Система и способ автоматизированного анализа и интерпретации электрокардиограммы

Группа изобретений относится к медицине. Способ определения характеристик электрокардиограммы (ЭКГ) осуществляют с помощью системы, содержащей средство обработки и устройство регистрации ЭКГ. При этом получают ЭКГ-сигнал с помощью устройства регистрации. Получают с помощью средства обработки сглаженный ЭКГ-сигнал посредством фильтрации шумов полученного ЭКГ-сигнала. Вычисляют с помощью средства обработки первые производные сглаженного ЭКГ-сигнала. Определяют с помощью средства обработки характеристики ЭКГ на основе первых производных сглаженного ЭКГ-сигнала. На основе обработки распределения локальных экстремумов первых производных сглаженного ЭКГ-сигнала определяют порог для выделения диапазона изменения экстремумов, соответствующих разным типам зубцов. Определяют характеристики вершин зубцов разных типов на основе выделенных диапазонов изменения экстремумов и взаимного расположения локальных максимумов и минимумов первых производных сглаженного ЭКГ-сигнала. Обеспечивается автоматическое детектирование признаков наличия патологий в сигнале ЭКГ и критического состояния пациента с высокой точностью, помехоустойчивостью, сокращением времени обработки ЭКГ-сигнала для принятия решений в автоматическом режиме, с возможностью гибкого и быстрого реагирования на изменения, происходящие в ЭКГ-кривой в процессе наблюдения, в условиях высокой вариабельности исследуемого сигнала для построения краткосрочного и долгосрочного автоматизированного медицинского прогноза. 2 н. и 7 з.п. ф-лы, 7 ил.

 

Область техники, к которой относится изобретение

Изобретение относится к системе и способу автоматизированного выделения морфологии электрокардиографического сигнала, представления сигнала ЭКГ в виде последовательности кардиоциклов, определения характерных зубцов для специализированных устройств мониторинга сердечной активности, а именно для стационарных кардиомониторов, холтеровских ЭКГ-мониторов, носимых устройств регистрации ЭКГ, мобильных устройств.

Уровень техники

Диагностика сердечно-сосудистой системы человека принадлежит к числу важнейших задач кардиологии. Основные причины смертности людей в трудоспособном возрасте связаны с сердечно-сосудистыми заболеваниями. Этим обусловлена необходимость разработки и совершенствования средств мониторинга для объективного оценивания и прогнозирования состояния сердечно-сосудистой системы. На данный момент электрокардиограмма (ЭКГ) является самым распространенным методом диагностики работы сердечно-сосудистой системы человека. Сигнал ЭКГ несет большой объем информации, и детальный автоматический анализ сигнала ЭКГ позволяет своевременно вырабатывать сигналы тревоги, а также делать прогностические заключения.

Автоматический анализ электрокардиосигнала представляет собой достаточно сложную теоретическую проблему. Это в первую очередь связано с физиологическим происхождением сигнала, которое обусловливает его недетерминированность, разнообразие, изменчивость, непредсказуемость и подверженность многочисленным видам помех. Одной из основных причин неэффективной диагностики состояния сердца являются интенсивные помехи различного вида - дрейф изолинии, артефакт движения, мышечный тремор и сетевая помеха, которые искажают информацию о состоянии сердца.

Проблема выделения полезного сигнала на фоне целого комплекса помех и искажений является одной из основных при проведении современных электрокардиологических исследований. Фильтрация помех может внести искажения в кардиограмму и привести к ошибке интерпретации. Наличие артефактов в электрокардиологическом сигнале существенно затрудняет его анализ и выявление диагностических признаков. При решении данной задачи сложность заключается в выборе методов фильтрации для устранения определенного типа артефактов. Поэтому важна не только внутренняя фильтрация, невидимая для пользователя, при которой в некоторой степени искажается полезный сигнал. Большое значение имеет также удаление шума из сигнала, получаемого из устройства регистрации, поскольку именно по нему будет ставиться диагноз.

На данный момент существует несколько разработок, направленных на выделение характеристик кривой электрокардиограммы и последующую интерпретацию электрокардиограммы.

В патентной публикации US 2013/0190638A1, Motion and nose artifact detection for ECG data, раскрыт способ, направленный на преодоление основных недостатков популярных методов фильтрации ЭКГ сигналов, связанных с необходимостью построения моделей, определением порогов и оптимальных параметров. Способ основан на отделении чистых частей ЭКГ сигнала от артефактов движения и шума, предотвращает искажение расположения пиков зубца R и, используя выделенные после отделения артефактов интервалы R-R, выполняет анализ на наличие мерцательной аритмии.

Для обнаружения в реальном времени артефактов движения и шума используется метод эмпирической модовой декомпозиции (EMD), в котором ЭКГ сигнал раскладывается на сумму модовых функций (IMF). Каждая последующая IMF имеет более низкую частоту, чем предыдущая. Таким образом, артефакты могут быть изолированы, так как они в основном сосредоточены на высокой частоте. На следующем этапе используются статистические показатели, включающие энтропию Шеннона, для характеристики случайности, среднее значение модовых функций и среднеквадратичное значение последовательности R-R разностей. На основе сравнения этих трех показателей с заданными порогами принимается решение, содержит ли сигнал ЭКГ артефакты или нет.

Один из существенных недостатков EMD, снижающее качество декомпозиции – это частое появление смешивания модовых функций, что затрудняет частотное разделение и снижает его качество (Wu Z., and N.E. Huang (2009), Podladchikova T., R.A.M. Van der Linden, and A.M. Veronig (2017), Ensemble empirical mode decomposition: a noise-assisted data analysis method, Advances in Adaptive Data Analysis, Vol. 01, No. 01, pp. 1-41, doi.org/10.1142/S1793536909000047). Составляющие многокомпонентного сигнала при определенном влиянии дестабилизирующих факторов (шумов, импульсных помех и т. п.) и близких по частоте соседних компонент могут при декомпозиции «перетекать» на отдельных временных интервалах в модовые функции соседних IMF. Кроме того, для обеспечения надежной работы этих алгоритмов необходима подстройка порогов обнаружении артефактов в ЭКГ сигнале для каждого пациента, что снижает устойчивость метода к помехам и изменчивости ЭКГ.

В патентной публикации US 2017/0112401 A1, Automatic method to delineate or categorize an electrocardiogram, раскрыт cпособ делинеации и классификации сигнала ЭКГ, основанный на сверточной нейронной сети. Этот способ расширил возможности нейронных сетей для интерпретации ЭКГ, представляющих не одну, а больше аномалий. Способ позволяет определить время начала и конца каждой волны – это участки между характерными точками: основания волны Р, комплекса QRS, волны Т. Нейронная сеть отображает список найденных аномалий в виде вектора баллов за аномалии, превысившие предопределенный порог.

Недостатками сверточных нейронных сетей является большое количество варьируемых параметров сети. К варьируемым параметрам можно отнести: количество слоёв, размерность ядра свёртки для каждого из слоёв, количество ядер для каждого из слоёв, шаг сдвига ядра при обработке слоя, функция активации, параметр для выделения аномалий и др. Все эти параметры существенно влияют на результат, но выбираются эмпирически. Большое значение имеет также набор обучающих данных. Кроме того, возникают трудности с точностью определения временных характерных сегментов. Потеря точности приводит систематически к частичному смешиванию комплекса QRS с волной T, стирая на временной шкале сегмент ST. К ограничениям этого способа следует отнести также то, что он не включает оценку амплитуд зубцов (вольтаж ЭКГ), характеризующих возбудимость определенных участков миокарда и не предназначен для определения основного интервала R-R, по колебаниям продолжительности которых судят о правильности ритма сердечной деятельности.

Для уточнения положения комплекса QRS может быть использована производная сигнала (см. патентную публикацию EP 2 676 604 A1, 2013, Real time QRS duration measurement in electrocardiogram). Способ предполагает извлечение части сигнала ЭКГ вокруг пика QRS, основываясь на общей продолжительности шаблона кардиоцикла и нормальной продолжительности QRS. После низкочастотной интерполяции (фильтрации) извлеченный сигнал нормируется таким образом, что его максимум (соответствующий зубцу R) равен единице. Нормированный сигнал фильтруется путем возведения в степень N и дифференцируется. Формируются два уравнения прямых с использованием точек максимума и минимума сигнала производной и зубца R. Точки пересечения этих прямых с базовой линией приближенно определяют границы комплекса QRS, т.е. точки Q и S. Недостатком является высокая чувствительность алгоритма к смещению базовой линии и снижение точности определения характерных точек Q и S из-за дрейфа базовой линии.

Применение способа к оценке продолжительности QRS приведет к сбою, если амплитуда зубца R оказывается ниже, чем амплитуда зубца Т, или если в сигнале ЭКГ проявляется патология V, признак мономорфной желудочной тахикардии. Данный способ не предусматривает выделение основного электрографического признака проявления мерцательной аритмии зубца P и зубца T, отображающего фазу восстановления мышечной ткани сердечных желудочков между сокращениями миокарда.

Раскрытие сущности изобретения

Предлагается способ представления сигнала ЭКГ в виде последовательности кардиоциклов, автоматического выделения последовательности R-R интервалов для выявления возможного нарушения ритма сердца, разнородности сокращений по силе и частоте. В частности, представлены способы диагностики и анализа заболеваний сердца и состояний, таких как мерцательная аритмия, путем определения наличия или отсутствия основного электрографического признака проявления мерцательной аритмии зубца Р и выделения мономорфной желудочной тахикардии (патологии V), когда наблюдается преждевременное сокращение желудочков.

Способы обнаружения нарушения ритма сердца включают в себя удаление шума из ЭКГ сигнала, получаемого из устройства регистрации. После получения ЭКГ-сигнала с помощью устройства регистрации электрокардиограммы выполняется его сглаживание. Сглаживание отличается тем, что не искажает динамику ЭКГ-сигнала, так как не требует предварительных предположений о его динамике, которые обычно в той или иной степени могут привести к заметным временным и амплитудным искажениям характерных точек сигнала ЭКГ. При этом удается сохранить всю информацию об исходном сигнале и одновременно отфильтровать от шумов, скачкообразных (ступенчатых) изменений, которые не содержат полезный сигнал.

Высокая помехоустойчивость метода фильтрации позволяет без риска искажения шумами использовать первые и вторые производные сглаженного (отфильтрованного) сигнала для делинеации сигнала ЭКГ и выделения зубцов R, T и P. Эффект усиления шума при вычислении производных при использовании данного метода фильтрации нейтрализуется.

Характерные зубцы R, T и Р сигнала ЭКГ определяются путем применения несложных логических правил по отношению к первой и второй производным, в качестве оценки которых используются первые и вторые разности отсчетов сглаженного ЭКГ сигнала. Первые производные исключают ошибки из-за смещения базовой линии сигнала ЭКГ и приближаются к стационарному процессу. Использование первых производных для нахождения зубцов R, T и Р устраняет также основные недостатки метода выделения локальных экстремумов при анализе формы электрокардиограммы, а именно необходимость задания порога чувствительности и пропуск зубцов на наклонных участках сигнала.

Далее формируется гистограмма распределения всех локальных максимумов и минимумов первых производных, которая позволяет автоматически определить диапазоны изменения экстремумов, соответствующих зубцам R, T и P, и выделить максимумы и минимумы первых производных для этих зубцов. Автоматический анализ гистограмм распределения локальных минимумов и максимумов первых производных позволяет быстро автоматически детектировать признаки наличия большого количества патологий в сигнале ЭКГ и критического состояния пациента, существенно минимизируя время обработки ЭКГ сигнала для принятия решений в автоматическом режиме.

Для обеспечения эффективности и гарантии принятия правильного решения в автоматическом режиме дополнительно анализируется взаимное расположение локальных экстремумов вторых производных сглаженного сигнала ЭКГ.

Критерии изменения взаимного расположения локальных максимумов и минимумов первых и вторых производных применяется для отделения в автоматическом режиме R-зубца от патологии V, когда наблюдается преждевременное сокращение желудочков. Количество ошибочных решений варьируется от 3 до 30% в зависимости от сложности сигнала ЭКГ.

Точность детектирования сигнала ЭКГ на основе предлагаемого подхода варьируется от 95% до 99,9% в зависимости от сложности исходного сигнала ЭКГ. Ограничением данного подхода являются ситуации, когда одна и та же форма сигнала ЭКГ интерпретируется специалистом по-разному в зависимости от дополнительных признаков сигнала ЭКГ, а также других отведений. Также существует ряд неопознанных сигналов, которые интерпретируются индивидуально

Важным преимуществом предлагаемого способа является способность гибкого и быстрого реагирования на изменения, происходящие в ЭКГ кривой в процессе наблюдения, что является необходимым требованием для обработки ЭКГ сигнала в автоматическом режиме. Данные методы лежат в основе описываемого способа анализа сигнала ЭКГ, обладающего надежностью, гибкостью и простотой реализации.

В одном варианте осуществления системы автоматизированного определения характеристик электрокардиограммы устройство регистрации электрокардиограммы представляет собой стационарный кардиомонитор, холтеровский ЭКГ-монитор, носимое устройство регистрации ЭКГ или мобильное устройство с функцией регистрации ЭКГ.

Краткое описание чертежей

Фиг. 1 – Блок-схема алгоритма автоматического анализа сигнала ЭКГ;

Фиг. 2 – Фрагмент записи 111 сигнала ЭКГ, полученного посредством электрокардиографа из базы данных MIT-BIH Arrhythmia, и соответствующего сглаженного сигнала ЭКГ;

Фиг. 3 – Фрагмент записи 111 сигнала ЭКГ, полученного посредством электрокардиографа из базы данных MIT-BIH Arrhythmia, и соответствующих первых разностей сглаженного сигнала ЭКГ;

Фиг. 4 – Гистограммы распределения локальных максимумов и минимумов первых разностей и сглаженных значений гистограмм для записи 111 (а, б) и записи 203 (в, г) из базы данных MIT-BIH Arrhythmia;

Фиг. 5 – Первые (а) и вторые производные (б), а также сумма вторых производных сглаженного сигнала ЭКГ (в) для фрагмента сигнала ЭКГ с отмеченным R-зубцом.

Фиг. 6 – Первые (а) и вторые (б) производные, а также сумма вторых производных сглаженного сигнала ЭКГ (в) для фрагмента сигнала ЭКГ с отмеченной патологией V.

Фиг. 7 – Первые производные для фрагмента сигнала ЭКГ с отмеченными зубцами R, T и P.

Осуществление изобретения

Алгоритм автоматического анализа сигнала ЭКГ состоит из ряда шагов, приведенных на блок-схеме (фиг. 1). Далее осуществление изобретение раскрывается в деталях.

1. Сглаживание ЭКГ сигнала

Основным препятствием автоматизированного анализа ЭКГ является множество помех, а также высокая зашумленность сигнала, характерная для носимой электроники. В основе предлагаемого подхода к автоматизированному анализу ЭКГ лежит нахождение локальных экстремумов амплитуды на основе выделения локальных экстремумов первых и вторых производных сигнала ЭКГ. С одной стороны, после взятия производных исходный нестационарный сигнал приближается к стационарному, что повышает надежность выделения его локальных экстремумов. Однако первые и тем более вторые производные усиливают помехи сигнала ЭКГ, получаемого, как и со стационарных электрокардиографов, ЭКГ-холтеров, так и с мобильных устройств. Поэтому необходимо тщательно отфильтровывать исходный сигнал, чтобы нейтрализовать эффект усиления шумов при взятии производных и при этом не внести динамические искажения в полезный сигнал. В работе Podladchikova T., R.A.M. Van der Linden, and A.M. Veronig (2017), Sunspot number second differences as precursor of the following 11-year sunspot cycle, The Astrophysical Journal, 850, 81, doi.org/10.3847/1538-4357/aa93ef был предложен эффективный метод фильтрации шумов, основан на балансе гладкости и близости кривой сглаженных значений к исходной кривой. Данный метод не требует предварительных допущений и предположений о динамике процесса и позволяет воспроизвести исходные экспериментальные закономерности независимо от допущений о модели процесса, тем самым минимизируя риск искажения важных особенностей процесса, стирания важных мелких деталей и выводов, что имеет большое практическое значение для построения автоматизированной обработки ЭКГ кривой в условиях высокой зашумлённости ЭКГ сигнала, полученного с носимых устройств, мобильных устройств, ЭКГ-холтеров, стационарных кардиографов.

Для того, чтобы выделенный полезный сигнал был максимально близок к полученному ЭКГ сигналу, но в то же время был нечувствителен к случайным отклонениям и флуктуациям измеряемого сигнала, предлагается искать сглаженные значения, оптимальные по критерию, включающему требования гладкости искомой кривой и ее близости к экспериментальной ЭКГ кривой. Уровень доверия к полученному сигналу ЭКГ достигается требованием близости сглаженной кривой к исходным данным на основе минимизации суммы квадратов отклонений. Уровень гладкости сглаженной кривой достигается на основе минимизации вторых производных исходного ЭКГ сигнала.

Таким образом, сглаженная оценка сигнала ЭКГ zi находится из минимизации функционала J.

(1)

Здесь β – коэффициент сглаживания, который определяет близость сглаженного сигнала ЭКГ к исходной ЭКГ кривой. С ростом β сглаженный сигнал приближается к исходной ЭКГ кривой, однако при этом уменьшается степень сглаживания. С уменьшением β степень сглаживания увеличивается, однако отклонение от исходной кривой ЭКГ увеличивается. Член характеризует индикатор отклонения, который отвечает за близость сглаженных оценок к исходному сигналу ЭКГ zi. Член показывает индикатор вариабельности, отвечающий за гладкость сглаженной кривой .

Оценка сглаженного сигнала ЭКГ сводится к решению следующей системы уравнений:

(2)

Где А =

Данный подход к фильтрации помех и оптимизации алгоритма сглаживания не требует предварительных допущений и предположений, часто основанных на субъективных представлениях разработчиков об исследуемом процессе ЭКГ сигнала, которые могут привести к ложным выводам.

На фиг. 2 представлен фрагмент сигнала ЭКГ, полученного посредством электрокардиографа из базы данных MIT-BIH Arrhythmia, запись 111 (пунктирная кривая). Сплошная линия показывает сглаженный сигнал ЭКГ, полученный на основе уравнения (2).

Эффективная фильтрация шумов без искажения истинной динамики ЭКГ сигнала позволяет оценить с высокой точностью первые и вторые конечные разности ЭКГ кривой, которые по своей природе усиливают шумовую компоненту в данных.

На фиг. 3 показаны первые производные сигнала ЭКГ (сплошная кривая), полученные на основе сглаженной кривой ЭКГ, которые характеризуют скорость изменения сигнала ЭКГ. Соответствующий исходный сигнал ЭКГ показан пунктирной кривой. Как видно из фиг. 3, исходный сигнал ЭКГ (пунктирная кривая) представляет собой нестационарный процесс, в то время как первые производные сглаженного сигнала ЭКГ приближаются к квазистационарному процессу. В то время как сигнал ЭКГ между RR интервалами на пунктирной кривой характеризуется сильными вариациями и сдвигами, динамика первых производных сглаженного сигнала ЭКГ (сплошная кривая) изменяется вокруг постоянного уровня. Исключение амплитудного тренда сглаженного сигнала ЭКГ уменьшает в 5 раз и более разброс локальных максимумов сплошной кривой, соответствующих зубцам R, T и P по сравнению с пунктирной.

Как правило, сигнал ЭКГ, получаемый с носимых мобильных устройств, характеризуется гораздо большей степенью шума и разброса данных. Тем не менее, даже в условиях большой зашумленности, надежные оценки первых разностей процесса, полученные на основе эффективного подавления шумов исходного ЭКГ сигнала, характеризуют скорость изменения ЭКГ сигнала и представляют квазистационарный процесс, анализ которого существенно упрощает анализ ЭКГ кривой, выделение устойчивых закономерностей и выявление патологий в автоматическом режиме.

2. Гистограмма распределения локальных экстремумов

Как видно из фиг. 3 наибольшие значения локальных минимумов и максимумов производных сглаженного сигнала ЭКГ наблюдаются в окрестности R-зубца. Для R-зубца характерны быстрый рост и быстрое падение первых производных сигнала ЭКГ. Быстрый рост сигнала ЭКГ к вершине R-зубца характеризуется большим положительным локальным максимумом первых производных. Падение, последующее за вершиной R-зубца, характеризуется большим отрицательным локальным минимумом первых производных. Для автоматического выделения больших локальных максимумов и минимумов первых производных предлагается анализировать гистограмму распределения всех локальных максимумов и минимумов первых производных ЭКГ кривой.

На фиг. 4a и 4в представлена гистограмма распределения локальных минимумов первых производных сглаженного сигнала ЭКГ для записи 111 и 203 (MIT-BIH Arrhythmia Database). Ось X отражает абсолютные значения локальных минимумов первых производных, а ось Y – частоту наблюдения локальных минимумов разной величины.

На фиг. 4а возвышение, отмеченное стрелкой, характеризует окрестность вершин R-зубцов, отличающихся наибольшими отрицательными локальными минимумами первых производных. Для автоматического определения диапазона локальных минимумов, соответствующим R-зубцам значения гистограммы распределения сглаживаются дополнительно на основе уравнения (2), и результаты приведены на фиг. 4б (запись 111) и фиг. 4г (запись 203). На фиг. 4б локальный минимум сглаженной гистограммы, расположенный между ее последним локальным максимумом, на который направлена стрелка, и предыдущим (вторым с конца), автоматически указывает порог, который превышают все абсолютные значения локальных минимумов первых производных, соответствующих зубцам R. Аналогичным образом автоматически определяется диапазон вариаций локальных максимумов первых производных, соответствующих R-зубцам. Участки роста и падения скорости изменения ЭКГ сигнала, более медленного по сравнению с зубцом R, характерны также и для других зубцов, например, T-зубца. Локальный максимум (второй с конца) отражает значения локальных минимумов первых производных, соответствующих, в основном, окрестности Т-зубца. Чтобы отделить однозначно большие локальные максимумы и минимумы первых производных, соответствующих окрестности R-зубца, на основе значения оцененного порога вводится нормировочный коэффициент.

Как видно из фиг. 4б (запись 111), сглаженные значения гистограммы имеют как минимум три выраженных локальных максимума. Сигнал ЭКГ (запись 203) характеризуется большим количеством патологий и представляет сложность даже для визуального диагностирования врачами. В то же время фиг. 4г (запись 203) характеризуется всего двумя локальными максимумами, что автоматически подтверждает наличие большое количество патологий в сигнале ЭКГ. Автоматический анализ гистограмм распределения локальных минимумов и максимумов первых производных открывает возможность быстрого автоматического детектирования признаков большого количества патологий в сигнале ЭКГ и критического состояния пациента, существенно минимизируя время обработки ЭКГ сигнала для принятия решений в автоматическом режиме.

3. Определение временных и амплитудных параметров вершин зубцов R

На фиг. 5a приведен фрагмент сигнала ЭКГ для записи 111 (сплошная кривая) и первые производные сглаженного сигнала ЭКГ (пунктирная кривая). Локальный максимум и минимум первых производных, определенные автоматически на основе анализа гистограммы их распределения, отмечены маркером и цифрами 1 и 2 соответственно. Вершина R-зубца всегда будет находиться между локальным максимумом (1) и минимумом (2) первых производных сглаженного сигнала ЭКГ, при этом максимум (1) всегда находится левее минимума (2) первых производных, что открывает возможность его быстрого автоматического детектирования.

Для обеспечения гарантированного результата в автоматическом режиме, дополнительно анализируются вторые производные сглаженного сигнала ЭКГ (фиг. 5б, пунктирная кривая). Данные дополнения требуются в основном или при патологии, или для устранения эффектов остатков шума. Большой отрицательный локальный минимум вторых производных (маркер 2) отражает резкое падение скорости изменения сигнала ЭКГ в окрестности R-зубца.

Большой положительный локальный максимум вторых производных (маркер 1) демонстрирует рост скорости изменения сигнала ЭКГ, последующий за R-зубцом. Для гарантии выделения R-зубца, требуется, чтобы локальный минимум (2) всегда находился левее локального максимума вторых производных (1).

Для дополнительных гарантий работы в автоматическом режиме также анализируется сумма вторых производных сглаженного сигнала ЭКГ (фиг. 5в, пунктирная кривая), которая представляет интегральную характеристику приращения скорости изменения сигнала ЭКГ на длительном этапе. Для гарантии выделения R-зубца, также требуется, чтобы локальный максимум (1), который показывает значительное приращение скорости перед характерной точкой R, всегда находился левее локального минимума (2) суммы вторых производных.

4. Выявление преждевременного сокращения желудочков (V)

Поскольку в ряде случаев при сбое в работе сердечной мышцы вместо R-зубца наблюдается преждевременное сокращение желудочков (V), необходимо отделять в автоматическом режиме R-зубец от патологии V. На фиг. 6 представлен фрагмент сигнала ЭКГ для записи 203 (сплошная кривая), первые производные (а), вторые производные (б), а также сумма вторых производных (в) сглаженного сигнала ЭКГ (пунктирная кривая). Локальный максимум и минимум первых производных, определенные автоматически на основе анализа гистограммы их распределения, отмечены маркером и цифрами 1 и 2 соответственно.

Так, при патологии V резкое падение сигнала ЭКГ предшествует его росту, то локальный максимум (1) находится правее локального минимума (2) первых производных, что является прямой противоположностью ситуации с вершиной R. В случае срабатывания данного критерия, патология V детектируется автоматически между минимумом (2) и максимумом (1) первых производных. Аналогично, ситуация противоположная ситуации с вершиной R, наблюдается для локального минимума (2) вторых производных (фиг. 6б), который находится всегда правее локального максимума (1), и для локального минимума (2) суммы вторых производных (фиг. 6в), который находится всегда левее соответствующего локального максимума (1).

Для автоматического выделения R-зубца и патологии V требуется выявление вышеперечисленных признаков поведения локальных минимумов и максимумов первых и вторых производных, а также суммы вторых производных сглаженного сигнала ЭКГ. В случае расхождения указанных признаков алгоритм обучается дополнительно на основе анализа соседних локальных минимумов и максимумов. Количество таких случаев варьируется от 3 до 30% в зависимости от сложности сигнала ЭКГ.

5. Определение временных и амплитудных параметров зубцов T и P

Предлагаемый подход также лежит в основе автоматического выделения зубцов Т и P. На фиг. 7 представлен фрагмент сигнала ЭКГ для записи 111 из базы данных MIT-BIH (сплошная кривая), а также первые производные сглаженного сигнала ЭКГ (пунктирная кривая).

Как было показано выше, локальные максимумы (1) и минимумы (2) первых производных, соответствующих окрестности R-зубца, являются самыми выраженными среди вершин всех зубцов. Следующими, меньшими по абсолютной величине являются локальные максимумы (1′) и минимумы (2′) первых производных в окрестности вершины T-зубца. Третью позицию по абсолютной величине занимают локальные максимумы (1′′) и минимумы (2′′) первых производных, окружающие вершину P-зубца. Вершины T и P-зубцов, аналогично зубцу R и T, выделяется автоматически между соответствующими локальным минимумом и максимумом первых производных сглаженного сигнала ЭКГ.

Точность детектирования сигнала ЭКГ на основе предлагаемого подхода варьируется от 95% до 99,9% в зависимости от сложности исходного сигнала ЭКГ. Применение данного подхода ограничено в ситуации, когда одна и та же форма сигнала ЭКГ интерпретируется специалистом по-разному в зависимости от дополнительных признаков сигнала ЭКГ, а также других отведений. Также существует ряд неопознанных сигналов, которые интерпретируются индивидуально. Тем не менее, предлагаемый алгоритм автоматически указывает затруднительные фрагменты, что позволяет медицинскому персоналу минимизировать время, потраченное на ручную обработку сигнала для последующей диагностики и принятия медицинский решений.

Важным преимуществом предлагаемого способа является способность гибкого и быстрого реагирования на возможные изменения формы кардиоцикла, происходящие в процессе наблюдения, что является необходимым требованием для обработки ЭКГ сигнала в автоматическом режиме. Данные методы лежат в основе описываемого способа анализа сигнала ЭКГ, обладающего надежностью, гибкостью и простотой реализации.

Гибкость и простота использования предлагаемого способа позволяют минимизировать время обработки ЭКГ сигнала для принятия решений в автоматическом режиме и надежной автоматизированной диагностики сердечно-сосудистых заболеваний.

Возможна комбинация носимого устройства с возможностью регистрации электрокардиограммы и программного обеспечения для непосредственного анализа морфологии ЭКГ кривой.

Поставленная задача обработки ЭКГ сигнала решается путем использования как методов феноменологического подхода, так и методов статистики. Статистическая обработка экспериментальных данных, как правило, направлена на построение математической модели исследуемого объекта. Однако учет в модели всех второстепенных сторон и связей может исказить описание процесса, поскольку требует множества положений и допущений, а также привести к искажению важных особенностей процесса, стиранию важных мелких деталей, ухудшению результатов и ложным выводам в условиях недостаточной информации об объекте исследования. В условиях, когда допущения при использовании модели сопряжены с риском искажения выводов о процессе, следует разрабатывать методы аппроксимации экспериментальных данных, не требующие допущений об исследуемых процессах и воспроизводящие экспериментальную закономерность независимо от допущений о модели. Данный подход к фильтрации помех и оптимизации алгоритма сглаживания не требует предварительных допущений и предположений, часто основанных на субъективных представлениях разработчиков об исследуемом процессе ЭКГ сигнала, которые могут привести к ложным выводам. Предложенные решения подтверждены экспериментально и практически подтверждены по сравнению с известными методами.

Эффективная фильтрация шумов без искажения истинной динамики ЭКГ сигнала позволяет оценить с высокой точностью первые и вторые производные процесса, которые по своей природе усиливают шумовую компоненту в данных. Анализ производных сигнала ЭКГ значительно упрощает анализ ЭКГ сигнала, выделение устойчивых закономерностей и выявление патологий в автоматическом режиме. Важным свойством предлагаемого метода является способность гибкого и быстрого реагирования на изменения формы кардиоцикла, происходящие в процессе наблюдения, что является необходимым требованием для обработки ЭКГ сигнала в автоматическом режиме. Данные методы лежат в основе описываемого программного обеспечения для анализа сигнала ЭКГ, обладающего надежностью, гибкостью и простотой реализации.

Эффективное выделение закономерностей ЭКГ сигнала позволяет провести анализ выбора оптимальной предикативной модели в условиях высокой вариабельности исследуемого сигнала для построения краткосрочного и долгосрочного автоматизированного медицинского прогноза.

1. Способ определения характеристик электрокардиограммы (ЭКГ), содержащий этапы, на которых:

получают ЭКГ-сигнал с помощью устройства регистрации электрокардиограммы;

получают, с помощью средства обработки, сглаженный ЭКГ-сигнал посредством фильтрации шумов полученного ЭКГ-сигнала;

вычисляют, с помощью средства обработки, первые производные сглаженного ЭКГ-сигнала;

определяют, с помощью средства обработки, характеристики ЭКГ на основе первых производных сглаженного ЭКГ-сигнала;

отличающийся тем, что

на основе обработки распределения локальных экстремумов первых производных сглаженного ЭКГ-сигнала определяют, с помощью средства обработки, порог для выделения диапазона изменения экстремумов, соответствующих разным типам зубцов; и

определяют, с помощью средства обработки, характеристики вершин зубцов разных типов на основе выделенных диапазонов изменения экстремумов и взаимного расположения локальных максимумов и минимумов первых производных сглаженного ЭКГ-сигнала.

2. Способ определения характеристик ЭКГ по п. 1, дополнительно содержащий этапы, на которых:

вычисляют, с помощью средства обработки, вторые производные сглаженного ЭКГ-сигнала; и

определяют, с помощью средства обработки, характеристики вершин зубцов разных типов дополнительно на основе локальных максимумов и минимумов вторых производных сглаженного ЭКГ-сигнала.

3. Способ определения характеристик ЭКГ по п. 1 или 2, дополнительно содержащий этап, на котором выявляют, с помощью средства обработки, возможную патологию на основе определенных характеристик вершин разных типов зубцов.

4. Способ определения характеристик ЭКГ по п. 1 или 2, отличающийся тем, что определяют вершину R-зубца между локальным максимумом и локальным минимумом первых производных сглаженного ЭКГ-сигнала с учетом взаимного расположения локального максимума и локального минимума.

5. Способ определения характеристик ЭКГ по п. 4, в котором отделяют R-зубец от мономорфной желудочковой тахикардии, когда наблюдается преждевременное сокращение желудочков, на основе изменения взаимного расположения локального максимума и локального минимума первых и вторых производных сглаженного ЭКГ-сигнала.

6. Способ определения характеристик ЭКГ по п. 1 или 2, отличающийся тем, что определяют вершины T-зубцов и P-зубцов между локальными максимумами и локальными минимумами первых производных сглаженного ЭКГ-сигнала, при этом различают R-зубцы, T-зубцы и P-зубцы по абсолютной величине разности между соответствующими локальными максимумами и локальными минимумами.

7. Система определения характеристик электрокардиограммы (ЭКГ), содержащая:

устройство регистрации электрокадриограммы, выполненное с возможностью получения ЭКГ-сигнала;

средство обработки, выполненное с возможностью:

сглаживания ЭКГ-сигнала посредством фильтрации шумов полученного ЭКГ-сигнала;

вычисления первых производных сглаженного ЭКГ-сигнала; и

определения характеристик ЭКГ на основе первых производных сглаженного ЭКГ-сигнала;

отличающаяся тем, что средство обработки дополнительно выполнено с возможностью:

определения, на основе обработки распределения локальных экстремумов первых производных сглаженного ЭКГ-сигнала, порога для выделения диапазона изменения экстремумов, соответствующих разным типам зубцов; и

определения характеристик вершин разных типов зубцов на основе выделенных диапазонов изменения экстремумов и взаимного расположения локальных максимумов и минимумов первых производных сглаженного ЭКГ-сигнала.

8. Система определения характеристик ЭКГ по п. 7, в которой средство обработки дополнительно выполнено с возможностью:

определения вторых производных сглаженного ЭКГ-сигнала; и

определения характеристик вершин зубцов разных типов дополнительно на основе локальных максимумов и минимумов вторых производных сглаженного ЭКГ-сигнала.

9. Система определения характеристик ЭКГ по любому из пп. 7 или 8, в которой устройство регистрации электрокардиограммы представляет собой стационарный кардиомонитор, холтеровский ЭКГ-монитор, носимое устройство регистрации ЭКГ или мобильное устройство с функцией регистрации ЭКГ.



 

Похожие патенты:

Группа изобретений относится к медицинской технике, а именно к соединению капнографического устройства для потока дыхательного газа, капнографическому анализатору дыхательного газа и капнографическому способу анализа дыхательного газа. Соединение содержит соединитель (30, 30М) устройства, имеющий охватывающую приемную часть (40) или охватываемый ниппель (40М).
Изобретение относится к медицине, а именно к хирургии, и может быть использовано для прогнозирования риска развития грыжи передней брюшной стенки. Определяют индекс аутофлюоресценции кожи (ИАФ) с помощью анализатора конечных продуктов гликирования.

Изобретение относится к медицине и медицинской технике и позволяет определить гематокрит крови путем центрифугирования и последующего расчета. Гематокрит определяют в процессе разделения крови на компоненты на аппарате автоматического цитоплазмафереза.
Изобретение относится к медицине, а именно к стоматологии. У пациента с клиническими признаками глоссита после ночного сна натощак до приема воды и до смены горизонтального положения собирают ротовую жидкость в контейнер, замораживают, определяют энзиматическим колориметрическим методом количественное содержание желчных кислот.
Изобретение относится к медицине, а именно к анестезиологии-реаниматологии, и может быть использовано для оценки степени тяжести пострадавших в дорожно-транспортных происшествиях. Проводят оценку клинических и инструментальных показателей трех систем: ЦНС, сердечно-сосудистой системы и дыхательной системы.
Изобретение относится к медицине, а именно к неврологии, функциональной и ультразвуковой диагностике, и может быть использовано для верификации мультифокального варианта хронической воспалительной демиелинизирующей полирадикулонейропатии. Электронейромиографически исследуют срединный и локтевой нерв с двух сторон справа и слева.
Изобретение относится к медицине, а именно к терапии, кардиологии и ревматологии, и может быть использовано для прогнозирования развития и доклинической диагностики систолической дисфункции левого желудочка у пациентов с анкилозирующим спондилитом, включающее определение длительности заболевания, стадии сакроилеита, наличия или отсутствия внеаксиальных проявлений анкилозирующего спондилита, после чего определяют вероятность p возникновения повышенного уровня ММП-9 по формуле.
Изобретение относится к медицине, а именно к неонатологии, может быть использовано в для диагностики стресса в раннем неонатальном периоде. Для этого проводят непрерывное мониторирование электродермальной активности в течение трех часов посредством регистрации сигналов кожной проводимости.

Изобретение относится к медицине, а именно, к функциональной диагностике, физиотерапии в колопроктологии, и может быть использовано для восстановления резервуарной функции низведенной или прямой кишки с использованием метода биологической обратной связи - БОС-терапии. В прямую кишку или низведенную кишку вводят латексный баллон.
Изобретение относится к медицине, а именно к стоматологии и может быть использовано для репрезентативного проведения электромиографии (ЭМГ) жевательных и височных мышц. Датчики закрепляют по центру жевательных и височных мышц на голове пациента с помощью фиксирующего устройства, содержащего соединенные друг с другом эластичные ленты.
Наверх