Статья: Информационная технология оперативного определения жизнеугрожающих состояний сердечно-сосудистой системы

Внимание! Если размещение файла нарушает Ваши авторские права, то обязательно сообщите нам

Fig. 7. The square of the ECG derivative (signal at point D in fig. 2)

Следующим действием является интегрирование. Задачей интегрирования является сглаживание сигнала W , полученного на предыдущем шаге.

Параметры интегрирования хранятся в первом хранилище данных (см. рис. 1, 2). Ширина окна h выбирается исходя из следующих соображений:

• слишком большая ширина приведет к тому, что выходные сигналы, связанные с комплексом QRS и зубцом T, будут сливаться;

• слишком маленькая ширина приведет к нескольким пикам для единственного QRS- комплекса.

Пример сигнала после интегрирующего фильтра представлен на рис. 8. В данном примере была выбрана ширина окна h = 30 :

Рис. 8. Результат интегрирования квадрата производной (сигнал в точке Е на рис.2)

Fig. 8. The result of integrating the square of the derivative (signal at point E in fig. 2)

В рассматриваемом примере порог изображен горизонтальной линией на рис. 8 (см. выше). Пороговая функция не в масштабе и исходный электрокардиосигнал представлены на рис. 9.

Рис. 9. Пороговая функция и исходный электрокардиосигнал

Fig. 9. Threshold function and baseline electrocardiosignal

Отметим, что в результате фильтрации электрокардиосигнала пороговая функция смещается вправо по оси времени. При этом участки пороговой функции, где ее значение равно 1 (пики), не совпадают с комплексами QRS (см. рис. 9).

Параметр щ хранится в первом хранилище данных (см. рис. 1, 2). Также отметим, что ширина пика пороговой функции может быть меньше, чем ширина комплексов QRS. Поэтому данные участки расширяются на некоторую константу щ по следующему правилу: если W = 1 и W+i = 0, то W = 1, J = i +1,-Щз. Параметр щ также хранится в первом хранилище данных (см. рис. 1, 2).

Далее формируется сигнал Y, содержащий только QRS комплексы: Y = X 'W .

Результат представлен на рис. 10.

Рис. 10. Комплексы QRS (сигнал в точке Ж на рис. 2)

Fig. 10. QRS complexes (signal at point G in fig. 2)

Комплексы QRS используются для анализа аритмии сердца и принятия решения о возникновении жизнеугрожающей ситуации. Поэтому достоверность выделенных комплексов чрезвычайно важна. Для повышения достоверности выделения комплексов QRS предлагается дополнительно осуществлять анализ их формы. Анализ сводится к сравнению комплексов QRS с шаблонами. Шаблоны комплексов QRS задает врач для каждого пациента. При этом множество заданных шаблонов разбивается на два подмножества, N и К. Подмножество N содержит допустимые QRS-комплексы, К - опасные QRS-комплексы. С каждым шаблоном QRS-комплекса из множества K врач связывает сообщения, выводимые пациенту при обнаружении соответствующего комплекса в ЭКГ пациента.

Таким образом, решаются две задачи:

1) Исключение ошибочно обнаруженных комплексов QRS. Ошибка может возникнуть при появлении в электрокардиосигнале помехи, представляющей собой импульс с крутым фронтом.

2) Обнаружение жизнеугрожающих состояний ССС, связанных с обнаружением комплекса QRS заданной формы.

Сравнение выделенных из ЭКГ пациента QRS-комплексов с заданными шаблонами осуществляется с помощью алгоритма, основанного на методе Dynamic time warping (DTW) [Al-Naymat, et. al., 2012], который представляет собой технику эффективного выравнивания временных рядов. Детально использование метода DTW для оценки формы QRS -комплексов рассмотрено в работах [Муромцев и др., 2019; Muromtsev, et. al., 2020].

Если все заданные шаблоны находятся на большом DTW расстоянии от выделенного QRS-комплекса, то считается, что данный комплекс выделен ошибочно. Этот участок ЭКГ пропускается.

Заключение

В работе рассмотрен подход к построению мобильного устройства, позволяющего снимать ЭКГ пациента и оперативно определять жизнеугрожающие состояния его ССС. Рассмотрены модели потоков данных в таком устройстве и этапы ЦОС ЭКГ. Использование предлагаемого подхода позволяет создать мобильное устройство, отличающееся высоким уровнем персонификации и надежности. Надежность обусловлена тем, что помимо известных подходов к построению алгоритмов ЦОС, используемых для выявления комплексов QRS, также используется алгоритм, основанный на методе DTW. Этот метод широко применяется для обработки звуковых сигналов, в данном же контексте его использование является новым.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Список литературы

1. Ефремова О.А., Никитин В.М., Чурносов М.И., Камышникова Л.А., Липунова Е.А., Муромцев В.В. 2016. Виртуальный способ оценки риска развития ишемической болезни сердца у носителей полиморфных кардиогенов. Научные ведомости Белгородского государственного университета. Серия «Медицина. Фармация», 26 (247): 76-83.

2. Муромцев В.В., Никитин В.М., Ефремова О.А., Камышникова Л.А. 2019. Подход к улучшению автоматизированной системы компьютерного анализа электрокардиограммы. Медицинские технологии. Оценка и выбор, 2 (36): 42-48.

3. Обухов С.А., Степанов В.П. 2019. Алгоритм обнаружения QRS -комплекса на электрокардиограмме в реальном времени. Инженерный журнал: наука и инновации, 5. [Электронный ресурс] URL: http://dx.doi.org/10.18698/2308-6033-2019-5-1877. (дата обращения 12 декабря 2020).

4. Петров С.П., Епишина Е.В., Воронин В.В. 2014. Оценка алгоритмов распознавания образов для задач автоматического анализа электрокардиограмм. Евразийский союз ученых, (8-8): 27-29. [Электронный ресурс] URL: https://euroasia-science.ru/wp-content/uploads/2016/11/ evro_8p8_6-169.pdf (дата обращения 12 декабря 2020).

5. Рослякова А.В., Чупраков П.Г. 2012. Сравнительный анализ алгоритмов обнаружения R-зубца Электрокардиосигнала. Вятский медицинский вестник, 2: 29-35.

6. Черемных С.В., Семенов И.О., Ручкин В.С. 2001. Структурный анализ систем: IDEF-технологии. М., Финансы и статистика, 208.

7. Al-Naymat G., Chawla S., Taheri J. 2012. SparseDTW: A Novel Approach to Speed up Dynamic Time Warping arXiv:1201.2969v1 [cs.DB]. Available at: https://arxiv.org/pdf/1201.2969v1.pdf (accessed 12 December 2020).

8. Ansari S., Farzaneh N., Duda M., Horan K., Andersson H.B. 2017. Review of Automated Methods for Detection of Myocardial Ischemia and Infarction Using Electrocardiogram and Electronic Health Records. IEEE Reviews in Biomedical Engineering, 10: 264-298.

9. Choi E., Bahadori M.T., Schuetz A., Stewart W.F., Sun J. 2016. Doctor AI: Predicting clinical events via recurrent neural networks. In Machine Learning for Healthcare Conference. 56: 301 -318.

10. Fernandez Biscay C., Arini P.D., Rincon Soler A.I. et al. 2020. Classification of ischemic and non-ischemic cardiac events in Holter recordings based on the continuous wavelet transform. Medical & Biological Engineering & Computing, 58, 1069-1078 [Electronic resource] Available at: https://doi.org/10.1007/s11517-020-02134-8. (accessed 12 December 2020).

11. LabVIEW. National Instruments. 2020. [Electronic resource] Available at: http://www.ni.com/. (accessed 12 December 2020).

12. Muromtsev V.V., Nikitin V.M., Efremova O.A., Kamyshnikova L.A., Ushakova S.N. 2020. One of the approaches to automating the analysis of the shape of ECG sections International Journal of Advanced Research in Engineering and Technology (IJARET), 11(7): 179-186.

13. Pan J., Tompkins W.J. 1985. A real time QRS detection algorithm. IEEE transactions on Biomedical Engineering, 32: 230-236.

14. PhysioBank. Databases. 2020. [Electronic resource]. Available at: http://physionet.org/physiobank/database/ (accessed 12 December 2020).

15. Sandau K.E., Funk M., Auerbach A., Barsness G.W., Blum K., Cvach M., Lampert R., May J.L., McDaniel G.M., Perez MV. 2017. Update to practice standards for electrocardiographic monitoring in hospital settings: a scientific statement from the American heart association. Circulation, 136 (19): e273- e344.

16. Steinhubl S.R., Waalen J., Edwards A.M., et al. 2018. Effect of a Home-Based Wearable Continuous ECG Monitoring. Patch on Detection of Undiagnosed Atrial Fibrillation: The mSToPS Randomized Clinical Trial. JAMA, 320 (2): 146-155.

17. Surawicz B., Knilans T. 2008. Chou's Electrocardiography in Clinical Practice. 6th Edition. Saunders, 752.

18. Visio. 2020. [Electronic resource]. Available at: https://www.microsoft.com/ru-ru/microsoft- 365/visio/flowchart-software. (accessed 12 December 2020).

References

1. Efremova O.A., Nikitin V.M., Churnosov M.I., Kamyshnikova L.A., Lipunova E.A., Muromtsev V.V. 2016. Risk virtual method assessment of coronary heart disease in carriers of polymorphic cardiogenic. Scientific bulletin Belgorod State University. Medicine Pharmacy. 26 (247): 76-83. (in Russian)

2. Muromtsev V.V., Nikitin V.M., Efremova O.A., Kamyshnikova L.A. 2019. Approach to Improving the Automated System Computer Analysis of the Electrocardiogram. Medical technology. Assessment and choice, 2 (36): 42-48. (in Russian)

3. Obukhov S.A., Stepanov V.P. 2019. Algorithm for detecting the QRS complex on the electrocardiogram in real time. Engineering Journal: Science and Innovation, 5. Available at: http://dx.doi.org/10.18698/2308-6033-2019-5-1877. (accessed 12 December 2020). (in Russian)

4. Petrov S.P., Epishina E.V., Voronin V.V. 2014. Evaluation of pattern recognition algorithms for the tasks of automatic analysis of electrocardiograms [Electronic resource]. Eurasian union of scientists, (88): 27-29. Available at: https://euroasia-science.ru/wp-content/uploads/2016/11/evro_8p8_6-169.pdf. (accessed 12 December 2020). (in Russian)

5. Roslyakova A.V., Chuprakov P.G. 2012. Comparative analysis of R-wave detection algorithms in electrocardio signal Medical Newsletter of Vyatka, 2: 29-35. (in Russian)

6. Cheremnykh S.V., Semenov I.O., Ruchkin V.S. 2001. Structural Analysis of Systems: IDEF Technologies. Moscow, Finance and statistics, 208. (in Russian)