Устройства для регистрации и передачи электрокардиограмм
Содержание
Структура и алгоритмы анализа персональных регистраторов ЭКГ
Регистраторы с отсроченным анализом ЭКГ
Алгоритмы анализа персональных регистраторов ЭКГ
Особенности реализации алгоритмов выделения qrs-комплексов для
экг-систем реального времени
Классификация методик выделения QRS - комплексов
Алгоритм выделения QRS - комплексов
Реализация
Список используемой литературы
Структура
и алгоритмы анализа персональных регистраторов ЭКГ
Современная электроника и телекоммуникации позволили сделать
значительный шаг вперед в области устройств регистрации и передачи
электрокардиограмм (ЭКГ). Миниатюрные портативные регистраторы предоставляют
массу функциональных возможностей врачу-кардиологу и облегчают повседневную
жизнь пациенту. Одной из основных причин для обследования человека при помощи
персонального регистратора являются жалобы предположительно сердечного
происхождения. К ним относятся: сердцебиения, боль в груди, головокружение,
одышка, тахикардия, внезапная усталость, аритмии, нарушение работы искусственного
водителя ритма, перенесенный инфаркт миокарда.
Существующие на сегодняшний день на рынке портативные
устройства мониторирования можно классифицировать на три категории в
зависимости от их особенностей:
Регистраторы
с отсроченным анализом ЭКГ
Телеметрические регистраторы событий.
Регистраторы, проводящие классификацию ЭКГ в реальном
времени.
В первую группу входят устройства суточного мониторирования
(мониторы Холтера). Суть методики заключается в длительной регистрации ЭКГ в
условиях свободной активности пациента с последующим анализом записи [3].
Длительность регистрации может достигать 72 ч, после чего производится анализ
записанной информации. Врач просматривает запись и идентифицирует отклонения в
работе сердца за данный период.
Основной недостаток метода - короткий период наблюдения и
отстроченный анализ.
Проблема решается путем использования телеметрических
регистраторов событий. Это приборы небольших размеров, способные производить
запись ЭКГ в 1-3 отведениях. Устройство находится у пациента, при необходимости
больной прикладывает электроды к телу и нажатием кнопки осуществляет запись
ЭКГ. Записанная ЭКГ передается лечащему врачу по телефону, модему, через
локальную компьютерную сеть. Регистраторы событий более эффективны в
диагностике аритмий, возникающих не чаще чем один раз в месяц, чем холтеровское
мониторирование.
Регистраторы, проводящие классификацию ЭКГ в реальном
времени, должны проводить самостоятельный автоматический анализ ЭКГ и выявлять
жизнеугрожающие состояния [2] (экстрасистолия высоких градаций, желудочковые и
наджелудочковые тахиаритмии, клинически значимые изменения сегмента "5Ти
т.д.), автоматически включать запись и сигнализировать о них пациенту.
Принцип работы всех типов приборов одинаков и заключается в
регистрации и преобразовании электрических потенциалов с тела человека для
дальнейшей обработки и диагностики, однако клиническое значение, функциональные
возможности и схемные решения различны в зависимости от требований,
предъявляемых к каждому устройству.
Основными проблемами, с которыми приходится сталкиваться при
разработке таких устройств, являются:
Обеспечение безопасности в соответствии с требованиями ГОСТа
Р 50267.25-94 для изделий медицинского назначения.
алгоритм электрокардиограмма персональный регистратор
Выбор и реализация высокоскоростных и надежных протоколов
передачи данных.
Качественная регистрация электрокардиографического сигнала в
частотном диапазоне от постоянного тока до 200 Гц и амплитудном диапазоне от 0
до 10 мВ.
Обеспечение длительного времени непрерывной работы от одного
комплекта батарей питания.
Миниатюрность, компактность и удобство эксплуатации.
Все рассмотренные регистраторы имеют в своем составе
одинаковые функциональные узлы: блок усиления электрокардиосигнала, блок
обработки и интерфейс для обмена информацией.
Структурная схема модуля, разработанная по принципу единой
аппаратной архитектуры функциональных узлов, позволяющая реализовывать тот или
иной тип регистратора, приведена на рис, 1, Модуль включает блок усилителей
электрокардиосигнала 1, рассчитанный на возможность регистрации от 1 до 12
отведений ЭКГ. Частотный диапазон усиления от постоянного тока до 200 Гц,
разрешающая способность аналого-цифрового преобразователя (АЦП) 3 мкВ, уровень
собственных шумов не более 5 мкВ.
В качестве микропроцессора 3 служит микроконтроллер фирмы
"Texas Instruments" серии MSP430 [5]. Этот 16-разрядный микроконтроллер со
сверхнизким энергопотреблением (2,5 мкА в режиме энергосбережения и 280 мкА в
рабочем режиме) содержит в своем составе 12-разрядный 8 - канальный АЦП с
источником опорного напряжения, имеет 5 режимов снижения потребления тока, 32
линии портов ввода-вывода; диапазон напряжения питания микроконтроллера 1,8-3,6
В.
Модули памяти 4,5 построены на серии микросхем
энергонезависимой Nand Flash памяти фирмы "Samsung". Для реализации
суточного мониторинга ЭКГ требуется сохранять значительный объем информации, в
этом случае используется микросхема объемом 64 или 128 Мб, для регистрации
коротких фрагментов ЭКГ достаточно 4 Мб. Предусмотрена возможность подключения
к модулю контроллера интерфейса 14 USB 2.0 для передачи больших объемов данных.
Встроенный блок сопряжения с телефонной линией 13 позволяет
осуществлять передачу зарегистрированной информации по обыкновенному телефону.
Блок телефонного интерфейса 12 построен на основе микросхемы
модуляции/демодуляции фирмы CML, поддерживающей цифровую дуплексную связь по
телефонному каналу по протоколу V.23. Это многостандартный модем, выполняющий QAM-, DPSK-, FSK-модуляцию (Quadrature Amplitude Modulation, Phase Shift Keying, Frequency Shift Keying - квадратурная
амплитудная, фазовая и частотная) в зависимости от используемого стандарта,
передает полученный сигнал в телефонную линию - через блок сопряжения с
телефонной линией. Передача выполняется стандартом: v.32bis со скоростью 14 400
бит/с. Микросхема управляется микроконтроллером с помощью АТ-команд посредством
последовательного интерфейса С-BUS.
Оптическая развязка обеспечивает гальваническую изоляцию
рабочей части, имеющей непосредственный контакт с человеком и другим
оборудованием. Вся схема питается от двух батарей типа AAA, для стабилизации
напряжения и исключения выхода из строя микроконтроллера используется
стабилизатор напряжения 16 на переключаемых конденсаторах, имеющий КПД 90%; для
питания блока усиления используется дополнительный преобразователь напряжения
(± ЗВ).
Центральная автоматизированная станция используется для
приема и обработки данных с персональных регистраторов, включает центральный
компьютер 18 с периферией 20, 25, модем 20 для приема данных по телефонному
каналу от персональных регистраторов 22.
Алгоритмы
анализа персональных регистраторов ЭКГ
Разработка алгоритма автоматического анализа в портативных
устройствах ограничена объемом памяти для обработки и хранения больших массивов
промежуточных данных и техническими характеристиками микроконтроллера.
Применение высокопроизводительных специализированных процессоров цифровой
обработки сигналов (DSP) в данном случае невозможно из-за их высокого энергопотребления.
В свою очередь необходимо создание надежного алгоритма выявления наиболее
опасных видов нарушений ритма и проводимости сердца.
Любая ЭКГ (рис.2) содержит зубцы, сегменты и интервалы,
которые отражают процесс распространения возбуждения, но форма и характер
электрокардиосигнала у каждого человека зависят от особенностей строения
сердца. При патологических изменениях в сердце форма ЭКГ может измениться и
сохраняться на протяжении всей жизни. В этом случае необходим постоянный
контроль ЭКГ для предотвращения дальнейших изменений. Поэтому необходимо
создать алгоритм анализа, проводящий классификацию ЭКГ в реальном времени,
используя вычислительные ресурсы встроенного в устройство микроконтроллера, и
удовлетворяющий следующим условиям:
1. Минимальные затраты по вычислительной
мощности - один из самых основных критериев для персональных устройств
регистрации.
2. Способность алгоритма к классификации
основных компонентов ЭКГ.
3. Положение комплекса определяется позицией
максимума - зубца R (для сравнения с эталонным комплексом).
4. Высокая помехоустойчивость.
В настоящее время существует множество [1,4, 5] методов
анализа ЭКГ, которые можно разделить на следующие основные группы:
а) частотно-временные методы;
б) методы, основанные на использовании нейронных сетей;в)
синтаксические методы; - г) методы эталонов;
д) комбинированные методы.
Частотно-временные методы, например преобразование Фурье,
представляет сигнал, заданный во временной области, в виде разложения по
ортогональным базисным функциям, выделяя, таким образом, частотные компоненты.
Недостаток преобразования Фурье заключается в том, что частотные компоненты не
могут быть локализованы во времени, что накладывает ограничения на применимость
данного метода. Более информативно исследовать динамику изменения частот в
сигнале при помощи вейвлет-преобразования.
Вейвлет-преобразование позволяет раскладывать анализируемый
сигнал по компактным, хорошо локализованным по времени и частоте базисам. Оно
имеет хорошее разрешение по времени и плохое разрешение по частоте в области
высоких частот и хорошее разрешение по частоте и плохое разрешение по времени в
области низких частот. Этот подход дает хорошие результаты, особенно когда
компоненты сигнала с высокой частотой имеют небольшую длительность, а
низкочастотные компоненты - достаточно большую. Сигнал ЭКГ, как и большинство
биологических сигналов, имеет именно такую структуру.
Нейросетевые методы, как и вейвлет-анализ, обладая большой
помехоустойчивостью, позволяют построить достаточно точные алгоритмы анализа в
зависимости от регистрируемого отведения. Недостатком является необходимость в
больших вычислительных ресурсах.
Синтаксическими методами анализируется структура сигнала по
некоторым синтаксическим правилам. На предварительном этапе алгоритма анализа
структуры сигнала могут происходить интерполяция нулевого порядка и
формирование сжатого описания сигнала. По построенному описанию с помощью
синтаксических правил сигнала определяются основные характерные элементы ЭКГ.
Эффективность алгоритма распознавания определяется синтаксическими правилами и
пороговыми значениями для алгоритмов интерполяции и сжатого описания, которые
подбираются опытно-логическим путем.
Структурное распознавание сигнала проводится с помощью синтаксических
правил определения основных элементов ЭКГ. Эффективность алгоритма
распознавания определяется правилами и пороговыми значениями, которые
подбираются опытно-логическим путем для каждого отведения.
Метод эталонов подразумевает наличие некоторого набора
классифицированных шаблонных комплексов ЭКГ, с которыми производится сравнение
текущего фрагмента ЭКГ. Классифицированные как норма или отклонение эталонные
комплексы записываются в память устройства регистрации.
Предлагаемый алгоритм анализа фрагмента ЭКГ для персонального
регистратора можно разделить на следующие этапы:
а) предварительная обработка сигнала;
б) выделение опорной точки (? ЛУ-комплекса;
в) выделение основных зубцов и сегментов отдельного
комплекса;
г) анализ и классификация выделенных сегментов;
д) анализ ритма сердца.
Предварительная обработка фрагмента зарегистрированного
сигнала осуществляется высокочастотными (ФВЧ) и низкочастотными (ФНЧ) фильтрами
для удаления помехи частотой 50 Гц, мышечных шумов, дрейфа изолинии и
высокочастотных шумов.
На рис.3 приведены результаты моделирования алгоритма
выделения опорной точки £ЖУ-комплекса в среде Mathcad. Он работает следующим
образом: исходный сигнал пропускается через полосовой фильтр, каждый полученный
отсчет возводится в квадрат и фильтруется ФВЧ. На каждом шаге вычислений
удвоенное произведение этого сигнала является пороговым значением амплитуды
исходного сигнала. Появление высокоамплитудного зубца R превышает это пороговое
значение в некоторой точке, находящейся на склоне зубца R. Для предотвращения
срабатывания на высокоамгшитудный зубец Т, следующий после зубца R, необходимо
устанавливать период рефрактерности длительностью 200 мс.
"
Вычисления проводятся по формулам:
,
где 
- входные отсчеты; 
-
- коэффициенты полосового фильтра; bl,Ь2 - коэффициенты ФНЧ; 
- адаптивный порог.
После выделения опорных точек Ropt на интервале [
,], где 
и 
- предыдущий и последующий интервалы 
, необходимо выделить основные зубцы комплекса QRS. Для этого
может быть использована первая производная сигнала с пороговым детектором
зубцов. Результаты моделирования работы алгоритма выделения основных зубцов
комплекса QRS представлены на рис.4.
Классификация выделенных комплексов проводится методами сравнения
с эталонными комплексами, записанными ранее в память устройства регистрации.
Для анализа ритма входными данными являются RR-интервалы и классифицированные
комплексы.
Построенный на основе данной структуры мобильный 12-канальный
электрокардиограф обладает следующими особенностями: возможность синхронной
регистрации 12 стандартных отведений ЭКГ в реальном времени и передача данных
посредством USB-интерфейса в компьютер, подключение к
карманному персональному компьютеру с соответствующим программным обеспечением.
Таким образом, создание универсального аппаратного модуля
позволило снизить затраты на разработку различных персональных средств
регистрации биоэлектрических потенциалов, объединив в себе все функциональные
узлы, необходимые для реализации практически любого современного мобильного
регистратора.
Особенности
реализации алгоритмов выделения qrs-комплексов для экг-систем реального времени
Отправной точкой ряда современных методик компьютерной
электрокардиографии является локализация QRS-комплексов, положение
которых определяется позицией максимума - R-зубца. Полученная
последовательность R-зубцов используется для сегментации кардиоцикла, измерения
амплитуд и длительностей отдельных его элементов, определения изолинии
ЭКГ-методом полиномиальной аппроксимации, а также в методиках анализа
вариабельности сердечного ритма. ЭКГ-системы, осуществляющие запись и обработку
ЭКГ непосредственно во время записи сигнала, относятся к системам реального
времени, поскольку функциональная часть этих систем должна непрерывно
обрабатывать и анализировать поступающую информацию и оперативно, по
возможности с меньшей задержкой, реагировать на изменившееся состояние внешних
параметров. Для систем ЭКГ поступающей информацией в основном является
ЭКГ-сигнал, а внешними параметрами - характеристики записываемого сигнала:
частота сердечных сокращений (ЧСС), фактор присутствия фибрилляций и т.д. В
силу этих специфических особенностей ЭКГ-системы реального времени предъявляют
повышенные требования к алгоритмам, реализующим обработку поступающей
информации. Среди наиболее важных требований к подобным алгоритмам следует
выделить:
) соответствие производительности алгоритма скорости
входящего потока данных;
) гарантированность получения результата или выработки
управляющего воздействия в течение заранее заданного промежутка времени;
) возможность эффективной работы при ограниченной доступности
входных данных.
Последнее требование является существенным для систем
реального времени, поскольку его выполнение требует определенных качеств самого
алгоритма и не может быть обеспечено вспомогательными аппаратно-программными
средствами. Поэтому при выборе того или иного метода необходим разумный
компромисс между функциональными характеристиками метода и степенью его
соответствия требованиям систем реального времени, таким образом, задача выбора
оптимального метода выделения QRS-комплексов из потока входящей информации для
применения в ЭКГ-системах реального времени является достаточно актуальной.
Классификация
методик выделения QRS - комплексов
Электрокардиограмма представляет собой запись электрических
потенциалов активности сердца, снятую с одного или нескольких отведений, и
состоит из периодической последовательности сердечных циклов. На ЭКГ сердечный
цикл обычно отображается в виде трех легко различимых элементов - комплексов.
Р-комплекс соответствует деполяризации предсердий, QRS - деполяризации
желудочков, Т - их реполяризации; реполяризация предсердий на ЭКГ не
проявляется. Каждый комплекс состоит из нескольких разнонаправленных пиков, или
зубцов (рис.1). Число зубцов в каждом комплексе различно в разных отведениях и
у разных пациентов. Так R - и T-комплексы обычно содержат один или два зубца, a QRS-комплекс - от 1 до
7.
Продолжительность QRS-комплекса выражает время, необходимое для
деполяризации мускулатуры желудочков и измеряется от начала Q-волны до конца S-волны. За начало Q-волны принимается точка,
за которой уровень ЭКГ-сигнала становится меньше уровня изолинии, а конец S-волны - точка выхода
сигнала на уровень изолинии, что является во многом условным. Нормальная
продолжительность QRS - комплекса составляет 0,07-0,10 с. Если
продолжительность превышает 0,11 с, то это может свидетельствовать о наличии
нарушений проводящих путей. Максимальная амплитуда QRS-комплекса определяется
амплитудой R-волны
и составляет обычно 0,5 - 1,0 мВ. Амплитуда QRS-комплекса менее 0,4 мВ может
свидетельствовать об определенных отклонениях.
В настоящее время существует множество методик выделения QRS-комплексов, которые по
используемому подходу можно разделить на 5 основных групп: а) алгоритмы анализа
ЭКГ во временной области; б) алгоритмы, основанные на частотно-временных, в том
числе и нелинейных, преобразованиях сигнала ЭКГ; в) алгоритмы на основе
применения нейросетевых моделей; г) синтаксические методы; д) комбинированные
алгоритмы.
Количественными характеристиками эффективности QRS-алгоритмов принято
считать несколько величин: вероятность распознавания произвольного QRS-комплекса, выраженного в
процентах (чувствительность), вероятность того, что произвольный выделенный QRS-комплекс является
истинным (предсказуемость) и частоту выдачи детектором правильного результата
(эффективность). Чувствительность определяется количеством ложно отсеянных QRS-отсчетов,
предсказуемость зависит от количества ложно определенных комплексов, а
эффективность является интегральным показателем качества метода.
Алгоритмы группы а, многие из которых используют принципы,
заложенные в работе [8], основаны на применении к входному сигналу, кроме
процедур линейной фильтрации, обычно фильтров высокой чистоты (ФВЧ) и фильтров
низкой чистоты (ФНЧ) последовательно, некоторого нелинейного преобразования,
включающего в себя обычно процедуру интегрирования сигнала в скользящем окне.
Положение R-зубца определяется при помощи порогового детектора уровня сигнала,
значения которого могут быть как фиксированными, так и вычисляться адаптивно на
каждом шаге работы алгоритма. Дополнительно, чтобы повысить чувствительность,
могут использоваться другие процедуры повышения точности: дополнительная
предварительная обработка ЭКГ, введение вспомогательных оценочных процедур,
позволяющих выявлять лож - неопределенные QRS - комплексы. Альтернативным подходом
является применение согласованной фильтрации [5], представляющей собой
вычисление тех или иных корреляционных соотношений между отрезком входного
сигнала соответствующей длительности и базовыми шаблонами QRS-комплекса. Данный подход
предусматривает различные вспомогательные процедуры, позволяющие производить
коррекцию морфологии исходных шаблонов. Эффективность методов этой группы
составляет 96-98% корректно определяемых б&У-комплексов из общего числа
присутствующих в ЭКГ.
Алгоритмы группы б основаны на применении после ряда процедур
предварительной обработки ЭКГ различных частотно-временных преобразований,
таких как локальное преобразование Фурье, преобразование Карунена-Лоева,
дискретное вейвлет-преобразование [6]. При использовании вейвлет-преобразования
применяется несколько основных базовых вейвлет-функций, причем ряд методов
предусматривает обратную связь для коррекции их параметров. При этом
локализация положения QRS-комплекса осуществляется в области
вейвлет-спектра, в простейшем случае путем простого детектирования уровня.
Методики этой группы характеризуются относительно невысокой
производительностью, достаточно низкой чувствительностью к шумам и
эффективностью, превышающей 99%.
Алгоритмы группы используют нейросетевые методы обработки
данных и обычно применяются для анализа морфологии и классификации элементов
ЭКГ. Нейросетевые модели позволяют значительно более эффективно адаптироваться
к нестационарному характеру ЭКГ, поэтому в задачах выделения QRS-комплексов
используются при адаптивной согласованной фильтрации [10]. Чувствительность
методик варьируется в широком диапазоне, но в целом достигает 99%.
Группу г составляют синтаксические алгоритмы, также известные
как лингвистические или грамматические. Исходный анализируемый сигнал
представляется в виде определенной последовательности примитивов, определяются
специальные правила (грамматики), порождающие тот или иной элемент ЭКГ из
множества примитивов. Выделение элементов ЭКГ сводится к определению
порождающей грамматики [10].
Сердечный цикл
Группу д составляют различные комбинации методов, обычно
являющиеся синтезом алгоритмов групп в и б или в и а. Особенно выигрышным
оказалось первое сочетание, поскольку подобный подход позволяет достичь
максимальной на сегодняшний день чувствительности - 99,9% на тестовых подборках
ЭКГ. К недостаткам методов этой группы стоит отнести требовательность к
вычислительным ресурсам.
Проведенный анализ показал, что методики групп б, в, г и д
требуют в единицу времени на порядок больше элементарных математических
операций, чем методы группы а, при этом чувствительность и эффективность
QRS-детектора обычно повышается на 1-3%. Более того, необходим достаточно
больший интервал времени для адаптации параметров детектора, что делает подобные
алгоритмы трудно применимыми для систем реального времени, когда необходимо
получение ЧСС с первых секунд после начала съема ЭКГ. Вейвлет-анализаторы
обычно применяются при автоматизированном анализе уже записанной длительной ЭКГ
и отличаются повышенной устойчивостью к шумам, нейросетевые алгоритмы активно
применяются для классификации элементов ЭКГ.
Алгоритм
выделения QRS - комплексов
Предлагаемый алгоритм детектирования QRS - комплексов для
программных ЭКГ-систем реального времени основывается на ряде хорошо себя
зарекомендовавших методов [3, 8], относящихся к группе а. Методика разработана
с учетом требований систем ЭКГ реального времени, специально адаптирована для
реализации с использованием высокооптимизированной библиотеки цифровой
обработки сигналов NSP компании "Интел" [4] и позволяет надежно в режиме
реального времени определять положение QRS - комплексов в каждом из 12
стандартных отведений.
Алгоритм делится на несколько шагов:
1) предварительная обработка ЭКГ, которая
заключается в высокочастотной (ВЧ) и низкочастотной (НЧ) фильтрации входящего
потока ЭКГ;
2) вычисление 2 входных потоков данных -
сигнала, прошедшего предварительную обработку, и сигнала, дополнительно
подвергнутого ряду нелинейных преобразований;
3) вычисление и сравнение адаптивных
пороговых значений соответственно с двумя входными потоками;
4) определение интервала, в котором
предположительно содержится R-зубец;
5) фильтрация некорректно определенных R -
зубцов;
6) определение положения R-зубцов в каждом из 12
стандартных отведений.
Предварительная обработка ЭКГ заключается в фильтрации помех,
в основном являющихся сетевым шумом с частотой 50/60 Гц и шумом электрической
активности мышц, что можно сделать достаточно эффективно одним фильтром низкой
чистоты (ФНЧ). Был применен КИХ-фильтр 48-го порядка, рассчитанный с окном
Кайзера, имеющий линейную фазо-частотную характеристику (ФЧХ) в полосе
пропускания. Данный фильтр обеспечивает подавление 50 Гц на 65 дБ, 60 Гц на 60
дБ, мышечного тремора - 10-20 дБ (рис.2).
ФЧХ данного фильтра имеет линейный вид в полосе пропускания,
что минимизирует искажения ЭКГ в интересующей нас области. Возможно применение
и других фильтр с конечно-импульсивной характеристикой (КИХ) - фильтров,
имеющих линейную ФЧХ, например фильтров, синтезированных на основе метода
Паркса-Маклеллана [7], который представляет собой оптимальный алгоритм расчета
КИХ-фильтров с требуемой АЧХ на основе алгоритма полиномиальной аппроксимации
Ремеза. Выбор того или иного фильтра диктуется прежде всего вычислительной
нагрузкой и необходимой эффективностью подавления шума. Современные
вычислительные возможности позволяют производить обработку КИХ-фильтрами
достаточно высокого порядка, что дает возможность отказаться от использования
заведомо более эффективных, но приводящих к значительным искажениям фильтр с
бесконечно-импульсивной характеристикой (БИХ) - фильтров. В качестве
альтернативного решения может быть предложена адаптивная фильтрация.
Поскольку исходная ЭКГ содержит некоторую шумовую составляющую,
имеющую низкую частоту (менее 1 Гц), так называемый дрейф изолинии, необходима
коррекция ЭКГ. Для этого возможно применение различных ФВЧ, например БИХ -
фильтра Баттерворда низкого порядка. Большой порядок фильтра в данном случае
неважен, поскольку даже фильтры 2-3 порядка обеспечивают достаточное для
нормальной работы алгоритма подавление постоянной составляющей. При
необходимости подобный БИХ-фильтр может быть эффективно заменен адаптивным
КИХ-фильтром. Интересным представляется также использование морфологических
фильтров [9], что, однако, приводит к увеличению вычислительной нагрузки.
(О
Следующим этапом работы алгоритма является вычисление
адаптивных пороговых значений. Для повышения эффективности метода вычисляются
два адаптивных пороговых значения, которые применяются соответственно к двум
потокам данных: первый поток данных содержит сигнал, прошедший предварительную
обработку - фильтрацию, второй поток - сигнал, подвергнутый некоторым
нелинейным преобразованиям. Первое пороговое значение 7} вычисляется следующим
образом:
Вероятность того, что R-зубец в действительности
содержится на интервалах, где 0 (n) = 1, достаточно высока, но для повышения точности алгоритма
необходима процедура фильтрации некорректно определенных позиций R-зубцов. Это можно
сделать за счет применения эвристических правил анализа характеристик
исследуемого R-зубца. Для этого после определения предполагаемого положения R-зубца создается массив
определенных свойств: длительности RR-интервала между исследуемым зубцом и предыдущим
и модуля производной сигнала RA, вычисляемой в предполагаемых точках нахождения
R-зубца. Эти параметры
сохраняются в циклическом буфере, способном сохранять не менее 3 последних
значений Л-зубцов, дополнительно к этому необходимо вычисление среднего
значения ЧСС за последние 10 циклов.
Если RR-интервал между двумя последующими зубцами менее
300 мс (что соответствует пульсу 200 мин"1), то
решение о том, какой из зубцов является истинным, принимается исходя из
максимума RA, поскольку известно, что Л-зубец обладает максимальным градиентом.
Таким способом можно отсеять узкие и высокие R - и T-волны, часто
определяемые пороговым детектором как R-зубцы. Существует возможность дополнительно
повысить эффективность алгоритма, усложнив эвристические правила анализа, если
вести статистику не только корректно определенных R-зубцов, но и отсеянных. Это
позволяет в случае необходимости в течение последующих шагов скорректировать
работу алгоритма, не потеряв ложноотсеянного QRS - комплекса.
В случае, когда доступно более одного отведения, можно
несколько повысить точность алгоритма за счет использования большего количества
отведений в качестве базовых. На практике оказывается полезным использовать
отведения I и II стандартной системы 12 отведений. Применение суперпозиции 2
отведений позволяет несколько увеличить отношение сигнал/шум, а также подавить
нежелательное воздействие на пороговый детектор артефактов, связанных с отрывом
одного из электродов. Отведения I и II складываются с определенными весами,
формируя исходный сигнал для детектора Х [п]:
Реализация
Реализация данной методики выделения QRS - комплексов на основе
прикладных библиотек цифровой обработки сигналов подразумевает формализацию
шагов до уровня конкретной используемой прикладной библиотеки. Под этим
понимается то, что шаги алгоритма следует по возможности осуществлять с помощью
процедур, оптимизированных для выбранного процессора, предоставляемых
конкретной библиотекой. Блок-схема реализации на основе программного
обеспечения для цифровой обработки сигналов NSP компании
"Интел" представлена на рис.5. Блок начальной обработки включает в
себя функции фильтрации, полностью реализуемые на основе функций библиотеки NSP. Возможна эффективная
реализация процедуры фильтрации как целочисленно, так и с плавающей точкой.
Более того, эта прикладная библиотека содержит оптимизированные функции
операций с векторами, что позволяет эффективно реализовать следующие операции:
дифференцирование, интегрирование сигнала, сравнение адаптивных пороговых
значений и вычисление функции © (n), нахождение максимума. Все эти операции в действительности
сводятся к простым манипуляциям с векторами, поэтому оказывается эффективной
группировка входных данных в блоки с длительностью по времени до 1 с. Эти блоки
данных являются входящими для модуля начальной обработки и, следовательно, QRS-детектор не может
выдавать значения R-зубцов с частотой, превышающей частоту поступления входных
данных. В настоящий момент реализации QRS-детектора интегрирована в рамках программного
ЭКГ - комплекса, осуществляющего полную сегментацию ЭКГ в режиме реального
времени. Метод был апробирован как в пакетном режиме на сериях тестовых ЭКГ с
расставленными метками R-зубцов, так и в режиме реального времени с использованием
эмулятора ЭКГ. Тестирование алгоритма проводилось на ЭКГ-записях, полученных на
12-каналь - ном цифровом компьютерном электрокардиографе KARDi [1]. Эффективность
алгоритма - количество корректно определенных QRS-комплексов из. общего
числа присутствующих в тестовых ЭКГ - оказалась на уровне 97-99%. Выяснено, что
основные ошибки алгоритма происходят за счет того, что используемые пороги
могут оказаться достаточно высокими, и существует небольшая вероятность того,
что настоящий R-зубец просто не будет определен пороговым детектором, особенно
в первые секунды работы алгоритма, когда происходит первоначальная подстройка
пороговых значений. Итак, анализ различных методов выделения QRS-комплексов показал, что
хотя существуют и более точные методы, до сих пор наибольшую целесообразность
для систем реального времени имеет применение классического подхода при
использовании различных методов, позволяющих повысить чувствительность
алгоритма [2]. При реализации критичных ко времени выполнения процедур
необходимо опираться на существующие оптимизированные библиотеки цифровой
обработки сигналов.
Список
используемой литературы
1.
Ларионов Д.Ю. Структура и алгоритмы анализа персональных регистраторов ЭКГ.
Журнал медицинская техника. 2007 г. Ст.7-10.
.
Нагин В.А. Особенности реализации алгоритмов QRS-комплексов для
ЭКГ-систем реального времени. Журнал медицинской техники 2009г. Ст.18-23.