9, pp876-887, November
MIT/BIT. 2006.
[JAD 94] JF. Jadouin, "Les Rseaux de Neurones,
REFERENCES principes et dfinitions", Herms, 1994.
[BEN 06] D. Bendani, Z. Chalabi, N. Berrached [KOH 97] T. Kohonen. Self-Organization and
Dtection de pathologies du myocarde par les Associative Memory. Springer-Verlag, 1997.
rseaux de neurons. International Confrence : [KRS 05] V. Krasteva, I. Jekova. Assessment of ECG
JETIM2006, 2imes Journes Algro-Franaises en Frequency and Morphology Parameters for
imagerie mdicales, USTHB, le 21-22 novembre Automatic Classification of life-threatening Cardiac
2006, Algrie. Arrhythmias. Journal of Physiological
[BES 07] R. Besrour, Z. Lachiri, N. Ellouze. Dtection Measurment, Vol.26 N5 pp707-23, October 2005.
de l'Onde R d'un Electrocardiogramme Base sur le [KRI 95] D.E. Kristiansen, J.H. Huoy, T. Eftestol.
Produit Multi-chelles. SETIT March 25-29- 2007 Rhythm detection in ECG signal. Proceeding
- TUNISIA Norwegian Signal Processing Symposium 1995, pp
[CHA 05] Z.Chalabi , N. Berrached, L. Ilies . Dtection 119-124.
des Extrasystoles Ventriculaires par les Algorithmes [LEP 03] R. Le Page. Dtection et analyse de londe P
SOM & LVQ, Colloque Tlcom2005&4mes dun ECG : Application au dpistage de la de la
JFMMA ; 23,24 et 25 Mars 2005, Rabat, Maroc. fibrillation auriculaire. Thse de Doctorat,
[DUB 04] R. Dubois. Application des nouvelles Universit de Bretagne Occidentale, Septembre
mthodes dapprentissage la dtection prcoce 2003.
danomalies lectrocardiographie. Thse de [LIA 04] Y.S. Liang, H.W. Ying and H. Weichih. Using
Doctorat, Universit Paris 6. Janvier 2004. Wavelet Transform and Fuzzy Neural Network for
[TCH 07] D. Tchiotsop. Modlisations Polynomiales VPC Detection from the Holter ECG. IEEE
des signaux ECG. Applications la compression. Trasactions On Biomedical Engineering, Vol. 51,
Thse de Doctorat, Institut Polytechnique de N07, July 2004.
Lorraine, Novembre 2007. [LU 07] D. Lu, Q. Weng. A survey of image Classification
[FRE 96] M.H. Frederic, H. Sowhan. Classification of Methods and Techniques for Improving Classification
Cardiac Arrhythmias using Fuzzy ARTMAP, IEEE Performance. International Journal Remoting Sensing,
Transaction On Biomedical Engineering, Vol. 43, 2007, Vol. 28, N5 pp 823-870.
N4, April 1996. [MIS 03] M. Misiti, Y. Misiti, G. Oppenheim, G.M. Poggi.
[FA 98] F.L. Long, R Unbehauen. Applied Neural Les ondelettes et leurs applications. Edition Hermes
Networks for Signal Processing, Cambridge 2003.
University Presse, 1998.
- 11 -
SETIT2009
[MON 05] J.E. Monzon, M.I. Pisarello. Cardiac Beat [SIL 98] R. Silipo, C. Marchesi. Artifical Neural Networks
Classification using a Fuzzy Interference System. for Automatic ECG Analysis. IEEE Transaction on
Engineering in Medicine and Biology Society, IEEE- Signal Processing, Vol .46, N5, May 1998.
EMBS, 27th International Conference, Shanghay 2005,
pp5582-5584.
[THE 07] P.E. Themis, G.T. Markos, P.E. Costas, P. Costas,
I.F. Dimitrios, K.M. Lampros. A methodology for the
[OME 07] T.I. Omer, G. Laurent, T.A.K. Gregory. Robust Automated Creation of Fuzzy Expert Systems for
Neural Network based Classification of Premature Ischemic and Arrhythmic Beat Classification based on a
Ventricular Contractions using Wavelet Transform and Set of Rules obtained by a Decision Tree. Journal
Timing Interval Features. Journal IEEE Transactions On Artificial Intelligence in Medicine Vol 40, N3, pp 187-
Biomedical Engineering, Vol. 53, N12, December 2006, 200, July 2007.
pp 2507-15.
[TSI 05] M.G. Tsipouras, D.I. Fotiadis, D. Sideris. An
[RAD 99] E. Radoi. Contribution la reconnaissance des Arrhythmia Classification System based on the RR-
objets 3D partir de leur Signature Ferromagntique. Interval Signal. Artificial Intelligence in Medicine, Vol
Thse de Doctorat, UFR Science techniques, Universit 33, N3, pp237-250, March 2005.
de Bretagne Occidentale, 1999.
[YAN 05] S. Yan, L.C. Kap, M.K. Shankar. Characteristic
[SEN 95] L. Senhadji, G Carrault, J.J. Bellanger, G. Wave Detection in ECG Signal using Morphological
Passariello. Comparing Wavelet Transforms for Transform. BMC Cardiovascular Disorder, Vol. 5 N28,
Recognizing Cardiac Patterns, IEEE Engineering in pp 1186-2261, September 2005.
Medicine and Biology, p167-173, March/April I995.
- 12 -