Алгоритм обнаружения QRS-комплекса на электрокардиограмме в реальном времени
Авторы: Обухов С.А., Степанов В.П.
Опубликовано в выпуске: #5(89)/2019
DOI: 10.18698/2308-6033-2019-5-1877
Раздел: Механика | Рубрика: Биомеханика и биоинженерия
Большинство методов морфологического анализа электрокардиограммы (ЭКГ) базируется на поиске R-зубцов. При известном положении R-зубца определение остальных составляющих QRS-комплекса выполняется относительно просто. Основные проблемы машинного обнаружения R-зубца — артефакты записи ЭКГ и высокая изменчивость кардиокомплексов. Предложен и реализован алгоритм обнаружения QRS-комплекса, состоящий из двух этапов. На предварительном этапе для удаления шумов и неинформативных компонентов ЭКГ выполняют частотно-временные преобразования, как и в детекторе Пана — Томпкинса. Алгоритм имеет адаптивные параметры для учета вариативности R-зубцов. В качестве параметров выступают среднее арифметическое и стандартное отклонение высоты предшествовавших R-зубцов и длин RR-интервалов. На основном этапе работы алгоритма адаптивные параметры используют для прогноза характеристик следующего R-зубца. Предложена функция, которая оценивает отличие текущих метрик условного R-зубца с вершиной в данной точке от ожидаемых. Минимум данной функции на заданном интервале является критерием обнаружения R-зубца. Программная реализация алгоритма показала высокую чувствительность и специфичность на тестовых базах данных MIT-BIH. Алгоритм применим в кардиомониторах, автоматических дефибрилляторах, искусственных водителях ритма с цепью обратной связи и в других приборах с обработкой ЭКГ в реальном масштабе времени
Литература
[1] Бахилин В.М. Автоматическое выделение участков электрокардиосигнала с нормальным синусовым ритмом. Информационно-управляющие системы, 2010, № 5, c. 78–84.
[2] Тун Зо Зо, Филист С.А., Шаталова О.В. Способы и алгоритмы морфологического анализа в задачах распознавания QRS-комплексов. Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика, 2011, № 7, c. 132–139.
[3] Ладяев Д.А. Использование вейвлета Добеши-2 и алгоритма Берга — Массара при решении задачи обнаружения QRS-комплексов ЭКГ-сигналов. Системы управления и информационные технологии, 2007, № 2, с. 162–166.
[4] Истомин Б.А. Систематизация методов анализа ЭКГ с учетом их помехоустойчивости. Известия ЮФУ. Технические науки, 2010, № 8, с. 86–91.
[5] Кривоногов Л.Ю. Метод и алгоритмы помехоустойчивой обработки электрокардиосигналов на основе эмпирической модовой декомпозиции. Известия ЮФУ. Технические науки, 2014, № 10, с. 104–114.
[6] Рослякова А.В., Чурпаков П.Г. Сравнительный анализ алгоритмов обнаружения R-зубца электрокардиосигнала. Вятский медицинский вестник, 2012, № 2, с. 29–35.
[7] Singh O. A Robust R-peak Detection Algorithm using Wavelet Packets. International Journal of Computer Applications, 2011, vol. 36 (5), pp. 37–43.
[8] Ling H., Lin Q.H., Chen J.D. Application of the Empirical Mode decomposition to the analysis of Esophageal Reflux Disease. IEEE transactions on Biomedical Engineering, 2005, vol. 52 (10), pp. 32–39.
[9] Yu S.N., Chou K.T. Integration of independent component analysis and neural networks for ECG beat classification. Expert systems with applications, 2008, vol. 34 (4), pp. 2841–2846.
[10] Kuzilek J., Lhotska L., Hanuliak M. An automatic method for holter ECG denoising using ICA. Proceedings of the 4th International Symposium on Applied Sciences in Biomedical and Communication Technologies. Barcelona, Spain, October 26–29, 2011. New York, USA, ACM, 2011, vol. 3, pp. 1–5.
[11] Pan J., Tompkins W.J. A real time QRS detection algorithm. IEEE transactions on Biomedical Engineering, 1985, vol. 32, pp. 230–236.
[12] Леонова А.В., Агейченко А.А. Модификация алгоритма распознавания QRS-комплексов в реальном времени Пана — Томпкинса. Инженерный вестник Дона, 2015, т. 36, № 2, с. 106–120.
[13] Хохлов И.О., Калиниченко А.Н. Алгоритм предсказания параметров кардиокомплексов ЭКГ для помехоустойчивого обнаружения R-зубца. Известия СПбГЭТУ ЛЭТИ, 2017, № 1, с. 72–77.
[14] Goldberger A.L., Amaral L.A.N. Glass L. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation Electronic Pages, 2017, vol. 101 (23), pp. 215–220.