автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.05, диссертация на тему:Система длительного мониторирования функционирования кардиостимуляторов с повышенной достоверностью выделения элементов кардиограмм

На правах рукописи

Щепетов Денис Сергеевич

СИСТЕМА ДЛИТЕЛЬНОГО МОНИТОРИРОВАНИЯ ФУНКЦИОНИРОВАНИЯ КАРДИОСТИМУЛЯТОРОВ с ПОВЫШЕННОЙ ДОСТОВЕРНОСТЬЮ ВЫДЕЛЕНИЯ ЭЛЕМЕНТОВ

КАРДИОГРАММ

05.13.05 - Элементы и устройства вычислительной техники и систем управления

Автореферат диссертации

на соискание ученой степени кандидата технических наук

Автор:

Москва-2011 г.

^ ГЧ У /»

4841581

Работа выполнена в Национальном исследовательском ядерном университете «МИФИ»

Научный руководитель доктор технических наук, профессор Дубровский Игорь Александрович

Официальные оппоненты: доктор технических наук

Соболев Александр Владимирович кандидат технических наук Прилуцкий Дмитрий Анатольевич

Ведущая организация: Национальный исследовательский университет Московский государственный институт электронной техники

Защита состоится 18 апреля 2011 г. в 15 час. 00 мин. На заседании диссертационного совета Д212.130.02 в Национальном исследовательском ядерном университете «МИФИ» по адресу: 115409 Москва, Каширское шоссе, 31, тел. 324-84-98,323-91-76

С диссертацией можно ознакомиться в библиотеке НИЯУ «МИФИ»

Автореферат разослан ^^тяарта 2011 г.

Просим принять участие в работе совета или прислать отзыв в одном экземпляре, заверенный печатью организации. Ученый секретарь

диссертационного совета ¿йг

доктор технических наук, П.К. Скоробогатов

профессор

Общая характеристика работы

Диссертация направлена на решение научно-технической задачи создания системы длительного мониторирования электрокардиограмм (ЭКГ) в условиях функционирования имплантированных электрокардиостимуляторов (ЭКС) с повышенной достоверностью выделения элементов ЭКГ. Мониторирование ЭКС является на сегодняшний день одним из основных методом оценки работы ЭКС наряду с использованием встроенных в ЭКС средств оценки их работоспособности. Основным критерием качества системы длительного мониторирования является достоверность автоматического выделения элементов сигнала ЭКГ и эпизодов работы ЭКС. Достоверность оценивалась по проценту ошибок первого и второго рода по стандартному протоколу тестирования на международных базах данных сигналов АНА-БВ и М1Т-В1Н и на модельных сигналах.

Актуальность темы диссертации. Повышение качества лечения сложных нарушений ритма и проводимости сердца достигается усложнением алгоритмов функционирования ЭКС. Как следствие, усложняется диагностика нарушений функционирования в системе «ЭКС - сердце». Современные ЭКС содержат встроенные узлы телеметрии для запоминания и передачи врачу коротких участков ЭКГ. Однако, память ЭКС имеет довольно малый объем, а встроенные алгоритмы диагностики имеют ряд недостатков. Альтернативный метод диагностики осуществляется с помощью холтеровского монитора (ХМ). Требование к длительности мониторирования в течение 1-2 суток определяется тем, что многие нарушения в системе «ЭКС - сердце» происходят достаточно редко, а для понимания причины возникновения нарушений необходимо проанализировать предысторию возникшего нарушения и его последствия.

Необходимым условием эффективного обнаружения нарушений стимуляции является точное распознавание на ЭКГ стимулов (отметок импульсов) ЭКС, комплексов (^КБ и зубцов Р (сигналов (^ИЗ и Р, описывающих прохождение волны возбуждения по желудочкам и предсердиям соответственно). При длительном монтировании ЭКГ распознавание должно быть, очевидно, автоматическим. Параметры сигналов <3118, Р и импульсов ЭКС различаются на ЭКГ на 2-3 порядка по амплитуде и длительности. Поэтому основная трудность заключается в автоматическом распознавании на ЭКГ сигналов ОЯЭ и Р в присутствии стимулов ЭКС.

При прямом использовании ХМ необходимы более мощные и дорогостоящие аппаратные средства для анализа ЭКГ и более емкая память для сохранения ЭКГ. Альтернативой является регистрация ЭКГ с большей частотой дискретизации и большим разрешением только при возникновении нарушений ритма или при наступлении событий, представляющих интерес для врача.

В России ежегодно имплантируют свыше 20 тыс. ЭКС. Поэтому точное распознавания сигналов QRS и Р на ЭКГ в присутствии стимулов ЭКС и использование полученных данных для анализа нарушений в системе «ЭКС - сердце» является актуальной задачей.

Состояние исследований по проблеме.

Задача повышения достоверности оценивания ЭКС с помощью ХМ может быть разбита на несколько подзадач. Во-первых, задача выделения импульсов ЭКС на поверхностной записи ЭКГ. Сначала эта задача решалась на программном уровне с помощью средств цифровой фильтрации (J. Gillberg, 2007). В работе (Y-Ye Lin, 2010) был предложен гибридный программно-аппаратный метод решения задачи, который позволил существенно увеличить достоверность выделения с 98% до 99,9%.

Во-вторых, задача выделения сигналов QRS и элементов сигналов Р,Т. Для решения задачи используются методы цифровой фильтрации с помощью Фурье (S. Ravindran, 2010) и вейвлет (В. Gunther, 1993) преобразований. Определенные успехи были достигнуты при использовании метода комплексных вейвлетов (A. Charef, 2008). В работе (R. Poli, 1995) оптимальная форма цифрового фильтра определялась методами генетического программирования. Несмотря на то, что значения ошибок распознавания первого и второго рода находятся на достаточно низком уровне 0,2-0,3%, эффективность их применения к анализу стимулированных QRS оказывается достаточно низкой (A. Mousa, 2004).

В-третьих, задача автоматического поиска нарушений ритма и функционирования ЭКС. Для ее решения используются словарные методы (К. Sternickel, 2002), методы нечеткой логики (WG. Baxt, 2002). Эти методы пригодны только для апостериорного анализа длительной записи, так что задача кодирования нарушений в носимом регистраторе остается открытой.

Целью диссертации является разработка системы, позволяющей существенно повысить достоверность распознавания на ЭКГ элементов сигнала QRS и Р для эффективного выделения нарушений в системе «ЭКС - сердце». Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать методы распознавания на ЭКГ сигналов QRS, существенно различающихся по форме, включая сигналы QRS, вызванные импульсами ЭКС и имеющие иную форму и длительность сравнительно с естественными сигналами QRS.

2. Разработать алгоритмы выделения сигналов Р при известных положениях сигнала QRS, позволяющие выделить сигнал Р в случае его зашумления; при высокой частоте сердечных сокращений или при наложении сигнала Р на другие сигналы ЭКГ. Реализовать систему поиска нарушений в работе ЭКС с использованием разработанных алгоритмов.

3. Разработать аппаратно-программные средства для выявления в автоматическом режиме эпизодов работы ЭКС, обнаружения интересующих врача событий и записью информативных участков ЭКГ с большей частотой дискретизации и разрешением.

Методы исследования. В исследованиях использовались методы цифровой обработки сигналов, цифровой фильтрации, распознавания образов, статистического анализа и прототипирования электронных устройств

Научная новизна.

1. Разработан метод выделения элементов сигнала ЭКГ из шума и анализа их формы, основанный на кратно-масштабном резонансном преобразовании специального вида, позволивший уменьшить число ошибок выделения элементов сигнала ЭКГ в 2-4 раза. Эффективность метода подтверждена аналитически на модельных сигналах ЭКГ и тестированием на наборах ЭКГ из международных баз данных.

2. Разработаны алгоритм и устройство обработки ЭКГ с сохранением информативных для врача участков ЭКГ для последующего апостериорного анализа по задаваемых врачом кодам формы информативных сигналов и образцов ритма пациента. Алгоритм и устройство позволяют производить измерения ЭКГ на повышенной частоте дискретизации и дополнительные измерения в момент выявленного нарушения ритма сердца пациента на ЭКГ.

3. Разработан и реализован модуль холтеровского монитора для анализа получаемых данных об элементах ЭКГ и стимулах ЭКС, позволяющий выделять и классифицировать эпизоды работы ЭКС для различных режимов работы ЭКС.

Практическая значимость.

1. Создана программная реализация высокоточного алгоритма выделения элементов сигнала (¿115, позволяющая снизить ошибки распознавания первого рода до 0,04% и второго рода до 0,06%.

2. Создана программная реализация алгоритма выделения сигнала Р при низком значении отношения сигнал-шум, высокой частоте сердечных сокращений и наложении элемента сигнала Р на элементы сигналов предыдущего кардиоцикла.

3. Разработана структура регистратора с автоматически переключаемыми частотами записи ЭКГ 250-1000-8000 Гц, позволяющая сохранять участки ЭКГ, на которых произошло нарушение стимуляции с повышенной частотой для последующего анализа.

4. Разработан программный комплекс оценки нарушений в системе «ЭКС - сердце», позволяющий кодировать и выявлять нарушения стимуляции в зависимости от типа имплантированного ЭКС.

Апробация работы. Экспериментальные образцы разработанной системы длительного мониторирования прошли клинические испытания в Московском городском центре кардиостимуляции на базе ГКБ-4 г. Москвы. Результаты диссертации использованы в программно-аппаратных комплексах «Союз ДМС» и «Холтер ДМС» производства ООО «ДМС Передовые Технологии» и широко используются в клиниках РФ, Республики Беларусь, Казахстана и Италии.

Основные результаты диссертации докладывались на научных сессиях МИФИ (Москва, 2007-2010 гг.); на научной конференции "Электроника, микро-и наноэлектроника" (Нижний Новгород, 2009 г.); на международной конференции «The 4th Russian-Bavarian Conference on Biomedical Engineering» (Москва, 2008 г.).

Результаты, выносимые на защиту.

1. Методы выделения сигналов QRS, Р и стимулов ЭКС, основанные на резонансном кратномасштабном преобразовании.

2. Алгоритмы выделения эпизодов работы ЭКС и нарушений в системе стимуляции.

3. Параметрическая модель сигнала ЭКГ для оценки достоверности выделения элементов, позволяющая получать аналитические оценки числа ошибок первого и второго рода в зависимости от параметров шума.

4. Структурная схема регистратора ЭКГ с переменной частотой дискретизации 2508000 Гц, позволяющая сохранять участки ЭКГ, на которых произошло нарушение стимуляции с повышенной частотой для последующего анализа.

Публикации по теме диссертации. По теме диссертации опубликованы 6 печатных работ, из них одна работа в издании из перечня ВАК. Все работы опубликованы без соавторов.

Структура и объем диссертации. Диссертация содержит 110 страниц, в том числе 15 рисунков, 7 таблиц, список литературы из 99 наименований и состоит из введения, пяти глав, заключения и списка литературы

Содержание диссертации

В первой главе описываются основные методы выделения элементов ЭКГ, выделения эпизодов работы ЭКС и кодирования нарушений ритма и стимуляции. Основные методы выделения элементов сигнала QRS можно разделить на 2 группы: фильтрационные и корреляционные. Алгоритмы группы фильтрационных методов основаны на подборе коэффициентов фильтров, чаще всего линейных, которые дают большой отклик на элементах сигнала QRS. В качестве методов фильтрации используются прямая фильтрация и/или преобразования типа Фурье или вейвлет. К достоинству фильтрационных методов можно отнести их высокую производительность и

невосприимчивость к высокочастотным шумам, сетевым наводкам и низкочастотным колебаниям базовой линии при записи ЭКГ.

К недостаткам фильтрационных методов следует отнести относительно низкое качество работы при наличии (2115-подобных помех и их невысокую точность в случае выделения сигнала в условиях соотношения сигнал-шум менее единицы. Это объясняется тем, они основаны на выделении «полосы», т.е. области пространства частот для КИХ или БИХ фильтров, фазового пространства (для всйвлет), или части словаря элементов (для бимлет) преобразований. Поскольку встречающиеся на ЭКГ элементы сигнала (ЗЯБ, Р, Т и артефакты имеют или близкий, или перекрывающийся частотный диапазон, невозможно подобрать линейный фильтр, позволяющий безошибочно выделять тот или иной элемент сигнала.

Корреляционные основаны либо на корреляции сигнала ЭКГ с заданным образцом, либо на сопоставление участков ЭКГ с заданным образцом или кривой, описываемой некоторой математической моделью. Несомненным достоинством корреляционных методов является устойчивость к С^ЯБ подобным артефактам и способность выделять элементы сигнала ЭКГ в условиях малого отношения сигнал/шум. К недостаткам следует отнести неустойчивость к высокочастотным помехам и, в особенности, низкочастотным колебаниям базовой линии.

Обоснована целесообразность комбинации методов первой и второй группы.

Во второй главе описываются модификации методов выделения элементов ЭКГ и стимулов ЭКС. На модельных ЭКГ показано, что выделение эпизодов работы ЭКС на записях ЭКГ, оцифрованных с частотой 250 - 1000 Гц, с помощью существующих методов является неэффективным. Показано, что более эффективным является выделение эпизодов работы ЭКС непосредственно в носимом регистраторе при частоте дискретизации не менее 8000 Гц. Типичная полоса частот для элементов сигнала ЭКГ составляет 0-125 Гц, а характерные частоты высокочастотного и низкочастотного шумов 50 Гц и 3 Гц соответственно. Таким образом, на частоте дискретизации 8000 Гц основной сигнал представляет собой исключительно сигнал ЭКС.

Построена модель для распознавания на ЭКГ элементов СЖв, Р, Т. Модель имеет

вид:

Ес§(0 = +Р. (1)+(1)+ тоуф) + шиве^), (1)

1

где (З^О) - сигналы (ЗЯБ; 7,(0 - элементы сигнала Р, Т; то\е(1:) ~ низкочастотные помехи и дрейф изолинии; поие(0 - высокочастотные помехи (сетевые наводки и электромиографические сигналы).

Сигналы (^Б задаются в виде линейной комбинации одной из двух форм 1ГшРо1аг(1) и В1Ро1аг(0:

(ДО^) = 1 • 1Мро1аг(х)+ (1 - к) ■ В1Ро1аг(г) ,

(2)

к б [0,1] .

Кривые ишРо1аг(1) и В1Ро1аг(1) имеют следующий вид:

ишРо1аг(0 = (1-1г)-е2^ ,

_

В1Ро1аг(г) = —-— е2 ■ 'Л' - (1+\у) l + w

Коэффициент —5— в формуле (2) был введен для того, чтобы амплитуда элементов С?!^,

1 + ЛУ

являющихся выпуклой комбинацией двух форм, была постоянной. Элементы сигнала Р, Т описываются следующей формулой:

где \Ур и \Ух — имеют смысл ширины элементов сигнала Р и Т.

Высокочастотные шумы задаются в виде ¿¡-коррелированного случайного процесса, с изменяемым коэффициентом автокорреляции ст:

ФН(1 + т)=а-5(т). (3)

Низкочастотные колебания базовой линии описываются с помощью полинома третьего порядка от времени.

тоуе^а+М + с-^+сМ3 . (4)

Для оптимизации методов выделения сигналов (2Ш5 выполнен эксперимент для четырех классов модельных сигналов: 1) высокочастотных шумов, 2) физиологически нормальных сигналов 3) сигналов рИЗ с увеличенной длительностью (к ним

относятся и сигналы вызванные ЭКС), 4) аномальных сигналов (ЗЯБ, длительность которых соответствует длительности сигнала Т. Для этих классов построен график модуля свертки специального С^ЯЗ-подобного фильтра «рф от длительности сигнала Фильтр Ф0) задавался формулой

<р(0 = {-1,-2-3,-4,-3-2-1,0,2,4,6,8,6,4,2,0,-1,-2,-3,-4,-3-2,-1}, Результат фильтрации сигналов классов 1-4 показан на графике рис. 1.

Результат фильтрации

а 0.8 о о

Ё. 0,6 С

и

к 0,4

! :

( 3

| и-

1 1 I

длительность (^ИБ, ОД с

Рис. 1. Зависимость отклика (} ЦБ-подобного фильтра (5) от длительности сигнала <3115.

Как видно, при увеличении длительности нормального сигнала С^ИЗ (точка 2) в два раза отклик фильтра <р(Ц падает примерно в два раза (точка 3) и становится практически равным модулю свертки высокочастотного шума с ф(0 (точка 1). Однако отклик фильтра на широких сигналах <3118 все еще много больше, чем на сигналах Т (точка 4). На записи пациента без ЭКС амплитуда высокочастотных шумов много меньше, чем амплитуда ОЯБ, длительность собственных сигналов С^ЯБ примерно постоянна, а сигналы Т эффективно отсекаются фильтром (5). Поэтому результат выделения сигналов (}Я8 с использованием фильтра (5) может оказаться приемлемым. Но при обработке длительной записи с ЭКС такой фильтр может быть неэффективен, так как в качестве высокочастотных шумов здесь выступают импульсы ЭКС, амплитуда которых может быть много больше ОКБ. а длительность стимулированных и собственных сигналов (ЗЯБ может существенно различаться.

Для того чтобы устранить резкое падение отклика в диапазоне длительностей! сигналов (^ГЙ, вводится преобразование.

Б(1)= шах Ф(уу'Д) ,

Ф(\у,0 =

(6)

При использовании преобразования (6) отклик фильтра на сигналах ОЯБ, различающихся только длительностью, будет одинаков в заданном диапазоне длительностей, что подтверждается графиком на рис. 2.

Результат фильтрации

а 0.8

«о

е

& 0,6 Б

2 0,4

I

С 0.2 0

3

) / 4

(

у

У

длительность (ЗИБ, 0,1 с

Рис. 2. Зависимость отклика нелинейного фильтра (6) от длительности сигнала С1115.

С помощью преобразования (6) удается добиться равного значения отклика нелинейного фильтра в точках (2) и (3). Однако разность между значениями функции отклика в точках (2)-{1) и (3)-(4) оказывается меньше, чем для линейного фильтра (3), что отрицательно влияет на способность фильтра подавлять высокоамплитудные помехи.

Чтобы увеличить эту разность, введем дополнительную функцию подавления:

<3(0=АИ-Ф(№',1), (7)

где

шах ,

График зависимости преобразования (7) от ширины комплекса С}!^ представлен на рис.3.

Рис. 3. Зависимость отклика нелинейного фильтра с функцией подавления (7) от длительности сигнала ОКБ.

Как видно, для преобразования (7) отклик в точках (2) и (3) постоянен, а разность между значением функции в точках (2) - (1) и (3) - (4) больше, чем для линейного фильтра.

Переход от преобразования (5) к преобразованиям (6) и (7) существенно увеличивает объем вычислительных ресурсов для обработки ЭКГ Поэтому предлагается ряд методов сокращения вычислительных затрат.

Во-первых, значения преобразования (5) вычисляются только для малой части сигнала ЭКГ. Поскольку интервал между элементами Я сигнала (ЗЯБ не может быть меньше абсолютного периода рефрактерности, то искать элементы Я следует целесообразно только в точках существенных экстремумов преобразования (5):

где Д1 равно абсолютному периоду рефрактерности. Это объясняется тем, что элемент С^ЯБ имеет наибольшую амплитуду на ЭКГ из всех элементов сигнала, за исключением высокоамплитудных помех. Точка с максимальным значением преобразования (5) не будет принадлежать элементу С)КБ только в случае, если в окрестности радиуса периода рефрактерности элемента (ЗЯБ появится высокоамплитудная ОКБ-подобная помеха. В случае наличия в окрестности элемента (ЗЯБ высокочастотной или низкочастотной помехи с амплитудой, меньшей амплитуды С^ЯБ, максимум преобразования (5) все равно будет достигаться в точке, принадлежащей элементу О ИЗ. Появление высокоамплитудной С^ЯЗ-подобной помехи в окрестности элемента (^ЛБ является событием, вероятностью появления которого можно пренебречь.

Во-вторых, поиск максимума преобразования (6) может осуществляться с применением алгоритмов типа метода Ньютона или метода сопряженного градиента, позволяющего находить максимумы функции за шагов, где N - число точек, в

которых искомая функция проверяется на максимум. В работе использован модифицированный вариант симплекс-метода, который при поиске экстремума дает высокую производительность.

Приведем результаты оценки значений преобразования (6) на модельных высокочастотном и низкочастотных шумах. Для высокочастотного шума жше(0 (3) значение преобразования (6) имеет вид

1^)1= тах |Е(т)|,

т,

а для низкочастотного шума тоуе(0 (4) значение преобразования (6) имеет вид

í>[w,move(t)J =

J<p(t)- move((t - т)- w)- di

> w

Таким образом, если задан диапазон допустимых длительностей элементов QRS, максимум преобразования (6) не может быть достигнут внутри этого диапазона, что исключает вероятность появления ошибки второго рода.

Выполнено тестирование алгоритма, основанного на вычислении преобразования (6), по стандартному протоколу на международных базах данных сигналов AHA-DB, MIT-BIH и отечественной базы Rohmine. Рассчитывался процент ошибок первого рода а (ложно - положительных) и процент ошибок второго рода р (ложно - отрицательных):

а = 100 FN/( TP + FN), Р = 100 FP/( TP + FN), где FN (False Negative) - число ложно отрицательных меток, TP (True Positive) - число истинно положительных меток, FP (False

База а Р

MIT-BIH 0,04 0,06

Aha-DB 0,08 0,09

Rohmine 0,04 0,08

Результаты приведены в табл.1.

Было замечено, для вычисления преобразования (6) число проходов по ЭКГ не превышало 5. Таким образом, данный метод обеспечивает производительность на уровне обычных фильтрационных методов.

Третья глава посвящена методам и алгоритмам выделения элементов Р на длительной записи ЭКГ после распознавания элементов QRS. Особенность автоматического выделения элементов Р на участке между двумя элементами QRS заключается в том, что элемент Р существенно меньше элементов QRS и Т и может быть меньше, чем шумы. Иначе говоря, выделение элемента Р происходит при соотношении сигнал/шум меньшим или равным единицы. Для выделения элемента Р преобразование (6) заменено разложением по базису из заданных однопараметрических ортонормированных функций, а вместо модуля преобразования (6) использован максимум F(t) нормы вектора разложения N(t,w) сигнала ЭКГ по этому базису: F(t) = maxN(t,w) ,

N(t,w) =

IC,(t,w)2

(8)

где

C,(t,w) = J<j>.(t _ x,w) ■ ecg(T)dt . В качестве базисных функций были выбраны функции

где ИИ — - полином Эрмита ¡-го порядка, 1 = 3..10

Использование данного разложения требует существенно больших вычислительных ресурсов, чем преобразование (6). Поэтому были разработаны методы приближенного вычисления преобразования (8). Идея методов - сократить количество операций вычисления максимума преобразования (8) за счет вычисления значения преобразования (8) только в нескольких точках и оценке границ этого значения в точках окрестности. Поиск значения максимума преобразования (8) ведется «сверху вниз», т.е. от больших значений параметра к меньшим. Из фиксированном значении параметра длительности вычисление значения преобразования (8) производится только в точках, удовлетворяющих условию:

Основным методом уменьшения времени обработки является применение коэффициентов, позволяющих вычислить максимум функции в фазовой окрестности точки (^и?) по значению функции в этой точке. Для фильтра (6) условие на максимум функции записывается в следующем виде.

тах |Р(1)|=р,-ФОоЛу), р, <2 (9)

Если оценка максимума (9) меньше уже максимального значения для множества точек с фиксированным параметром длительности то не имеет смысла продолжать поиск (8) в ее окрестности.

Для повышения способности преобразования (8) отделять элементы сигнала Р от остальных элементов сигнала ЭКГ и шумов в качестве аналога функции подавления (7) используется функция:

в которой коэффициент корреляции к вычисляется по формуле

ч

где ^(м^) имеет вид:

(\v.-wj

Таблица 2: Ошибки классификации, %

Таким образом, функция подавления зависит от корреляции вектора разложения, полученного при вычисления преобразования (8) и эталонного вектора, описывающего усредненный элемент Р.

Выполнено тестирование преобразования (8) на достоверность разделения элементов Р и Т на 3000 реальных сигналах из баз данных сигналов Aha-Db и MIT-BIH. Границы элементов Р, Т размечались вручную экспертов (врачом) и для каждого элемента Р или Т указывался его тип. Измерялся средний процент а и ß ошибок при классификации элементов ЭКГ на классы Р и Т. Для каждой ЭКГ классификатор сначала обучался на небольшом (10% от общего числа элементов) случайно сформированном тестовом множестве, а затем классифицировал весь набор данных. Классификация проводилась по методу ближайшего соседа. Результаты тестирования представлены в табл. 2. Как видно, преобразование (8) позволяет с вероятностью ~ 0,99 разделять элементы Р и Т.

Окончательное решение о том, является ли найденный экстремум элементом Р, принимается сравнением значения преобразования (8) с адаптивным пороговым значением. Решение об отсутствии или наличии одного юти нескольких элементов Р (трепетание предсердий) на ЭКГ принимается в зависимости от количества и соотношения амплитуд найденных элементов.

Выполнено тестирование достоверности выделения элемента Р в зависимости от отношения сигнал/шум S/N. Результаты Таблица 3. Достоверность выделения, % представлены в таблице табл. 3.

Примеры выделения элементов Р при высокой частоте сердечных сокращений (ЧСС - 180 уд/мин) и при наличии высокоамплитудных помех и приведены на рис. 4, рис. 5 (элементы Р отмечены стрелками).

Класс а Р

Элемент Р 1,17 0,89

Элемент Т 0,87 1,15

Элемент Р S/N = 2 S/N = 1 S/N = 0,5

Отсутствует 100 100 99,2

Один 99,6 98,5 97,2

Более одного 99,5 96,7 92,4

iM^fJi^ J

, fJ^-üu^- И-'"4

Рис. 4. Выделение элемента Р при высокой ЧСС.

Рис. 5. Выделение элемента Р на зашумленной записи ЭКГ.

Как видно из анализа рис.4 и рис.5, разработанный алгоритм позволяет выделять в автоматическом режиме элементы Р как при малом расстоянии между элементами С^ЯЗ, так и. на сильно зашумленном сигнале. Поскольку две эти ситуации являются наиболее сложными для автоматического выделения элемента Р, высокая достоверность выделения ( табл. 3) позволяет считать задачу решенной.

Четвертая глава посвящена аппаратной реализации предложенных методов и алгоритмов в носимом регистраторе. Общая схема разработанного регистратора представлена па рис.6.

АЦП 8000 Гц

Электроды

Блок выделения ЭКС

Алгоритмический

сопроцессор --

Твердотельная память

<

V_

Шина обмена данными

I

АЦП Блок Основной

250 Гц фильтров — процессор

Твердотельная память

Рис. 6. Структурная схема регистратора.

Для решения задачи разработаны: блок выделения импульсов ЭКС, прошивка алгоритмического процессора, архитектура шины обмена данными, протокол обмена между алгоритмическим и основным процессорами, блок фильтров для удаления шума с ЭКГ.

Основное назначение устройства - осуществлять регистрацию и обработку ЭКГ, а также автоматически увеличивать частоту дискретизации при возникновении на ЭКГ одного из запрограммированных врачом событий. Входной сигнал оцифровывается двумя АЦП с частотами дискретизации 250 Гц и 8000 Гц. Поступающая на вход АЦП 250 Гц ЭКГ очищается от помех и сохраняется со сжатием без потерь. Эта ЭКГ представляет собой основной массив данных, необходимый для дальнейшего анализа. ЭКГ, оцифрованная с частотой 8000 Гц, подвергается процедуре предобработки для формирования канала ЭКС. Далее, сигнал передается на алгоритмический процессор, в котором происходит обработка ЭКГ и предварительное выделение элементов ЭКГ и импульсов ЭКС; в нем же затем проверяется выполнение условий наступления запрограммированных событий. Если условия наступления событий выполнены, сигнал сохраняется в память алгоритмического

процессора следующим образом. Сигнал преобразуется к частоте 1000 Гц и вычисляются два уровня преобразования Хаара:

1,(.)_(Г'(2-1) + Г'(2-3 + 1)) ?

где 1'(]) - значение низкочастотной составляющей сигнала на ¡-том уровне в точке с номером], Ь'О) - значение высокочастотной составляющей сигнала на ¡-том уровне в точке с номером Самый низкочастотный сигнал представляет собой основной сигнал ЭКГ, оцифрованный с частотой 250 Гц. Остальные три компонента сохраняются в памяти регистратора. При считывании ЭКГ основной процессор обращается к алгоритмическому процессору за информацией о том, был ли блок данных записан в формате 1000 Гц. Если блок данных был оцифрован с большей частотой, то он с помощью обратного преобразования Хаара над сохраненной в устройстве информацией достраивается до записи, оцифрованной с частотой 1000 Гц.

Процедура программирования событий заключается в заполнении полей структуры, которая описывает текущие 29 Ш1-интервалов, нормированных на среднюю ЧСС на этих интервалах. Нормировка осуществляется для того, чтобы иметь возможность выявлять события в широких пределах изменения ЧСС.

Также возможно задавать события, зависящие от формы элементов (ЗЯБ. При этом в память устройства записывается набор коэффициентов разложения (8), которые сравниваются с коэффициентами разложения обрабатываемых элементов. При необходимости события объединяются с помощью логических операторов И, ИЛИ, НЕ. Для экономии вычислительных ресурсов сначала вычисляется результат преобразования (6), а затем с помощью полученного параметра ширины вычисляются коэффициенты (8).

Алгоритм предобработки канала ЭКС осуществляется с помощью фильтрами с индексом 2 или 3 из набора (8), настроенных на длительность импульсов ЭКС, и записи результатов в канал ЭКГ, оцифрованный с частотой 250 Гц, по формуле:

ecg(i) = шах I эитП) I .

Блок фильтров на рис. 6 позволяет методом нелинейной фильтрации удалять из сигнала ЭКГ шумы с известными спектральными характеристиками, но при этом передавать без искажений стимулы ЭКС. В фильтре сигнал ЭКГ делится на три потока: первый Е] проходит через фильтр низких частот с частотой среза Н] Гц, второй Е2 проходит через фильтр высоких частот с частотой среза 1_2 Гц, третий Е3 фильтрации не

подвергается. Выходной сигнал представляет собой сумму потоков Е2 и Е} с весом, задаваемым потоком Е^

E,(t)=H,.Ecg(t) ,E2(t)=L2.Ecg(t) ,E3(t) = Ecg(t) ,

out = (i—M-).El(,)+MM .

maxE,(t) maxE,(t)

Результат фильтрации зашумленных с отношением S/N = -5 дБ и относительно чистых сигналов с помощью нелинейного и полосового фильтров Баттерворта третьего порядка с полосами подавления (33, 37 Гц) и (48,52 Гц) представлены на рис. 7, рис. 8.

Ж Шм

! V У * ¥ I л«»\1|

Рис. 7. Зашумленный участок: исходашй сигнал (а), после нелинейной фильтрации (б), после полосовой фильтрации (в).

Рис. 8. Чистый участок: исходный сигнал (а), после нелинейной фильтрации (б), после полосовой фильтрации (в).

Как видно, что нелинейная фильтрация лучше подавляет помехи и создает меньше артефактов сравнительно с полосовой.

В пятой главе описана программная реализация предложенных алгоритмов для персонального компьютера. Изложен метод выделения и регистрации эпизодов работы ЭКС с помощью процедуры предобработки. Сигнал сворачивается с помощью описанного в главе 4 метода и с уменьшенной частотой дискретизации сохраняется в специальном канале. Далее, на каждом участке ЭКГ длительностью L с координатами (t, t+L) методом Expectation-Maximization (ЕМ) решается задача разделения сигнала на информативную и шумовую компоненты. Метод ЕМ выбран по следующим причинам: количество стимулов ЭКС на ЭКГ не велико и даже в отладочном режиме на интервале стимуляции не может больше 3-4 стимулов. Поэтому их можно считать «выбросами» в терминологии алгоритма ЕМ, малочисленность которых гарантирует сходимость алгоритма ЕМ.

Выбор длительности участка определяется следующими условиями: минимальный размер окна должен содержать хотя бы один эпизод работы ЭКС, а также обеспечивать приемлемую точность измерения характеристик шума и приемлемый уровень достоверности нулевой гипотезы (эти значения задаются пользователем). Сверху размер окна должен быть ограничен так, чтобы характер шума был неизменным на протяжении окна. Максимальный размер окна задается пользователем. Алгоритм выделения стимулов ЭКС представлен на рис. 9.

Рис. 9. Алгоритм выделения стимулов ЭКС. Использование переменной длинны окна позволяет максимально аккуратно и без появления систематических ошибок обрабатывать участки с изменяющимися характеристиками шумового сигнала.

Излагается алгоритм выделения эпизодов нарушения процесса стимуляции, основанный на обработке событий методом модифицированных деревьев решений. В рамках этого алгоритма ЭКГ представляет собой поток элементов. Каждый элемент представляет собой либо элементы <3115, Р или Т, либо стимул ЭКС. На первом этапе выделяются элементы сигнала и стимулы ЭКС, на втором этапе вьивляется взаимосвязь между ними. Полученный список элементов обрабатывается с помощью двоичных деревьев решений, в узлах которых лежат функции, принимающие на вход очередь из последних 27 элементов и структуру данных, хранящую текущие усредненные параметры записи: среднюю ЧСС, уровень шума на ЭКГ, тип и режим стимуляции ЭКС. Функции могут содержать условия как на сами элементы, так и на результат выполнения других функций. Результат вычисления функции представляется либо как логическая 1 (событие наступило), либо как логический 0 (событие не наступило). События делятся на промежуточные, которые будут использоваться для вычисления других функций, и конечные, которые имеют смысл для врача. События описываются с помощью ХМЬ-разметки и хранятся в специальном файле описания. При запуске процедуры выявления нарушений стимуляции файл загружается в память ПК, производится построение дерева функций в памяти. Функции, результат работы которых соответствует конечным событиям, располагаются в листьях дерева, а события, от которых зависит большее число других, располагаются ближе к корню. Файл, описывающий события, после каждого

исправления проверяется утилитой, которая ищет синтаксические ошибки, неиспользуемые функции, функции, ссылающиеся на недопустимые элементы, и ряд других нарушений. В случае, если подобные функции найдены выдается сообщение об ошибке с указанием неправильно описанной функции и обработка прекращается.

Предложенная схема позволяет достаточно компактно описать нарушения стимуляции для применяемых типов ЭКС.

В заключении подводятся итоги работы и формулируются основные её результаты..

ЗАКЛЮЧЕНИЕ

Основные научные результаты диссертации заключаются в следующем:

1. Предложен оригинальный метод анализа формы элементов сигнала ЭКГ и выделения их из шума, основанный на кратно-масштабном резонансом преобразовании специального вида.

2. Проведено тестирование метода на наборах тестовых ЭКГ из международных баз данных сигналов АНА-БВ и М1Т-В1Н. Показано, что 1гри выделении элементов сигнала ЭКГ метод позволяет в 2-4 раза уменьшить число ошибок первого и второго рода. Основные практические результаты диссертации заключаются в следующем:

1. Разработаны алгоритм и устройство обработки ЭКГ, позволяющие выделять информативные для врача участки ЭКГ для последующего апостериорного анализа, па основе задаваемых врачом кодов формы сигналов и интервалов между сигналами Устройство позволяет обрабатывать ЭКГ с повышенной частотой дискретизации и выполнять специальные измерения в момент возникновения нарушения функций ЭКС.

2. Разработаны алгоритмы обработки ЭКГ, выделения эпизодов работы ЭКС и классификации импульсов ЭКС по режимам стимуляции. Алгоритмы основаны на анализе кода формы стимула ЭКС, оцифрованного с частотой дискретизации 8000 Гц, и информации о форме и моменте появления элементов Р. сигналов предсердной активности пациента. Реализованный в устройстве алгоритм позволяет выделять и классифицировать эпизоды работы ЭКС для всех режимов работы ЭКС.

Список работ, опубликованных по теме диссертации

1. Щепетов Д.С. Использование бимлет преобразования в задаче кодирования формы комплексов (ЗЯБ II Электроника, микро- и наноэлектроника. Сб. научн. трудов / Под редакцией В.Я. Стенина. - М.: МИФИ, 2009. -С.205-210.

2. Щепетов Д.С. Алгоритм автоматического распознавания зубца Р на длительной записи ЭКГ //Биомедицинские технологии и радиоэлектроника 2009. - №8. - С.98-106

3. Щепетов Д.С. Программно алгоритмический модуль дом расширения диагностических возможностей холтеровской мониторной системы // Научная сессия МИФИ 2008. Сб. научн. трудов. В 15 томах. Т.1. Автоматика, микроэлектроника. Электроника.

Электронные измерительные системы. Компьютерные медицинские системы. Т. 1. -М.:МИФИ, 2008. - С.47-48.

4. Shchepetov D.S. A multiscale algorithm for P-wave parameters estimation II Proc. of 4th Russian-Bavarian Conference on Biomedical Engineering, 2008,132-140.

5. Щепетов Д.С. Алгоритм автоматической детекции зубца Р// Электроника, микро- и наноэлектроника. Сб. научн. трудов / Под редакцией В.Я. Стенина. - М.: МИФИ, 2008. -С.141-146.

6. Щепетов Д.С. Метод улучшения алгоритма пометки комплексов QRS // Научная сессия МИФИ 2007. Сб. научн. трудов. В 15 томах. Т.1. Автоматика, микроэлектроника. Электроника. Электронные измерительные системы. Компьютерные медицинские системы. Т. 1. - М.:МИФИ, 2007. - С.35-39.

Подписано в печать;

14.03.2011

Заказ № 5126 Тираж -100 экз. Печать трафаретная. Типография «11-й ФОРМАТ» ИНН 7726330900 115230, Москва, Варшавское ш., 36 (499) 788-78-56 www.autoreferat.ru

Глава 1. Методы и средства поиска нарушений в системе стимуляции при мониторировании ЭКГ.

1.1. Элементы сигнала ЭКГ.

1.2. Требования к системе поиска нарушений работы ЭКС.

1.3. Методы обработки ЭКГ и выделения элементов сигнала ЭКГ.

1.4. Выводы.

Глава 2. Метод резонансного преобразования.

2.1. Общие требования к методу.

2.2. Модель ЭКГ.

2.3. Резонансное преобразование.

2.4. Оптимизация вычисления значения резонансного преобразования.

2.6. Выводы

Глава 3. Выделение элементов Р и Т сигнала ЭКГ

3.1. Постановка задачи.

3.2. Модификация резонансного преобразования.

3.3. Тестирование модифицированного метода резонансного преобразования.

3.4. Алгоритм обучения.

3.4. Выводы.

Глава 4. Аппаратные средства.

4.1. Структурная схема системы длительного мониторирования.

4.2. Алгоритм работы алгоритмического сопроцессора.

4.3. Способ кодирования ЭКГ.

4.4. Фильтрация и корректность передачи ЭКГ.

4.5. Выводы.

Глава 5. Программная реализация.

5.1. Особенности программной реализации выделения эпизодов работы ЭКС.

5.2. Программная оптимизация алгоритмов выделения элементов сигнала ЭКГ.

5.3. Тестирование эффективности предложенных оптимизаций.

5.4. Программная реализация врачебной логики выделения нарушений работы ЭКС.

5.5. Тестирование предложенной схемы.

5.6. Выводы.

Диссертация направлена на решение научно-технической задачи создания системы длительного мониторирования электрокардиограмм (ЭКГ) в условиях функционирования имплантированных электрокардиостимуляторов (ЭКС) с повышенной достоверностью выделения элементов ЭКГ. Мониторирование ЭКС является на сегодняшний день одним из основных методом оценки работы ЭКС наряду с использованием встроенных в ЭКС средств оценки их работоспособности. Основным критерием качества системы длительного мониторирования является достоверность автоматического выделения элементов сигнала ЭКГ и эпизодов работы ЭКС. Достоверность оценивалась по проценту ошибок первого и второго рода по стандартному протоколу тестирования на международных базах данных сигналов АНА-БВ и М1Т-В1Н и на модельных сигналах.

Актуальность темы диссертации. Повышение качества лечения сложных нарушений ритма и проводимости сердца достигается усложнением алгоритмов функционирования ЭКС. Как следствие, усложняется диагностика нарушений функционирования в системе «ЭКС -сердце». Современные ЭКС содержат встроенные узлы телеметрии для запоминания и передачи врачу коротких участков ЭКГ. Однако, память ЭКС имеет довольно малый объем, а встроенные алгоритмы диагностики имеют ряд недостатков. Альтернативный метод диагностики осуществляется с помощью холтеровского монитора (ХМ). Требование к длительности мониторирования в течение 1-2 суток определяется тем, что многие нарушения в системе «ЭКС - сердце» происходят достаточно редко, а для понимания причины возникновения нарушений необходимо проанализировать предысторию возникшего нарушения и его последствия.

Необходимым условием эффективного обнаружения нарушений стимуляции является точное распознавание на ЭКГ стимулов (отметок импульсов) ЭКС, комплексов и зубцов Р (сигналов СР^ и Р, описывающих прохождение волны возбуждения по желудочкам и предсердиям соответственно). При длительном монтировании ЭКГ распознавание должно быть, очевидно, автоматическим. Параметры сигналов ОИ-Б, Р и импульсов ЭКС различаются на ЭКГ на 2-3 порядка по амплитуде и длительности. Поэтому основная трудность заключается в автоматическом распознавании на ЭКГ сигналов С^Б и Р в присутствии стимулов ЭКС.

При прямом использовании ХМ необходимы более мощные и дорогостоящие аппаратные средства для анализа ЭКГ и более емкая память для сохранения ЭКГ. Альтернативой является регистрация ЭКГ с большей частотой дискретизации и большим разрешением только при возникновении нарушений ритма или при наступлении событий, представляющих интерес для врача.

В России ежегодно имплантируют свыше 20 тыс. ЭКС. Поэтому точное распознавания сигналов СЖБ и Р на ЭКГ в присутствии стимулов ЭКС и использование полученных данных для анализа нарушений в системе «ЭКС - сердце» является актуальной задачей.

Целью диссертации является разработка системы, позволяющей существенно повысить достоверность распознавания на ЭКГ элементов сигнала С^ЫЗ и Р для эффективного выделения нарушений в системе «ЭКС - сердце». Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать методы распознавания на ЭКГ сигналов ОЯБ, существенно различающихся по форме, включая сигналы СЖЗ, вызванные импульсами ЭКС и имеющие иную форму и длительность сравнительно с естественными сигналами СЖ,8.

2. Разработать алгоритмы выделения сигналов Р при известных положениях сигнала позволяющие выделить сигнал Р в случае его зашумления? при высокой частоте сердечных сокращений или при наложении сигнала Р на другие сигналы ЭКГ. Реализовать систему поиска нарушений в работе ЭКС с использованием разработанных алгоритмов.

3. Разработать аппаратно-программные средства для выявления в автоматическом режиме эпизодов работы ЭКС, обнаружения интересующих врача событий и записью информативных участков ЭКГ с большей частотой дискретизации и разрешением.

Методы исследования. В исследованиях использовались методы цифровой обработки сигналов, цифровой фильтрации, распознавания образов, статистического анализа и прототипирования электронных устройств

Научная новизна.

1. Разработан метод выделения элементов сигнала ЭКГ из шума и анализа их формы, основанный на кратно-масштабном резонансном преобразовании специального вида, позволивший уменьшить число ошибок выделения элементов сигнала ЭКГ в 2-4 раза. Эффективность метода подтверждена аналитически на модельных сигналах ЭКГ и тестированием на наборах ЭКГ из международных баз данных.

2. Разработаны алгоритм и устройство обработки ЭКГ с сохранением информативных для врача участков ЭКГ для последующего апостериорного анализа по задаваемых врачом кодам формы информативных сигналов и образцов ритма пациента. Алгоритм и устройство позволяют производить измерения ЭКГ на повышенной частоте дискретизации и дополнительные измерения в момент выявленного нарушения ритма сердца пациента на ЭКГ.

3. Разработан и реализован модуль холтеровского монитора для анализа получаемых данных об элементах ЭКГ и стимулах ЭКС, позволяющийая- выделять и классифицировать эпизоды работы ЭКС для различных режимов работы ЭКС.

Практическая значимость.

1. Создана программная реализация высокоточного алгоритма выделения элементов сигнала СЖ-Б, позволяющая снизить ошибки распознавания первого рода до 0,04% и второго рода до 0,06%.

2. Создана программная реализация выделения сигнала Р при низком значении отношения сигнал-шум, высокой частоте сердечных сокращений и наложении элемента сигнала Р на элементы сигналов предыдущего кардиоцикла.

3. Разработана структура регистратора с автоматически переключаемыми частотами записи ЭКГ 250-1000-8000 Гц, позволяющая сохранять участки ЭКГ, на которых произошло нарушение стимуляции с повышенной частотой для последующего анализа.

4. Разработан программный комплекс оценки нарушений в системе «ЭКС - сердце», позволяющий кодировать и выявлять нарушения стимуляции в зависимости от типа имплантированного ЭКС.

Апробация работы. Экспериментальные образцы разработанной системы длительного мониторирования прошли клинические испытания в Московском городском центре кардиостимуляции на базе ГКБ-4 г. Москвы. Результаты диссертации использованы в программно-аппаратных комплексах «Союз ДМС» и «Холтер ДМС» производства ООО «ДМС Передовые Технологии» и широко используются в клиниках РФ, Республики Беларусь, Казахстана и Италии.

Основные результаты диссертации докладывались на научных сессиях МИФИ (Москва, 2007-2010 гг.); на научной конференции "Электроника, микро- и наноэлектроника" (Нижний Новгород, 2009 г.); на международной конференции «The 4th Russian-Bavarian Conference on Biomedical Engineering» (Москва, 2008 г.).

Результаты, выносимые на защиту.

1. Методы выделения сигналов QRS, Р и стимулов ЭКС, основанные на резонансном кратномасштабном преобразовании.

2. Алгоритмы выделения эпизодов работы ЭКС и нарушений в системе стимуляции.

3. Параметрическая модель сигнала ЭКГ для оценки достоверности выделения элементов, позволяющая получать аналитические оценки числа ошибок первого и второго рода в зависимости от параметров шума.

4. Структурная схема регистратора ЭКГ с переменной частотой дискретизации 250-8000 Гц, позволяющая сохранять участки ЭКГ, на которых произошло нарушение стимуляции с повышенной частотой для последующего анализа.

Публикации по теме диссертации. По теме диссертации опубликованы 6 печатных работ, из них одна работа в издании из перечня ВАК. Все работы опубликованы без соавторов.

Структура и объем диссертации. Диссертация содержит 110 страниц, в том числе 15 рисунков, 7 таблиц, список литературы из 99 наименований и состоит из введения, пяти глав, заключения и списка литературы

5.6. Выводы.

1. Рассмотрен алгоритм выделения стимулов ЭКС. Предложена программная реализация двухэтапного алгоритма автоматического распознавания стимулов ЭКС. На первом этапе в носимом регистраторе производится фильтрация высокочастотного канала ЭКС и его децимация в один или несколько каналов 250 Гц для последующей обработки в персональном компьютере. В персональном компьютере производится выделение эпизодов работы ЭКС с помощью алгоритма Expectation-Maximization с оптимально подбираемым размером выборки значений. Проведено тестирование метода на наборе из длительных записей ЭКГ: значения ошибок первого и второго рода не превысили 0,03%.

2. Предложены варианты оптимизации ПО для распознавания элементов сигнала ЭКГ с использованием технологий CUDA, SSE1-3, 3DNow!. (или CUDA, SSE1-3 и 3DNow!) Решена проблема выбора подходящего набора или технологии в зависимости от аппаратного оснащения компьютера. Предложены алгоритмы вычисления резонансных преобразований с учетом особенностей выбранных технологий. Показано, что при совместном использовании технологий GPGPU и SIMD достигается более чем трехкратный прирост производительности по сравнению с обычной целочисленной арифметикой.

3. Предложен способ и архитектура поиска нарушений работы ЭКС с использованием деревьев решений. Архитектура основана на использовании деревьев решений с конечными и составными узлами. Конечные узлы обрабатывают циклическую очередь заданного размера из элементов ЭКГ. Составные узлы обрабатывают выходы конечных и других составных узлов. Показано, что данный способ позволяет легко кодировать и выявлять большинство распространенных нарушений работы ЭКС. Предложен способ автоматического формирования деревьев решений на основе фрагмента ЭКГ с последующей его коррекцией. Показано, что на наборе из 70447 нарушений усреднённый процент ошибок первого и второго рода составил 0,18% и 0, 07% соответственно.

Заключение.

В работе была поставлена и решена задача создания системы поиска нарушений работы ЭКС с помощью системы длительного мониторирования ЭКГ, основной особенностью которой является повышенное внимание к проблемам обеспечения достоверности выделения основных элементов ЭКГ. Основными результатами работы являются.

1. Разработан алгоритм выделения сигналов СР^, основанного на использовании резонансного кратно-масштабного преобразования, позволяющего эффективного выделять как собственные, так и стимулированные сигналы <да. Уровень ошибки при тестировании алгоритма на стандартных наборах ЭКГ составил.

2. Разработана модель сигнала ЭКГ для исследования свойств алгоритмов при различных параметрах записи ЭКГ и для тестирования качества работы разработанных процедур. С помощью этой модели удалось провести анализ свойств предложенного алгоритма выделения сигналов (21^, показать его эффективность при выделении сигнала СР^Б на сигнале ЭКГ искаженном шумами двух классов. Модель использовалась для тестирования алгоритма выделения элементов сигнала Р и для отладки компьютерной реализации алгоритмов выделения сигнала СР^ и Р.

3. Разработан алгоритм выделения элемента сигнала Р являющийся модификацией алгоритма для выделения сигналов СЖБ, позволяющий выделять элементы сигнала Р при низком отношении сигнал-шум и при высоких ЧСС. Проведено тестирование алгоритма на способность выделять элементы сигнала Р при известных характеристиках сигналов С^. Проведено тестирование предложенного кода формы для классификации элементов Р и Т на реальных ЭКГ из наборов АНА-ЭВ и М1Т-В1Н. Показано, что ошибки классификации первого и второго рода при использовании данного преобразования составили 0,5% и 0,7% соответственно. Предложен алгоритм обучения и выполнено его

94 тестирование. Показано

Чудней достоверностью 99Г аЛГ°РИ™ ШЗВ°ЛЯеТ ШДеЛЯТЬ Сигналы Р со остьк> 99% ^ отношений ситал/помеха s/n = о>5

4' вожена схема ре Дискретизации 250-8000 Г ' переменной частотой

ЭКС на частоте «ООО гД"°ЗВ°ЛЯЮЩая вь«елять „«пульсы сигнала повышенной (1000 Гц) РеГИСТрацию сигнала ЭКГ с работы системы «ЭКС ОТОИ ® МОМент возникновения нарушений частотой 250 Гц Эта схе„ " ПР°ИЗВ°ДИТЬ Руинный сьем ЭКГ с в л, позволяет получать ЭКГ »

В мо"енты возникновения высокого разрешения ся в регисС: экс с помощью

ЭКГ - их взаимного расГ ^ Ф°РМУ -гнала

Уеловияировер":?" ~ия овьема

В Р<*оте рассмотрены основные ¡Г"0 -процессора, модификации разработанных ^^ Дт »процессора и описаны ~ов Экг. Рассмо^ ^Р-ов для выделения основах преобразования с помощьк, встооГ ^ ^ Ре" помощью габридной ; ™ - процессор КИХ-филыра и с предпочтительнее JZ"ГГ"' ™ потребляемого тока Также в « ^ ЗРвНИЯ ^нынения ить „бьем нолучаю^:;:;:;;^1 метода-кодирования ЭКГ, основанный ПРе~н способ кодировании с использовани ^ ^ и интервальном опорного и, ПОЛЬЗОВанием низкочастотного сигаала „ рного. Исследованы вопрос,., „„ сигнала в качестве

Р^мер суточной записи Р Фильтрации сигнала ЭКГ На

Удаления помех с записи э^Т* *** лля нелинейного фильтра для ™ ' <™аура специальное эффективность на "7" " " П°™ «> с-иалов NoiseStressDatabaPse К°ДИР<~ ^азы данных зашумленньх*

Создана программная реализация двухэтапного алгоритма автоматического распознавания стимулов ЭКС. На первом этапе в носимом регистраторе производится фильтрация высокочастотного канала ЭКС и его децимация в один или несколько каналов 250 Гц для последующей обработки в персональном компьютере. В персональном компьютере производится выделение эпизодов работы ЭКС с помощью алгоритма Expectation-Maximization с оптимально подбираемым размером выборки значений. Проведено тестирование метода на наборе из длительных записей ЭКГ: значения ошибок первого и второго рода не превысили 0,03%. Проведена оптимизация по скорости работы предложенных алгоритмов для разных платформ. Разработаны варианты оптимизации ПО для распознавания элементов сигнала ЭКГ с использованием технологий CUDA, SSE1-3, 3DNow!. (или CUDA, SSE1-3 и 3DNow!) Решена проблема выбора подходящего набора или технологии в зависимости от аппаратного оснащения компьютера. Предложены алгоритмы вычисления резонансных преобразований с учетом особенностей выбранных технологий. Разработан способ и архитектура поиска нарушений работы ЭКС с использованием Деревьев решений. Архитектура основана на использовании, деревьев решений с конечными и составными узлами. Конечные узлы, обрабатывают циклическую очередь заданного размера из элементов ЭКГ. Составные Узлы обрабатывают выходы конечных и других составных узлов. Показано, что данный способ позволяет легко кодировать и выявлять большинство распространенных нарушений работы ЭКС. Предложен способ автоматического формирования деревьев решений на основе фрагмента ЭКГ с последующей его коррекцией. Показано, что на наборе из 70447 нарушений усреднённый процент ошибок первого и второго рода составил 0,18% и 0, 07% соответственно.

1. JIM. Макаров. Холтеровское мониторирование. М: Медпрактика. -2003 с. 12

2. В.В. Мурашко, A.B. Стромынский. Электрокардиография. Учебное пособие. 8-е изд. М: МЕДпресс-информ. 2007 - с.345

3. L. Van Casteren, W. Huybrechts, R. Willems. Undersensing of ventricular fibrillation due to interference between a pacemaker and defibrillator in the same patient. // Europace. 2009 - v.10 - pp. 1390-1391

4. J.A. Jo et al. A nonlinear model of cardiac autonomic control in obstructive sleep apnea syndrome. // Ann Biomed Eng. 2007 - v.8 - pp.142543.

5. J. Gillberg. Detection of cardiac tachyarrhythmias in implantable devices. // J Electrocardiol. 2007 - v.40(6) - pp. 123-128.

6. H. Barakpour et al. Inappropriate Shock delivered by Implantable Cardioverter Defibrillator-Cardiac Resynchronization Therapy (ICD-CRT) due to myopotential oversensing. // Indian Pacing Electrophysiol J. 2009 - v. 1 -pp. 71-74.

7. G.Y. Oudit, D. Cameron, L. Harris. A case of appropriate inappropriate device therapy: hyperkalemia-induced ventricular oversensing. // Can J Cardiol. 2008 - v.3-pp.l6-18.

8. F.A. Bracke, A. Meijer, L.M. Van Gelder. Malfunction of endocardial defibrillator leads and lead extraction: where do they meet? // Europace. 2002 -v.l -pp. 19-24.

9. Y. Ye-Lin et al. The detection of intestinal spike activity on surface electroenterograms // Phys Med Biol. 2010 - v.55 - pp.663-680.

10. Polpetta A., Banelli P. Fully digital pacemaker detection in ECG signals using a non-linear filtering approach //Conf Proc IEEE Eng Med Biol Soc. -2008 pp.5406-10.

11. American Heart Association ECG Database DVD: // https://www.ecri.org/Products/Pages/AHAECGDVD.aspx

12. MIT-BIH Database Distribution Home Page //http://ecg.mit.edu

13. F. Jager et al. The Long-Term ST Database: A Research Resource for Algorithm Development and Physiologic Studies of Transient Myocardial Ischemia //Computers in Cardiology 2000 pp. 841-844

14. C. Vidal, P. Charnay, P. Arce. Enhancement of a QRS detection algorithm based on the first derivative, using techniques of a QRS detector algorithm based on non-linear transformations //IFMBE Proceedings. 2009 - v. 22 (6), pp. 393-396.

15. S. Ravindran, S. Dunbar, В. Nisarga. Real-time, low-complexity, low-memory solution to ECG-based heart rate detection //Conf Proc IEEE Eng Med Biol Soc. -2009-pp.1371-1374.

16. A. Ghaffari, M.R. Homaeinezhad, M. Akraminia et al. A robust wavelet-based multi-lead Electrocardiogram delineation algorithm //Med Eng Phys. 2009 -10-pp.l219-1227.

17. M. Boutaa, F. Bereksi-Reguig, S.M. Debbal. ECG signal processing using multiresolution analysis //J Med Eng Technol. 2008 v.32(6) - pp.466-78.

18. A. Charef, F. Abdelliche. Fractional wavelet for R-Wave detection in ECG signal //Crit Rev Biomed Eng. 2008 36(2-3): pp.79-91.

19. G. Kaleschke et al. Prospective, multicentre validation of a simple, patient-operated electrocardiographic system for the detection of arrhythmias and electrocardiographic changes //Europace. 2009 - v. 11 -pp. 1362-1368.

20. B. Abibullaev, H.D. Seo. A New QRS Detection Method Using Wavelets and Artificial Neural Networks //J Med Syst. 2010 Jan 20.

21. S. Moein. An MLP Neural Network for ECG Noise Removal Based on Kalman Filter //Adv Exp Med Biol. 2010 - v.680 - pp. 109-16.

22. O. Sayadi, M.B. Shamsollahi, G.D. Clifford. Synthetic ECG generation and Bayesian filtering using a Gaussian wave-based dynamical model //Physiol Meas. 2010 - v.10 - pp.1309-29

23. M. Riedl, A. Suhrbier, H. Malberg. Modeling the cardiovascular system using a nonlinear additive autoregressive model with exogenous input //Phys Rev E Stat Nonlin Soft Matter Phys. 2008 v.78 - p. 1

24. P.K. Mason, J.P. DiMarco Unresolved issues in implantable cardioverter-defibrillator therapy //Cardiol Clin. 2008 - v. 26 - pp.433-439.

25. И.А. Дубровский, С.П. Осташкин, O.B. Костылева. Изменение параметров имплантированных кардиостимуляторов при разряде батарей //Сборник научных трудов "Электроника, микро- и наноэлектроника". М., 2001, с.201-205.

26. Н.Н. Haseena, P.K. Joseph, А.Т. Mathew Classification of Arrhythmia Using Hybrid Networks //J Med Syst. 2010 Mar 10.

27. Q. Zhou, X. Liu, H. Duan. ECG Beat Classification Using Mirrored Gauss Model //Conf Proc IEEE Eng Med Biol Soc. 2005 -v.5 -5587-5590.

28. A. Mousa, A. Yilmaz Comparative analysis on wavelet-based detection of finite duration low-amplitude signals related to ventricular late potentials //Physiol Meas. 2004 - v.25 - pp. 1443-57.

29. B. Gunther, R.F. Jimenez, C. Picarte Wavelet analysis of arterial pressure and blood velocity pulsations in the aorta of anesthetized dogs //Biol Res. -1993-v.26 pp.391-396.

30. R. Poli, S. Cagnoni, G. Valli. Genetic design of optimum linear and nonlinear QRS detectors /ЛЕЕЕ Trans Biomed Eng. 1995 - v.42pp. 1137-41.

31. N. Kumaravel, S.M. Viswanathan. Real time implementation of genetic algorithm cancellation of sinusoidal noise in ECG using TMS320C50 DSP processor //Biomed Sci Instrum. 1999 - v.35 - pp. 169-74.

32. Cross-Platform Daughtercard Specification // http://focus.ti.com/lit/an/spra71 l/spra711 .pdf

33. TMS320VC5510/5510A Fixed-Point Digital Signal Processors http://focus.ti.com/lit/ds/symlink/tms320vc5510.pdf дата обращения 01.01.2009

34. Российское общество холтеровского мониторирования и неинвазивной диганостики // http://www.rohmine.ru.

35. S. Babaeizadeh et al. Improvements in atrial fibrillation detection for real-time monitoring //J Electrocardiol. 2009 - v.42(6) - pp.522-6.

36. F. Portet. P wave detector with PP rhythm tracking: evaluation in different arrhythmia contexts //Physiol Meas. 2008 - v.29 - pp.141-55.

37. Д.С. Щепетов. Алгоритм автоматического распознавания зубца Р на длительной записи ЭКГ //Биомедицинские технологии и радиоэлектроника 2009. №8. - С.98-106

38. D.S. Shchepetov. A multiscale algorithm for P-wave parameters estimation //Proc. of 4th Russian-Bavarian Conference on Biomedical Engineering. 2008 - pp. 132-140.

39. Д.С. Щепетов. Алгоритм автоматической детекции зубца Р // Электроника, микро- и наноэлектроника. Сб. научн. трудов / Под редакцией В.Я.Стенина. М.: МИФИ, 2008. -С. 141-146.

40. D. Shah. ECG manifestations of left atrial flutter //Curr Opin Cardiol. -2009-v.l-pp. 35-41.

41. R. Krenke et al. Electrocardiographic changes in patients with spontaneous pneumothorax //J Physiol Pharmacol. 2008 - v. 6 - pp.361-373.

42. N. Dagli, I. Karaca, M. Yavuzkir, M. Balin, N. Arslan. Are maximum P wave duration and P wave dispersion a marker of target organ damage in the hypertensive population //Clin Res Cardiol. 2008 - v. 2 - pp.98-104.

43. T.J. Silke. Atrial and ventricular arryhthmogenic potential in Turner Syndrome.//Pacing Clin Electrophysiol. 2008. v.31 - pp. 1140-1145.

44. A. Dogan et al. The effect of conversion type on P wave dispersion in patients with atrial fibrillation //Minerva Cardioangiol. 2008 - v.56 - pp.47782.

45. K. Ohkubo et al. P wave morphology of an arrhythmogenic focus in patients with atrial fibrillation originating from a pulmonary vein or the superior vena cava.//Circ J. 2008 -v.72 - pp. 1650-7.

46. Y. Koide et al. Usefulness of P-wave dispersion in standard twelve-lead electrocardiography to predict transition from paroxysmal to persistent atrial fibrillation //Am J Cardiol. 2008 - v. 102 - pp.573-577.

47. F. Censi et al.Time-domain and morphological analysis of the P-wave. Part I: Technical aspects for automatic quantification of P-wave features //Pacing Clin Electrophysiol. 2008 v.31 - pp.874-883.

48. D.N. Ghista, U.R. Acharya, T. Nagenthiran. Frontal plane vectorcardiograms: theory and graphics visualization of cardiac health status. //J Med Syst. 2010 v.34 - pp. 445-58.

49. C.L. Gardner, J.W. Jerome, R.S. Eisenberg. Electrodiffusion model simulation of rectangular current pulses in a voltage-biased biological channel //J Theor Biol. 2002 - v. 219 - v.291-299.

50. A. Ghaffari et al. Finding events of electrocardiogram and arterial blood pressure signals via discrete wavelet transform with modified scales //Proc Inst Mech Eng H. 2010 - v. 224 - pp. 27-42.

51. S.S. Mehta , N.S. Lingayat Application of support vector machine for the detection of P- and T-waves in 12-lead electrocardiogram // Comput Methods Programs Biomed. 2009 - v.93 - pp.46-60

52. J. Canny. A Computational Approach To Edge Detection //IEEE Trans. Pattern Analysis and Machine Intelligence 1986 - v.8 - pp.679-698.

53. T. Geback, P. Koumoutsakos. Edge detection in microscopy images using curvelets //BMC Bioinformatics. 2009 - v.3 - pp. 10:75.

54. С. Хайкин. Нейронные сети. Полный курс. 2006- с.350-370

55. G.A. Carpenter, S. Grossberg. Adaptive Resonance Theory //The Handbook of Brain Theory and Neural Networks, Second Edition ed. Michael A. Arbib. Massachusetts:MitPress - 2003 - pp. 87-90.

56. Л.Д. Ландау, И.М. Лифшиц. Квантовая механика. Физматгиз. М.:1963.- 704с.

57. В.М. Гусаров. Статистика. Юнити М.:2003 с.216

58. Serial Peripheral Interface Bus // http://en.wikipedia.org/wiki/SerialPeripheralInterfaceBus

59. G.M. Ungureanua et al. The event synchronous canceller algorithm removes maternal ECG from abdominal signals without affecting the fetal ECG //Computers in Biology and Medicine. 2009 - V. 39 - pp. 562-567

60. J.F. Dyro. Clinical Engineering Handbook. Academic Press : N.Y. 2004, pp. 462

61. B. Massot, C. Gehin, R. Nocua. A wearable, low-power, health-monitoring instrumentation based on a Programmable System-on-Chip //Conf Proc IEEE Eng Med Biol Soc. -2009 pp.4852-4855.

62. S. Lee, M.A. Lee. Real-time ECG data compression algorithm for a digital holter system //Conf Proc IEEE Eng Med Biol Soc. -200 -pp.4736-9.

63. E.Y. Imamoglu et al. Dispersion of the P wave as a test for cardiac autonomic function in diabetic children //Cardiol Young. 2008 v. 18 - pp.581585.

64. H. Grubitzsch et al. Analysis of atrial fibrillatory activity from highresolution surface electrocardiograms: Evaluation and application of a new system //Exp Clin Cardiol. 2008 - v.13 - pp. 29-35.

65. R. Jurkko et al. High-resolution signal-averaged analysis of atrial electromagnetic characteristics in patients with paroxysmal lone atrial fibrillation //Ann Noninvasive Electrocardiol. 2008 - v.13 - pp. 378-85.

66. W.H. Wu et al. Context-aware sensing of physiological signals //Conf Proc IEEE Eng Med Biol Soc. 2007 - v.2007 -5271-5275.

67. Хан Г.М. Быстрый анализ ЭКГ. М:1991 , стр 1.

68. ISO/IEC 9899 Programming languages - С // http://www.open-std.org/jtcl/sc22/wgl4/www/standards.html

69. Bishop С.М. Pattern Recognition And Mashine Learning // Springer : NY -2006-p. 181

70. Bishop C.M. Pattern Recognition And Mashine Learning // Springer : NY -2006-p. 124

71. R. Kutil. Parallelization of IIR Filters Using SIMD Extensions //Proc. IWSSIP: Bratislava 2008, pages 65-68

72. FIR Filter Algorithm Implementation Using Intel® SSE Instructions // http://download.intel.com/design/intarch/papers/323411 .pdf

73. M. Hosemann , G.P. Fettweis. On Enhancing SIMD-controlled DSPs for Performing Recursive Filtering //J. of VLSI Sig. Proc. Systems 2006, V. 43(2) pp. 125-142

74. Cross Compilation Tools // http://www.airs.com/ian/configure/configure5.html81. Introduction to GPU //http://www.gravity.uwa.edu.au/GPUDASWGintro.pdf

75. Описание технологии GPGPU // http://gpgpu.org/about

76. Описание технологии 3DNow //http://www.amd.com/us/products/technologies/3dnow/Pages/3dnow.aspx84. Cuda Toolkit overview //http://developer.nvidia.com/object/cuda32toolkitrc.html

77. OpenCL specification// http://www.khronos.org/registry/cl/86. Cuda reference 3.0 //http://developer.download.nvidia.com/compute/cuda/30/toolkit/docs/CudaRefe renceManual.pdf

78. J.J Ross, М.А. Denai, М.А. Mahfouf. A hybrid hierarchical decision support system for cardiac surgical intensive care patients. Part II. Clinical implementation and evaluation //Artif Intell Med. 2009 - v.45 -pp.53-62.

79. P. Augustyniak. Pursuit for the knowledge of a cardiology expert a hidden poll methodology //Conf Proc IEEE Eng Med Biol Soc. - 2008 - pp. 4333-6.

80. K. Sternickel. Automatic pattern recognition in ECG time series. //Comput Methods Programs Biomed. 2002 v. 68 - pp. 109-115.

81. A.J. Compton, H. Bolouri, A.W. Nathan. Arrhythmia recognition strategies and hardware decisions for the implantable cardioverter-defibrillator— a review //Med Eng Phys. 1995 - v. 17 - pp.96-103.

82. WG. Baxt et al. A neural computational aid to the diagnosis of acute myocardial infarction //Ann Emerg Med. 2002 - v.39 - pp. 366-73.