Что такое хм экг сердца: Холтеровское мониторирование (Холтер ЭКГ) – сделать суточное мониторирование работы сердца Центральной поликлинике литфонда (Москва)

Содержание

Холтеровское мониторирование электрокардиограммы (ХМЭКГ) в Москве

Холтеровское мониторирование электрокардиограммы (ХМЭКГ) в Москве | ФНКЦ ФМБА России Уточнить направление Фильтр БеременностьДыхательная системаИммунная системаИнфекцииМочевыделительная системаНервная системаОпорно-двигательная системаПищеварительная системаПокровная система (кожа), волосы и ногтиРепродуктивная системаСердечно-сосудистая системаСтоматологияЭндокринная системаСистемы

Эзофагогастродуоденоскопия, осмотр в узком спектре света (NВI, FICE)

А03.16.001.026

Эзофагогастродуоденоскопия

А03.16.001

Колоноскопия (толстокишечная эндоскопия)

А03.18.004

Колоноскопия, осмотр в узком спектре света (NВI, FICE)

А03.18.001.010

Колоноскопия экспертного уровня (увеличительная эндоскопия с осмотром в узком спектре света + хромоскопия)

А03.18.001.014

Динамическая сцинтиграфия почек (нефросцинтиграфия) с каптоприловой пробой

А07.28.002.002

Динамическая сцинтиграфия почек (нефросцинтиграфия)

А07.28.004.002

Перфузионная сцинтиграфия миокарда нагрузка+покой, однодневный протокол

А07.10.001.003

Статическая сцинтиграфия печени и селезенки с коллоидом

А07.14.002.003

Сцинтиграфия почек (статика)

А07.28.006.001

Динамическая сцинтиграфия почек с непрямой ангиографией

А07.28.004.001

Сцинтиграфия щитовидной железы с технецием 99м

А07.22.002.001

Сцинтиграфия паращитовидных желез

А07.22.005

Гепатохолесцинтиграфия (исследование желчевыводящей системы)

А07.14.002.002

Перфузионная сцинтиграфия миокарда в покое

А07.10.003.003

Сцинтиграфия легких перфузионная

А07.09.003

Сцинтиграфия костей, 3-х фазная

А07.30.031

Сцинтиграфия костей всего тела

А07.03.001.001

Стабилометрическое исследование (тест Ромберга)

А19.30.029

Электромиографическое и биомеханическое исследование движений верхних конечностей у спинальных больных

А19.30.032

Электромиографическое и биомеханическое исследование движений нижних конечностей у спинальных больных

А19.30.028

Исследование движений в суставах верхней конечности с электромиографией

А19.30.027

Исследование движений в плечевых суставах верхней конечности

А19.30.026

Исследование движений в плечевых суставах с электромиографией

А19.30.025

Исследование движений в плечевых суставах

А19.30.024

Исследование ходьбы с функциональной электромиографией

А19.30.023

Исследование ходьбы полное (голеностопные, коленные, тазобедренные суставы)

А19.30.022

Исследование ходьбы и движений в коленных и тазобедренных суставах

А19.30.021

Ультразвуковое исследование лимфатических узлов (все группы ЛУ шеи)

А04.06.002.001

Ультразвуковое исследование полового члена

А04.21.002

Ультразвуковое исследование органов мошонки (яички, придатки) с допплерографической оценкой кровотока (семенные вены, вены гроздевидного сплетения)

А04.28.003

Ультразвуковое исследование мошонки (яички, придатки) без допплерографической оценки кровотока

А04.28.003.001

Ультразвуковое исследование мягких тканей опорно-двигательного аппарата

А04.01.001.005

Ультразвуковое исследование мягких тканей после оперативных вмешательств

А04.01.001.004

Ультразвуковое исследование объемного образования мягких тканей (одно образование)

А04.01.001.003

Ультразвуковое исследование промежности (транспериниальное ультразвуковое исследование)

А04.20.003.002

Фолликулометрия (одно посещение, измерение доминантного фолликула, М-ЭХО)

А04.20.003.001

Ультразвуковое исследование грудных желез с подмышечными лимфоузлами ( для пациента мужского пола)

А04.20.002.004

Ультразвуковое исследование органов малого таза (трансабдоминально, и/или трансректально, и/или трансвагинально)

А04.16.001.001

Ультразвуковое исследование предстательной железы с определением остаточной мочи (трансабдоминально, и/или трансректально)

А04.21.001.002

Ультразвуковое исследование гепатобилиарной систем (печень, желчный пузырь, желчевыводящие протоки, поджелудочная железа, без селезенки)

А04.14.001.006

Ультразвуковое исследование верхней апертуры

А04.30.018

Ультразвуковое исследование мягких тканей для исключения грыжи (одна область)

А04.01.001.002

Ультразвуковое исследование забрюшинного пространства (забрюшинные, парааортальные, паракавальные, подвздошные лимфоузлы, оценка нижней полой вены и брюшного отдела аорты без кровотока)

А04.30.003.001

Ультразвуковое исследование сухожилия (одно сухожилие)

А04.04.002.001

Ультразвуковое исследование при пункции поверхностно расположенных структур для лечебных манипуляций (одна область)

А04.30.017

Ультразвуковое исследование при пункционной биопсии поверхностно расположенных структур (одна область)

А04.30.016

Ультразвуковое исследование при пункции внутренних органов для лечебных манипуляций (одна область)

А04.30.015

Ультразвуковое исследование при пункционной биопсии внутренних органов (одна область)

А04.30.014

Ультразвуковое исследование полых органов (одна область)

А04.30.013

Ультразвуковое исследование почек и надпочечников

А04.28.001

Ультразвуковое исследование определения свободной жидкости в брюшной полости с разметкой

А04.30.004.001

Ультразвуковое исследование для определения сроков беременности на I триместре (трансабдоминально, и/или трансвагинально)

А04.30.001.001

Ультразвуковое исследование мочевого пузыря и устьев мочеточников с определением остаточной мочи (трансабдоминально, и/или трансректально, и/или трансвагинально)

А04.28.002.050

Ультразвуковое исследование нерва (один нерв)

А04.30.012

Ультразвуковое исследование паращитовидных желез

А04.22.003

Ультразвуковое исследование надпочечников

А04.22.002

Ультразвуковое исследование щитовидной железы с лимфоузлами на уровне железы

А04.22.001.002

Ультразвуковое исследование молочных желез с подмышечными лимфоузлами

А04.20.002.003

Ультразвуковое исследование поджелудочной железы

А04.15.001

Ультразвуковое исследование желчного пузыря с определением его сократимости

А04.14.002.001

Ультразвуковое исследование желчного пузыря

А04.14.002.002

Ультразвуковое исследование печени

А04.14.001

Ультразвуковое исследование плевральной полости с разметкой (одна из областей)

А04.09.001.001

Ультразвуковое исследование слюнных желез (одна пара)

А04.07.002.001

Ультразвуковое исследование шеи после тиреоидэктомии (ложе щитовидной железы, мягкие ткани шеи, регионарные лимфоузлы)

А04.08.002.001

Ультразвуковое исследование лимфоузлов (одна зона)

А04.06.002

Ультразвуковое исследование селезенки

А04.06.001

Ультразвуковое исследование одного крупного сустава (плечевой, локтевой, лучезапястный, тазобедренный, коленный, голеностопный)

А04.04.001.003

Ультразвуковое исследование одного мелкого сустава (сустав пальца, кисти, стопы)

А04.04.001.002

Ультразвуковое исследование плода (II, III триместр)

А04.30.001.004

Ультразвуковое исследование плода (I триместр)

А04.30.001.003

Фармакодопплерография сосудов полового члена (ФДГ) без стоимости препарата

А04.21.002.001

Дуплексное сканирование сосудов глаза

А04.26.006.001

Дуплексное сканирование комплекса: брюшной отдел аорты, чревный ствол и его ветви, верхняя брыжеечная артерия

А04.12.003.008

Дуплексное сканирование комплекса: брюшной отдел аорты, почечные артерии и внутрипочечный кровоток

А04.12.003.007

Дуплексное сканирование брюшного отдела аорты

А04.12.003.006

Дуплексное сканирование подвздошных вен

А04.12.026.004

Дуплексное сканирование артерио-венозной фистулы

А04.12.026.003

Дуплексное сканирование нижней полой вены (оценка кава-фильтра)

А04.12.026.002

Дуплексное сканирование комплекса: левая почечная вена, семенная вена, вены гроздевидного сплетения

А04.12.023.001

Дуплексное сканирование нижней полой вены и почечных вен

А04.12.023

Дуплексное сканирование нижней полой вены и подвздошных вен

А04.12.026.001

Дуплексное сканирование вен верхних конечностей

А04.12.005.004

Дуплексное сканирование вен нижних конечностей

А04.12.006.002

Дуплексное сканирование подвздошных артерий

А04.12.003.005

Дуплексное сканирование артерий верхних конечностей (с пробой)

А04.12.019.001

Дуплексное сканирование артерий нижних конечностей после оперативных вмешательств на артериях (в том числе стентирование, шунтирование, эндопротезирование и тп)

А04.12.006.003

Дуплексное сканирование артерий нижних конечностей

А04.12.006.001

Дуплексное сканирование брюшного отдела аорты и подвздошных артерий после оперативных вмешательств (в том числе стентирование, шунтирование, эндопротезирование и тп)

А04.12.003.004

Дуплексное сканирование брюшного отдела аорты и подвздошных артерий

А04.12.003.003

Дуплексное сканирование артерий верхних конечностей

А04.12.005.002

Дуплексное сканирование внутренних грудных артерий

А04.12.005.010

Дуплексное сканирование экстракраниальных отделов брахиоцефальных артерий (с функциональными пробами)

А04.12.005.009

Дуплексное сканирование экстракра- и интракраниальных отделов брахиоцефальных артерий

А04.12.005.008

Дуплексное сканирование интракраниальных отделов брахиоцефальных артерий

А04.12.005.006

Дуплексное сканирование экстракраниальных отделов брахиоцефальных артерий

А04.12.005.005

Дуплексное сканирование комплекса: печеночного кровотока (артериальный, портальный, кавальный)

А04.12.012.001

ЭНМГ (электронейромиография) исследование сплетения (плечевого, поясничного) с двух сторон

А05.02.001.031

ЭНМГ (электронейромиография) исследование сплетения (плечевого, поясничного) с одной стороны

А05.02.001.030

ЭНМГ (электронейромиография) дифф. диагностика поясничного уровня

А05.02.001.029

ЭНМГ (электронейромиография) дифф. диагностика шейного уровня

А05.02.001.028

ЭНМГ (электронейромиография) исследование туннельного синдрома в ноге

А05.02.001.027

ЭНМГ (электронейромиография) исследование туннельного синдрома в руке

А05.02.001.026

ЭНМГ (электронейромиография) одного нерва

А05.02.001.025

ЭНМГ (электронейромиография) исследование лицевого нерва с двух сторон

А05.02.001.024

ЭНМГ (электронейромиография) исследование лицевого нерва с одной стороны

А05.02.001.023

ЭНМГ (электронейромиография) по программе полинейропатии

А05.02.001.022

Комплексное ЭМГ обследование до 60 мин.

А05.02.001.021

ЭМГ игольчатыми электродами — 2 мышцы

А05.02.001.020

Игольчатая ЭМГ — расширенный поиск

А05.02.001.019

Декремент-тест одной мышцы без прозериновой пробы

А17.30.041

ЭМГ обследование при болезни мотонейрона

А05.02.001.018

Магнитно-резонансная томография придаточных пазух носа

А05.08.001.001

Магнитно-резонансная томография мягких тканей (1 анатомическая область)

А05.01.002.002

Магнитно-резонансная томография почек и надпочечников

А05.28.002.002

Магнитно-резонансная томография гепатобилиарной зоны (печень, желчный пузырь, поджелудочная железа)

А05.15.002.002

Магнитно-резонансная томография печени и желчевыводящих путей

А05.15.002.001

Магнитно-резонансная томография головного мозга с прицельным исследованием мосто-мозжечкового угла для исключения нейроваскулярного конфликта

А05.23.009.018

Магнитно-резонансная томография головного мозга с артериографией

А05.12.004.001

Прейскурант на все услуги нашего центра

что это и виды / Статьи / Семейная клиника А-Медия

Метод дистанционной регистрации ЭКГ (когда врач и пациент находятся на расстоянии) был предложен в 1947 г. американским биофизиком Норманом Джеффери Холтером, совершившим переворот в кардиологии и сделавший возможным получение бесценной информации о работе сердца. Понятия «холтеровское» и «суточное» мониторирование (ХМ, СМ) сейчас перемешались, но не изменили сути, хотя более правильной формулировкой является суточное мониторирование ЭКГ по Холтеру.

В основе этой методики лежит способ записи сигналов пациента (сейчас это не только ЭКГ, но и артериальное давление (АД), храп, уровень кислорода в тканях) в носимый пациентом регистратор через соответствующий кабель и наклеенные на тело одноразовые электроды. Длительность наблюдения определяется врачом и целями исследования, и может длиться от 24 часов до нескольких суток.

Условно можно выделить 3 вида Холтеровского мониторирования:

  • Холтеровское мониторирование ЭКГ,
  • Холтеровское мониторирование ЭКГ с АД (с датчиком измерения артериального давления),
  • Холтеровское мониторирование кардиореспираторное (с оценкой функций дыхания).

В каких случаях и кому он показан?

В диагностических целях для установления точного диагноза заболевания, и соответственно, назначения правильного лечения пациентам, предъявляющим жалобы на наличие перебоев в работе сердца, внезапных сердцебиений разной длительности по времени, оценки жалоб на боли в грудной клетке для исключения (подтверждения) ишемии миокарда или её безболевых форм (когда вместо боли появляется одышка, слабость, аритмия). Является обязательным исследованием в случае появления обмороков или предобмороков, головокружений, и более редких событий, делающих невозможным срочную запись обычной ЭКГ.

ХМ-ЭКГ единственный способ оценить эффективность проводимой пациенту антиаритмической и противоишемической терапии, а с датчиком регистрации АД – адекватность лечения повышенного АД, осуществить правильный подбор приёма гипотензивных препаратов по времени суток.

До появления двухкамерных стимуляторов ХМ-ЭКГ являлся единственным способом оценки правильности работы вживлённого пациенту кардиостимулятора и выявления отклонений, нарушений в его работе. Сейчас большинство кардиостимуляторов способны сами хранить ЭКГ-архив, видимый врачу при перепрограммировании устройства, но необходимость в ХМ не отпала.

Является обязательным способом контроля за частотой сердечных сокращений при хронических блокадах проводящей системы сердца (СА-, АВ- блокады, хроническая фибрилляция предсердий (мерцательная аритмия) и помогает своевременно направлять таких пациентов на установку кардиостимулятора при необходимости. Работа по расшифровке результатов исследования требует много времени и опыта специалиста.

Врачи Семейной клиники А-Медия подарят Вам свой опыт и время в пределах обычной стоимости типового ХМ-ЭКГ и выдадут заключение в установленные сроки.

ХМ-Кардиореспираторный — единственный способ оценить тяжесть ночных нарушений дыхания, степень угрозы развития внезапных сердечных осложнений, часто приводящих к гибели таких пациентов во сне. Он обязательно должен быть использован перед любыми видами наркоза при операциях, т. к. показывает врачу-анестезиологу, насколько быстро и без дыхательных проблем пациент «выйдет» из наркоза, и с какими проблемами может столкнуться врач. Является необходимым в практике врачей-сомнологов. При постановке такого монитора записывается непрерывно 12 канальная ЭКГ, а на период ночного сна пациент самостоятельно прикрепляет одноразовый носовой катетер и одевает на палец пульсоксиметр. Необходимые приспособления выдаст врач при постановке монитора и проведёт практическое обучение.

Заменяет ли ХМ-ЭКГ выполнение обычного ЭКГ?

К сожалению, нет. Несмотря на то, что современные 12-канальные мониторы и записывают ЭКГ аналогично поверхностной, но расположение датчиков с верхних и нижних конечностей для удобства пациента при ХМ переносится на грудную клетку и область тазовой кости слева, что изменяет сигнал. Грудные электроды при этом работают в правильном режиме. Поэтому съёмка обычной ЭКГ перед проведением исследования желательна.

Как долго носится монитор и что такое 12 каналов?

Поскольку носимый регистратор имеет автономный источник питания, сроки ношения монитора, количество используемых электродов, обилие нарушений (артефактов) ЭКГ при непрерывной записи влияют на истощение аккумулятора. Как правило, при первичной оценке кардиологи записывают до 12 каналов (12 каналов — это имитация аналогичная обычной ЭКГ) со сроком ношения от 1 до 2 суток при необходимости.

Понятно, что многосуточая запись в целях предотвращения досрочной разрядки источника питания проводится с ограничением количества регистрируемых каналов, что не уменьшает ценность исследования при аритмиях, но ограничивает возможность в оценке ишемии.

Практика Семейной клиники А-Медия при многосуточной записи в случае более тщательного поиска ишемии выработала правило записи всех 12 каналов ЭКГ с приходом пациента каждые 1-1.5 суток в Центр для просмотра записи и возобновления режима работы аккумулятора.

Мониторы какой фирмы предпочтительнее ставить?

Фаворитом считается Санкт-Петербургская фирма «ИНКАРТ», выпускающая одни из лучших устройств кардиорегистраторов. Помимо качества аппаратуры, установленное программное обеспечение по регистрации и обработки данных уникально по количеству функций.

Все наши мониторы выпущены этой фирмой в 2013 и 2017 гг. и отвечают требованиям специалистов функциональной диагностики. Ознакомиться с ними можно на прикреплённых фото.

Преимущество регистратора в нашей клинике

Обычно, регистратор, связанный с пациентом через прикрепляемый кабель, носится в определённой сумке (чехле) через плечевой ремень. Помимо легкого обнаружения такого пациента с монитором посторонним взглядом, он всё-таки стесняет в ночное время, летом и вносит известные бытовые ограничения. Мы располагаем уникальным, удобным монитором «Кардиотехника-07-3» фирмы ИНКАРТ 2017 г. выпуска, все провода которого и сам маленький регистратор размещаются на теле пациента, без необходимости ношения какой-либо сумки. Этот монитор легко скрывается под одеждой и недоступен постороннему взгляду, что делает возможным посещение работы, школы, других общественных мест без всяких стеснений для пациентов. Не говоря об удобстве в летний и ночной периоды. Как правило, хоть раз его носивший, просит в дальнейшем поставить именно такой монитор снова. Мы предоставляем вам эту возможность, но просим при осуществлении заявки в клинику назвать ключевое слово «беспроводной». Такой монитор регистрирует 8 каналов, подобранных оптимально под качественный поиск как ишемии, так и аритмии, и не отличается по качеству выдаваемой информации от 12 канальной записи. Удобство этого регистратора сделало его чрезвычайно востребованным в нашей клинике и лучшим при осуществлении записи ХМ-ЭКГ у детей и подростков.

Все носимые регистраторы в нашей клинике имеют необходимые сертификаты и проходят ежегодную поверку.

Как следует подготовиться к ХМ-исследованию?

Вся техника фирмы «ИНКАРТ» защищена от помех и не требует особых ограничений, кроме одежды на пациенте. Здесь мы рекомендуем на период проводимого исследования носить нательное бельё, не вызывающее статического электричества- без шерсти и синтетики, оптимально хлопок, лен. Женщинам следует пользоваться короткими рубашками, если ставится монитор с наружным кабелем и сумкой. «Беспроводной» монитор наоборот, не ограничивает одежду по длине. При постановке монитора АД верхняя одежда должна быть без обтягивающих рукавов. Мужчинам с густым волосяным покровом грудной клетки не следует самостоятельно сбривать его, мы сделаем это при постановке.

Особенности исследования, приёма препаратов, предлагаемых проб будут доведены до Вашего сведения при постановке монитора.

Суточный мониторинг сердца — цены холтер ЭКГ на дому

ЭКГ по Холтеру можно сделать на дому

Суточный мониторинг сердца – информативный вид кардиоисследований. Позволяет медицинскому работнику составить полную картину течения болезни и ее динамики и назначить действенное лечение. Фактически это электрокардиограмма длительностью 1-2-3 суток. Благодарить за разработку методики мы должны ученого Нормана Холтера, имя которого она и носит. В отличие от классической кардиограммы, одно- или двухсуточное Холтер-ЭКГ позволяет выявить изменения, которые происходят во сне, после еды или приема лекарств, при стрессах, при минимальных или значимых физических нагрузках. Как делают процедуру – читайте на этой странице.

СУТОЧНЫЙ МОНИТОРИНГ СЕРДЦА ДОСТУПЕН В ФИЛИАЛАХ:

ЭКГ по Холтеру в Приморском районе

Адрес: г. Санкт-Петербург, Приморский район, ул. Репищева, 13

ЭКГ по Холтеру в Петроградском районе

Адрес: г. Санкт-Петербург, Петроградский район, ул. Ленина, 5

ЭКГ по Холтеру во Всеволожске

Адрес: г. Всеволожск, Октябрьский пр-т, 96 А

Процедуру можно выполнять и дома, и в клинике. В период выполнения процедуры пациент в обязательном порядке заполняет небольшой дневник, где фиксирует периоды сна и активности, приемы пищи и назначенных ему лекарственных препаратов, любые изменения самочувствия. Сопоставляя результаты процедуры с дневником, врач-кардиолог может лучше понять все, что происходит с человеком, установить достоверный диагноз, написать точное клиническое заключение.

Врачи-кардиологи ценят этот диагностический метод за абсолютную нетравматичность и высокую информативность. Процедура востребована у людей разного возраста: цена суточного мониторинга сердца в СПб доступна для большинства пациентов.

Когда важно пройти суточный мониторинг сердца

Процедура может быть выполнена при большинстве кардиологических заболеваний. К показаниям относятся:

  • необъяснимые обмороки и/или предобморочные состояния;
  • тахикардия;
  • эпизодические головокружения;
  • приступы одышки;
  • гипертония;
  • подготовка к имплантации кардиостимулятора;
  • постинфарктные состояния;
  • болезни кровообращения;
  • сердечные аритмии, включая мерцательную;
  • подозрение на нетипичную стенокардию;
  • эпизоды слабости;
  • хроническая сердечная недостаточность;
  • сахарный диабет (с целью оценки степени диабетической нейропатии).

Также процедура может быть назначена беременным для определения функции сердца будущей матери и решения вопроса о виде родоразрешения.

Когда процедура противопоказана

К безопасному и нетравматичному медицинскому исследованию нет строгих противопоказаний. Возможно даже сделать суточный мониторинг сердца на дому – аппарат мобилен, и его можно использовать вне стен медицинского учреждения, а подготовиться к процедуре несложно, достаточно ограничить физическую активность. Нельзя делать суточное мониторирование ЭКГ по Холтеру и его последующую расшифровку только в случаях поверхностных травм или ожогов в области, где должны быть закреплены датчики. Также проведение процедуры может быть проблематичным в случаях повышенной физической активности человека (это бывает при некоторых психических и неврологических патологиях). Закрепленные на поверхности кожи датчики могут отклеиваться, что снизит достоверность и итоговую информативность.

Как делают суточное ЭКГ

Стандартный вариант исследования предполагает непрерывную запись биоэлектрической активности и функциональности сердца на протяжении 24 часов. Для этого необходимо закрепить на теле 12 электродов. Для контакта с кожей могут быть частично сбриты волосы на теле. Кожу обезжиривают (протирают спиртом), наносят тонкий слой проводящего геля, а электроды закрепляют специальными клейкими кольцами и тонкими полосами прочного лейкопластыря. Запись сердечного ритма ведет портативный прибор – легкий, компактный, по размеру не больше ладони взрослого человека, он закрепляется на специальном поясе на одежде или под одеждой и не стесняет движений человека. Прибор работает от аккумулятора, которого хватает на несколько суток. Параллельно с прибором пациент и сам отмечает малейшие изменения в самочувствии и фиксирует внешние обстоятельства в дневнике. По показаниям суточный мониторинг ЭКГ по Холтеру может быть дополнен контролем артериального давления (АД), что еще повышает информативность процедуры для лечащего врача-кардиолога. Чтобы точность данных была максимальной, во время процедуры пациенту рекомендуют носить хлопковую одежду.

Холтер-ЭКГ на дому проводится по желанию пациента. Холтеровское мониторирование на дому столь же достоверно, как и в условиях медицинской клиники, и при этом дает возможность пациенту избежать стресса от нахождения в больничной палате.

Как оценивают результаты процедуры

Врач функциональной диагностики, анализируя результаты исследования, смотрит на частоту пульса, которая в норме составляет днем 75-85, а ночью – 55-65 ударов в минуту. Врач изучает соотношения ночного и дневного показателей – составляет циркадный индекс, нарушения которого могут быть признаком кардиологической патологии. Врач отслеживает чрезмерное увеличение или понижение частоты сердечного ритма и сопоставляет с причинами, описанными в дневнике пациента. После этого врач описывает выявленные нарушения ритма (если они есть) и делает заключение о состоянии пациента. Базируясь на выводах врача функциональной диагностики, лечащий специалист-кардиолог устанавливает, подтверждает или корректирует диагноз и назначает лечение. Дополнительно формируются рекомендации по изменению привычек и образа жизни, пересмотру рациона, ограничению или, напротив, повышению физической активности.

Почему исследование лучше проводить у нас

  • Наши клиники оснащены надежной современной аппаратурой ведущей российской компании «Инкарт» – высокая точность гарантирована.
  • Расшифровкой результатов занимаются ведущие специалисты в области функциональной диагностики. В их числе – опытные научные сотрудники Национального медицинского исследовательского центра имени В. Алмазова — крупнейшего научно-медицинского учреждения страны.
  • Проводим процедуру женщинам при беременности; детям; выполняем Холтер-мониторинг на дому.

Выберите филиал“Династия” на Новочеркасском пр-те, Красногвардейский район“Династия” на Ленина, Петроградский район“Династия” на Репищева, Приморский район“Династия” во ВсеволожскеВыездная служба

Стоимость суточного мониторинга сердца:

Наименование услуг  Цена в рублях
Санкт-Петербург Всеволожск
Суточное мониторирования ЭКГ (по Холтеру) 2800 2800
Суточное мониторирования ЭКГ+АД (по Холтеру) 3400 3400

Указанные на сайте цены не являются публичной офертой. Уточняйте стоимость у администраторов.

ЗАПИСЬ НА СУТОЧНЫЙ МОНИТОРИНГ СЕРДЦА

Ваша заявка отправлена

Менеджер свяжется с вами для уточнения деталей

Мы ценим ваше обращение в наш медицинский центр «Династия»

Проведение мониторирования по Холтеру (суточное холтеровское мониторирование) в Перми по оптимальной цене

Гундина Наталья Викторовна

Врач функциональной диагностики, стаж – 7 лет.

Цены

Холтер мониторинг – метод функциональной диагностики сердечно-сосудистых заболеваний, который предполагает ношение специального устройства на протяжении 1-3 суток. На теле пациента размещаются электроды, они соединяются с фиксирующим аппаратом, который записывает все параметры работы сердца в период обследования.

Холтер является абсолютно безопасным методом. Он не вызывает осложнений, не оказывает негативного воздействия на организм. По окончании исследования все зафиксированные изменения анализирует врач-кардиолог и на их основании устанавливает окончательный диагноз, при необходимости – назначается курс лечения.

Зачем нужен Холтер ЭКГ?

Такой метод позволяет обнаружить изменения в работе сердца в любое время суток, ведь обычно обратиться в клинику для осуществления кардиограммы при возникновении боли или других симптомов нет возможности. Мониторирование ЭКГ по холтеру предполагает фиксацию показателей за каждое сокращение миокарда. Поэтому такая манипуляция крайне важна для ранней диагностики болезней, которые сложно заметить при стандартной ЭКГ.

Вот какие параметры фиксирует Холтер:

  • ритмичность и частоту сокращений,
  • длительность сердечного цикла,
  • позволяет выявить ишемию и нарушения ритма сердца
  • оценить переносимость физической нагрузки,
  • оценить эффективность лекарственных препаратов и их влияние на сердце
  • Наблюдать за работой сердца в период сна и бодрствования

После завершения ношения прибора данные обрабатываются с помощью компьютерной программы. Затем врач анализирует информацию и дает рекомендации пациенту.

При ношении Холтера необходимо письменно фиксировать время таких действий:

  • патологические проявления – боль, чувство давления, жара и прочие;
  • прием пищи, лекарственных средств;
  • ночной сон;
  • выполнение физической работы;
  • стрессовые ситуации.

Особой подготовки к мониторингу не требуется. Рекомендуется лишь принять душ, так как в период исследования водные процедуры проводить нельзя. Электроды фиксируются на теле, предварительно смазанном специальным гелем, который улучшает электрическую проводимость.

Хотите лечиться у тех,
кто заинтересован
в результате?

Хотите знать точный
диагноз и получить
лечение, которое
реально помогает?

Устали переплачивать
за «советский»
сервис?

Не хотите впустую
тратить время
и средства?

В клинике доктора Дыбаля сочетается
лучшее из государственной и частной
медицины в диагностике и лечении
заболеваний внутренних органов.

Кому нужно пройти Холтер?

Такая процедура назначается больным при невозможности зафиксировать симптомы заболеваний сердца с помощью ЭКГ. Суточное мониторирование показано при следующих состояниях:

  • присутствуют жалобы на появление ускоренного сердцебиения, головокружения, слабости, обмороков и прочих симптомов в определенных ситуациях – при стрессе, после сна, нагрузки
  • для контроля проводимого лечения;
  • при подозрении на ишемию миокарда;
  • при необходимости оценить функциональность кардиостимулятора;
  • хроническая конституциональная гипотония;
  • сердечная недостаточность;
  • врожденные пороки сердца, в том числе оперированные;
  • средней тяжести или тяжелая артериальная гипертензия, которая не поддается лечению ранее назначенными методами;
  • перенесение инфаркта миокарда, инсульта и других острых сердечно-сосудистых заболеваний;
  • периодические ишемии и аритмии.

Провести Холтер в Перми вы можете в нашем медицинском центре. Мы используем качественное оборудование, предлагаем консультации компетентных кардиологов и оптимальную стоимость такой услуги.

Холтер — суточное мониторирование ЭКГ в Томоград в Подольске

Холтер (суточное мониторирование ЭКГ) — это метод функциональной диагностики, с помощью которого осуществляется суточная запись ЭКГ.

Суточное мониторирование ЭКГ

Данный метод диагностики создан и используется для выявления нарушений сердечного ритма и проводимости сердца, при ишемии миокарда. Запись ЭКГ проводится непрерывно в течение 24 часов. Для этого используется носимый портативный регистратор, который производит круглосуточную запись электрокардиограммы и передачу информации о работе сердца за сутки в компьютер. Благодаря этому методу осуществляется суточное мониторирование работы сердца, что позволяет глубоко анализировать патологии, точнее ставить диагноз и, соответственно, назначать более эффективное лечение. Доступным для анализа становится то, что беспокоит человека в обычной жизни (во время бодрствования, при эмоциональных и физических нагрузках и в период ночного сна), но никак не проявляется на коротком приеме у врача.

В наших медицинских центрах используется удобный в применении прибор небольшого размера, который прикрепляется к пациенту посредством гибких электродов и фиксируется на грудной клетке в специальной сумочке.

Показания к холтеровскому мониторированию:

  • диагностика нарушений сердечного ритма и проводимости;
  • диагностика ишемии миокарда;
  • профилактическое наблюдение за больными с возможными угрожающими аритмией и ишемией;
  • оценка эффективности лечения.

Как проводится холтеровское мониторирование ЭКГ:

Процедура холтеровского мониторирования проста и безопасна. В первый день устанавливается монитор. На следующий день монитор снимается и врачом проводится анализ данных. В нашем центре исследование проводится амбулаторно.

  1. Рекомендуется принять душ, т.к. после установки электродов в течение 24 часов нельзя будет принимать водные процедуры.
  2. Мужчинам удалить (при необходимости) волосяной покров с передней поверхности грудной клетки
  3. При себе иметь ЭКГ, давностью не более 1 месяца.
  4. Быть в футболке/ майке.
  5. Всем пациентам при ХМ необходимо вести дневник, в котором отмечается самочувствие, жалобы, вид деятельности, физические нагрузки, приём лекарственных препаратов, время бодрствования и сна (выдается нами).

новые черемушки, академическая, калужская, профсоюзная, медцентр ЮЗАО

Диагностика (ЭКГ, УЗИ, ЭхоКГ, Холтер, СМАД и др.)

Ультразвуковая диагностика (УЗИ) — это безвредный метод диагностики, дает представление о том, как выглядит орган, каковы его размеры, структура и есть ли изменения, характерные для различных заболеваний. Информативность ультразвукового метода во многом зависит от профессиональных качеств специалиста, который проводит исследование. Просто сделать УЗИ сердца без анализа полученных данных, дело несложное, а вот провести качественное и полное исследование могут только настоящие профессионалы. Квалификация наших врачей позволяет проводить исследования и оценивать их результаты на самом высоком уровне.

В нашей клинике проводятся следующие виды УЗ — диагностики:

  • УЗИ органов брюшной полости и забрюшинного пространства (печени и желчного пузыря, поджелудочной железы, селезенки, надпочечников)
  • УЗИ диагностика беременности на различных сроках
  • УЗИ органов мочеполовой сферы (почек, мочевого пузыря, органов мошонки, полового члена, предстательной железы органов малого таза у женщин)
  • УЗИ сосудов (в том числе, УЗИ сосудов мозга)
  • УЗИ магистральных сосудов забрюшинного пространства
  • УЗИ молочных желез
  • УЗИ щитовидной железы
  • УЗИ вилочковой железы
  • УЗИ слюнных желез
  • УЗИ шеи
  • УЗИ лимфатических узлов
  • УЗИ суставов
  • УЗИ мягких тканей
  • УЗИ желудка у детей
  • УЗИ сердца ребенку
  • УЗИ орбит
  • УЗИ сердца (в том числе, суточное мониторирование (ЭКГ, АД), суточное ЭКГ (холтер ЭКГ))

Все более широко применяется Эхокардиография (ЭхоКГ, УЗИ сердца). Этот метод позволяет определить состояние мышцы сердца, камер, клапанного аппарата, сердечной сумки (перикарда), оценить функцию сердца, состояние рубцов после инфаркта.

Основным преимуществом ЭХОКГ является неинвазивная (не хирургическая, безоперационная) визуализация (осмотр) всех структур сердца в процессе их работы с возможностью измерения этих структур (морфометрии) в разные фазы сердечного цикла; выявление дополнительных внутри- и околосердечных образований, патологии клапанов. Помимо оценки функционального состояния сердца ЭхоКГ используется как основной метод подтверждения или исключения многих форм патологии сердца:

  • Кардиомиопатия (гипертрофия/увеличение размеров и дилатация/расширение полостей сердца)
  • Приобретенные и врожденные пороки сердца
  • Внутрисердечные тромбы и новообразования
  • Аневризма сердца
  • Перикардит выпотной, особенно при невозможности или недостоверности рентгенодиагностики (малое количество выпота, широкий круг дифференцируемых болезней)
  • Гипертрофии миокарда при гипертонической болезни
  • Ишемическая болезнь сердца (диагностика очагов поражения миокарда и др. параметры)
  • Миокардит
  • Травмы сердца
  • Эхокардиографический контроль эффективности хирургического лечения (пороков сердца, после стентирования, аортокоронарного шунтирования и др.)

В чем ценность эхокардиографии как метода:

  • высокая информативность
  • полное отсутствие противопоказаний
  • простота и необременительность процедуры для пациента

Сделать УЗИ сердца можно в «Клинике Частный доктор». В нашем центре данную процедуру проводят специалисты профессионалы с большим опытом работы в кардиологии и кардиохирургии.

В нашей клинике можно сделать УЗИ сердца ребенку.

Помните! Ранняя диагностика — залог результативности лечения и профилактики тяжелых осложнений. Не запускайте болезнь — вовремя обращайтесь к специалистам

Функциональная диагностика – раздел медицины, который занимается исследованием функций органов и систем. Исследование функции позволяет оценить, правильно ли работает орган и есть ли изменения, которые приводят к болезни.

Методы функциональной диагностики, применяемые в нашей клинике:

  • ЭКГ — электрокардиограмма. Метод позволяет оценить правильность работы сердца. Дает информацию врачу о правильности ритма, наличии проявлений болезни (ишемическая болезнь, признаки гипертонической болезни и др.).
  • Суточное (холтеровское) мониторирование ЭКГ. Запись ЭКГ проводится в течение 12-24 часов при сохранении обычной активности человека. Метод позволяет выявить те минимальные нарушения в работе сердца, которые возникают только во время физической или эмоциональной нагрузки (бег, ходьба, интимные отношения, стрессы, совещания) или во сне. Именно этот метод, выполненный профилактически, то есть когда еще ничего не болит, больше всего снижает риск развития инфарктов и внезапной остановки сердца.
  • Суточное мониторирование АД (суточное исследование артериального давления, СМАД) – исследование артериального давления в течение 12-24 часов. Метод позволяет регистрировать АД при обычной активности пациента: при ходьбе, беге, физической и эмоциональной нагрузке. Важно зафиксировать подъемы или падения давления и время их появления. Этот метод кроме своевременной диагностики гипертонической болезни позволяет контролировать эффективность назначенного лечения. Дает возможность правильно выбрать препарат, дозы и время приема лекарства.

Суточное мониторирование и другие виды функциональной диагностики

Клиника “Скандинавия” располагает всем необходимым современным оборудованием для проведения исследований сердечно-сосудистой системы.

Функциональная диагностика представлена: ЭКГ (с возможностью выполнения на дому), суточным мониторированием ЭКГ и артериального давления, ЭХО-кардиографией, спирографией, аудиометрией.

В нашей клинике Вы можете сделать экг с помощью компьютерной электрокардиологической стресс-системы экспертного класса фирмы “Woodway”. Комплект вакуумной аппликации ЭКГ, которым оснащена система, позволяет проводить различные нагрузочные тесты: от диагностики стенокардии и верификации ишемической болезни сердца до подбора индивидуальной программы тренировок для спортсменов. Позволяет определить необходимость проведения коронарографии.

  • Электрокардиография (ЭКГ): один самых доступных, быстрых и безвредных методов обследования, позволяющий иногда уже при первом исследовании выявить серьёзные, угрожающие жизни изменения сердца.
  • Эхокардиография (ЭХО-КГ): определяет размеры полостей и толщину стенок сердца, оценивает работу клапанного аппарата, выявляет нарушения сократительной функции и функции расслабления, дает характеристику движения потоков крови внутри сердца.
  • Суточное мониторирование ЭКГ (Холтеровское мониторирование): Вы можете сделать экг с помощью носимого миниатюрного аппарата-регистратора, который выявляет безболевые формы ишемической болезни сердца, нарушения ритма и проводимости сердца в амбулаторных условиях.
  • Суточное мониторирование артериального давления позволяет исследовать артериальное давление в условиях повседневной жизни по индивидуальной программе.
  • Тест с физической нагрузкой (тредмил-тест) или “беговая дорожка” используется для диагностики ишемической болезни сердца, контроля эффективности проводимого лечения, определения переносимости физических нагрузок. Преимущества дорожки перед велоэргометрией в меньшей физической нагрузке, лучшей дозированности исследования, что позволяет выполнить исследование у пациентов с сердечной недостаточностью или у пациентов с избыточным весом.
  • Стресс-эхокардиография (стресс-ЭХО-КГ): высокоинформативное исследование, которое позволяет получать не только электрокардиографические признаки ишемии миокарда, но и оценивать нарушения сократительной функции сердца, изменения внутрисердечной гемодинамики.


Однако при всех неоспоримых достоинствах высокотехнологичных компьютеризированных методов ни один из них не сможет заменить врача-клинициста.

Именно лечащий врач может определить показания к проведению исследований и сделать экг, исследовать нарушение ритма сердца с помощью суточного мониторирования, а затем правильно интерпретировать результаты и, с учетом полученных данных, выбрать лечебную тактику.


Архитектура

HMM для сегментации ЭКГ.

Контекст 1

… часто используют сигнал электрокардиограммы (ЭКГ) для обнаружения аномалий в динамике сердца своих пациентов. Сигнал ЭКГ — это запись электрической активности сердца, состоящая из последовательных сокращений, состоящих из волн и базовых линий. Задержки между ключевыми точками этих волн представляют особый интерес [1] для врачей при диагностике сердечных заболеваний, таких как синдром удлиненного интервала QT или пуанты.Следовательно, важная проблема, называемая сегментацией ЭКГ, состоит в разграничении сигнала ЭКГ. Большинство современных методов [2, 3] основаны на использовании вейвлет-преобразования [4, 5, 6] и скрытых марковских моделей (HMM, см. [7]). Достаточно хорошие результаты получаются как для нормальных, так и для патологических сигналов ЭКГ, но тот факт, что переходы между последовательными волнами по своей природе сложно моделировать с помощью HMM, предполагает, что более сложные модели могут привести к еще лучшим результатам. Первое решение, предложенное в [8], заключается в использовании скрытых полумарковских моделей (HSMM, см. [9]), которые включают моделирование длительности волны.Однако HSMM по-прежнему не могут адекватно моделировать переходы для аномальных сигналов, когда длины волн подвержены значительным изменениям. Поэтому мы предлагаем использовать два метода, которые пытаются снять ограничения как для HMM, так и для HSMM: (i) схема разделения состояний HMM, которая предотвращает входящие и исходящие переходы в середине волн, и (ii) байесовская сеть, где переходы зависят от выбросов. Мы экспериментально показываем, что оба метода улучшают качество сегментации патологических сигналов.На рис. 1 показаны два аннотированных биения, извлеченные из реального сигнала ЭКГ. Сегментация проведена экспертом; мы можем видеть, что биение состоит из трех волн (зубца P, комплекса QRS и зубца T), разделенных тремя базовыми линиями (B1, B2 и B3). На практике алгоритмы не работают непосредственно с этим сигналом: было показано, что проще [2] использовать многомерное представление, полученное путем дифференцирования сигнала или применения вейвлет-преобразования [4, 5, 6]. Чтобы смоделировать сигнал ЭКГ, мы можем использовать HMM, в которых состояния S — это волны и базовые линии, а выбросы O — это уровни напряжения данных.ГММ делают несколько предположений относительно данных: (i) каждая мера напряжения представляет собой излучение O t, вероятность которого зависит только от состояния S t (или волны), в котором мы находимся, и (ii) вероятности переходов P (S t +1 | S t) между состояниями зависит только от начального и конечного состояний. Архитектура HMM, используемая в этой статье, показана на рис. 2; стрелки представляют переходы между состояниями, а маленькие квадраты — модели излучения. Вычисление оптимальной последовательности состояний для данного HMM и данной последовательности выбросов может быть легко и эффективно выполнено с использованием алгоритма Витерби [10].Фактически, основные вычислительные затраты связаны с оценкой вероятностей выбросов. В случае сегментации ЭКГ это происходит в два этапа. Во-первых, сигнал ЭКГ преобразуется в многомерное представление с использованием, например, вейвлет-преобразование, которое вычисляет свертку сигнала и вейвлета в разных масштабах. Во-вторых, в новом пространстве обучающих данных строится оценщик PDF. Основным ограничением HMM является плохое моделирование переходов. Действительно, в состоянии S t = a вероятность перехода P (S t +1 = b | S t = a) в состояние S t +1 = b не зависит ни от текущего значения сигнала ЭКГ, ни от время, уже проведенное в.Следовательно, даже если переходы, исходящие из данной волны W, происходят только на нисходящем наклоне W, алгоритм Витерби может оставить W на его восходящем наклоне, если он лучше соответствует данным. Первое решение для избавления от этих ограничений — включить явное моделирование длительности состояния с помощью HSMM. В HSMM вероятности перехода зависят от начального и конечного состояний и от продолжительности пребывания в начальном состоянии. [8] показали, что использование HSMM увеличивает точность сегментации, но все еще неадекватно.Например, если возникает очень короткая волна, HSMM будет иметь тенденцию расширять свой нисходящий наклон до следующей базовой линии. В двух следующих разделах мы увидим, как мы можем улучшить HMM, чтобы лучше моделировать переходы и улучшить сегментацию патологических сигналов ЭКГ. В сигналах ЭКГ переходы между состояниями происходят только в начале и в конце волн и базовых линий. Следовательно, простая идея состоит в том, чтобы разделить каждое состояние s, соответствующее волне или базовой линии W, на три новых состояния s s, s m и s e, которые соответствуют начальной, средней и конечной частям W, соответственно.Для каждого наблюдаемого биения s s (s e) соответствует w первых (последних) точек W, тогда как s m соответствует промежуточным точкам, где w называется шириной окна. 3 показывает получившуюся архитектуру HMM. Преимущество использования HMM с этой декомпозицией начального и среднего уровня (SME) состоит в том, что переходы больше нигде не могут происходить. В самом деле, единственный способ начать (закончить) W теперь — войти в s s (выйти из s e), что возможно только в том случае, если текущая эмиссия достаточно вероятна относительно w.r.t. модель выбросов в s s (s e).Более того, середина волны соответствует состоянию s m, которое может быть достигнуто только из s s и уйти в сторону s e. Обратите внимание, что в предыдущих работах (см., Например, [5]) алгоритм Баума-Велча использовался для обнаружения нескольких подсостояний для каждой волны; однако это последнее решение является неконтролируемым и не нацелено на лучшее моделирование переходов между состояниями. На рис. 4 (a) и рис. 4 (b) показаны вероятности излучения волны T и базовой линии B3, полученные после применения вейвлет-преобразования с вейвлетом Койфлета и двумя диадическими масштабами.Мы можем видеть, что распределения вероятностей для s s и s e различны и локализованы по сравнению с распределением для s m. Следовательно, мы можем ожидать, что HMM, использующий разложение SME, легко различит эти три состояния. В таком случае уйти из средней части волны, не пройдя через концевую, будет трудно. Другая возможность — использовать более мощную байесовскую сеть. Действительно, HMM — это частный случай более общей байесовской сети [11], которая позволяет моделировать вероятностные зависимости в данных.В модели, рассматриваемой в этом разделе, переходы зависят от начального и конечного состояний, а также от текущего излучения, как показано на рис. 5, на котором показаны статистические зависимости между состояниями и значениями выбросов. Фактически, эти зависимые от излучения переходы HMM (EHMM) можно рассматривать как обобщение описанного выше разложения SME: вероятность войти (покинуть) данную волну будет увеличиваться по мере того, как излучение становится ближе со статистической точки зрения. выбросам, соответствующим входящим (исходящим) переходам, наблюдаемым в обучающих данных.С одной стороны, одним из недостатков EHMM является то, что выход из состояния, соответствующего определенной волне в ее средней части, очень маловероятен, а может быть и невозможен. Но с другой стороны, обучение EHMMS не требует выбора ширины окна w; так что EHMM должны быть в состоянии предоставить более точное описание динамики сигнала ЭКГ. На рис. 4 (c) и рис. 4 (d) показаны вероятности излучения волны T и базовой линии B3, полученные после применения вейвлет-преобразования с вейвлетом Койфлета и двух диадических масштабов.Мы видим, что распределения вероятностей для разных переходов различны и локализованы. Следовательно, мы можем ожидать, что EHMM будет легко различать входящий переход, самопереходы и исходящие переходы, так что он вряд ли покинет волну из своей средней части. Чтобы проверить, получают ли разложение SME и EHMM лучшее сегментирование, чем современные HMM и HSMM, мы применили эти четыре метода к трем типам патологических сигналов из базы данных QT [12]: • 3 записи из базы данных аритмий MIT-BIH; • 3 записи из базы данных изменений MIT-BIH ST; • 3 записи из базы данных наджелудочковых аритмий MIT-BIH.Каждый сигнал фильтруется с использованием полосового фильтра 3–30 Гц и предварительно обрабатывается с использованием вейвлет-преобразования с вейвлетом Койфлета и 7 диадическими шкалами. Для каждого метода функции плотности вероятности выбросов оцениваются с использованием моделей гауссовой смеси (GMM). Количество компонентов GMM было выбрано с использованием 10-кратной перекрестной проверки. Ширина окна для разложения SME w = 1. Обратите внимание, что были наложены первая и последняя аннотации. Табл. 1 и табл. 2 показаны результаты четырех методов.Качество каждой сегментации оценивается с использованием (i) процента правильных классификаций (или точности), (ii) отношения количества обнаруженных и реальных волн / базовых линий (или процента одиночных ударов) и (iii) средней ошибки в мс между границами обнаруженных и реальных волн (или согласованности). Обратите внимание, что сверхчисловые волны не используются для вычисления согласованности. Как упоминалось в [8], HSMM превосходят классические HMM. Однако сами они немного уступают разложению SME и EHMM с точки зрения точности и согласованности.Наилучший процент единичных ударов достигается с помощью модулей HSMM. В этой статье показано, что адекватность моделирования переходов является важной проблемой для сегментации ЭКГ с использованием HMM. Более того, он предлагает использовать два метода, называемые декомпозицией SME и EHMM, которые решают эту проблему и обеспечивают лучшее сегментирование, чем современное решение, основанное на HSMM. Мы планируем провести больше тестов на большем количестве ЭКГ …

% PDF-1.4 % 1 0 объект > эндобдж 7 0 объект /Заголовок /Тема / Автор /Режиссер / Ключевые слова / CreationDate (D: 202109300-00’00 ‘) / ModDate (D: 20170304131607 + 01’00 ‘) / PTEX.Fullbanner (это MiKTeX-pdfTeX 2.9.5700 \ (1.40.16 \)) / В ловушке / Ложь >> эндобдж 2 0 obj > эндобдж 3 0 obj > эндобдж 4 0 obj > эндобдж 5 0 obj > эндобдж 6 0 obj > транслировать application / pdf

  • 2016-09-08T20: 12: 17 + 04: 30LaTeX с пакетом hyperref2017-03-04T13: 16: 07 + 01: 002017-03-04T13: 16: 07 + 01: 00pdfTeX-1.40.16FalseЭто MiKTeX-pdfTeX 2.9. 5700 (1.40.16) uuid: 71e7639e-788e-c742-a026-7004ff6485e4uuid: 871e02dd-2e5a-734d-b2a6-b1882dd960ee конечный поток эндобдж 8 0 объект > эндобдж 9 0 объект > эндобдж 10 0 obj > эндобдж 11 0 объект > эндобдж 12 0 объект > эндобдж 13 0 объект > эндобдж 14 0 объект > эндобдж 15 0 объект > эндобдж 16 0 объект > эндобдж 17 0 объект > эндобдж 18 0 объект > эндобдж 19 0 объект > эндобдж 20 0 объект > эндобдж 21 0 объект > эндобдж 22 0 объект > эндобдж 23 0 объект > эндобдж 24 0 объект > эндобдж 25 0 объект > эндобдж 26 0 объект > эндобдж 27 0 объект > эндобдж 28 0 объект > эндобдж 29 0 объект > эндобдж 30 0 объект > эндобдж 31 0 объект > эндобдж 32 0 объект > эндобдж 33 0 объект > эндобдж 34 0 объект > / ProcSet [/ PDF / Text / ImageC / ImageB / ImageI] >> эндобдж 35 0 объект > транслировать x ڝ X6 ֒: 0 | p0x`lw, Rg {= E, d’vJ0X \ w / ӧd | e8 ‘[K0qyz4Ʈt [c`C } / cL * ~ uΘHQ \ xuMct9 * pFyF-Bw67 \ o «oG # @ RGsQy 5s1ŲhF3 {XuW1B @; W7moU] = jnT X0: ć 8XKDy2% Z ߾_ IVy $ NagӘ [q $ ^ / rI * ~ $ PR% 8 & u} U56 !.t ڔ aĵOMjzAb @ fR% m ~ DԒFEc * j7

    Энергетический алгоритм Шеннона в обработке сигналов ЭКГ

    База данных Physikalisch-Technische Bundesanstalt (PTB) — это электрокардиограммы (ЭКГ), полученные от здоровых добровольцев и пациентов с различными сердечными заболеваниями. PTB предоставляется для исследовательских и учебных целей Национальным метрологическим институтом Германии. Метод анализа сложных QRS в сигналах ЭКГ для диагностики сердечных заболеваний чрезвычайно важен. В этой статье представлен метод по энергии Шеннона (SE) для обнаружения комплекса QRS в 12 отведениях сигнала ЭКГ.Сначала этот алгоритм вычисляет энергию Шеннона (SE), а затем составляет огибающую энергии Шеннона (SE), используя определенный порог. Затем определяются пики сигнала. Работоспособность алгоритма проверена на 70 случаях. Из всех 12 стандартных отведений сигналы ЭКГ включают 840 отведений из базы данных диагностической ЭКГ PTB (PTBDB). Алгоритм показывает, что чувствительность по энергии Шеннона (SE) равна 99,924%, коэффициент ошибок обнаружения (МЭД) равен 0,155%, положительная предиктивность (+ P) равна 99.922%, а точность классификации (Acc) равна 99,846%.

    1. Введение

    В последние годы сердечно-сосудистые заболевания стали одним из основных заболеваний, угрожающих жизни человека. Следовательно, обнаружение сердечных сигнальных волн, таких как комплекс QRS, очень важно [1]. Электрокардиограмма используется для выявления большинства сердечных заболеваний и показывает электрическую активность сердца как сигнал [2]. Сигналы ЭКГ содержат много информации о сердечных заболеваниях. Выявление особых точек и различных параметров, таких как комплекс QRS, является одной из основных и имеет большое значение, поскольку они приводят к диагностике сердечных заболеваний.QRS используются для диагностики многих сердечных заболеваний и некардиальных патологий, таких как вегетативная сосудистая недостаточность, оценка респираторного (RR) при кардиомиопатии и нормальном миокарде желудочков, оценки частоты сердечных сокращений и анализа вариабельности сердечного ритма, а также обнаружения сегмента ST [3–5] . Проблемы с сердцем обычно связаны с утечкой клапанов и закупоркой коронарных артерий. Это исследование мотивировано изложенными причинами. Цикл сердечного ритма состоит из зубца P, комплекса QRS, зубца T и иногда зубца U [5].На рисунке 1 показано схематическое изображение нормальной ЭКГ.


    Обнаружение любой из сигнальных волн сердца может быть затруднено из-за изменчивой физиологии, аритмии, болезней и шума. Следовательно, в таких методах, как искусственные нейронные сети и вспомогательные векторные машины, обнаружение с помощью волны R не всегда бывает успешным, и истинное обнаружение не может быть достигнуто в различных сигналах [6, 7].

    Форма волн T, P и QRS хорошо известна; однако время и частота этих волн зависят от физиологических и физических условий.Кроме того, сигнал может столкнуться с загрязненными записями с шумами, такими как линии передачи [3].

    В последние десятилетия были представлены различные методы для улучшения обнаружения сердечных сигнальных волн, включая алгоритм Пана-Томпкинса [7], вейвлет-преобразование, путем использования постоянной шкалы в анализе сигналов, без учета характеристик сигнала [ 8, 9], и искусственные нейронные сети, содержащие ряд взаимосвязанных простых процессоров, каждое соединение которых имеет вес.Входной слой, один или несколько скрытых слоев и выходной слой составляют нейронную сеть [10, 11]. Адаптивный фильтр [12], называемый преобразованием Гильберта-Хуанга (HHT), представляет собой новую технику для извлечения характеристик, которые являются нелинейными и нестационарными сигналами. Эта методика имеет утечку в практических задачах [13]. Банк фильтров [14], скрытая марковская модель (HMM), описывает процесс, в котором прямое наблюдение невозможно, когда последовательность символов может наблюдать HMM. Он используется во многих областях, таких как классификация сердцебиения и выявление брадикардии при апноэ у недоношенных детей [15].Преобразование Эрмита (HT) недавно использовалось вместо преобразования Фурье. HT показывает лучшую производительность при правильной оптимизации [16]. Пороговый метод [17], огибающая энергии Шеннона (SEE), представляет собой средний спектр энергии и лучше позволяет обнаруживать пики в случае различных полярностей QRS и внезапных изменений амплитуды QRS. SEE обнаруживает R-пик с лучшей оценкой [18]. S-преобразование и энергия Шеннона (SSE) создают частотно-зависимое регулирование, которое напрямую связано со спектром Фурье.S-преобразование включает кратковременное преобразование Фурье (STFT) и вейвлет-преобразование (WT). SSE дает гладкое покрытие для зубцов P и T и полностью снижает их влияние [19]. Такие методы, как сопоставление с образцом, основаны на их сравнении и противопоставлении. Расчеты сложны и требуют ручной классификации [6].

    В этой статье был предложен алгоритм, основанный на энергии Шеннона, чтобы улучшить обнаружение комплекса QRS и упростить процесс обнаружения. Во-первых, для устранения шума используется полосовой фильтр.Во-вторых, вычисляется энергия Шеннона сигнала ЭКГ. В-третьих, включите скользящие средние и дифференциал для огибающей шага 2. Наконец, при определении порога обнаруживаются пики. Предложенный алгоритм протестирован на 115-секундном (до конца) сигнале ЭКГ PTB Diagnostic ECG Database (PTBDB) [20, 21] и получена точность обнаружения 99,846%. Предлагаемый метод дает хорошие результаты, не будучи математически сложным.

    2. Метод

    Блок-схема алгоритма обнаружения комплекса QRS показана на рисунке 2.Он включает четыре этапа. Этап 1 включает полосовой цифровой фильтр и нормализацию амплитуды. Этап 2 включает в себя вычисление энергии Шеннона для этапа 1. На этапе 3 со скользящим средним и дифференцированием производится пакет энергии Шеннона, а на этапе 4 с определением порога определяется комплекс QRS.


    2.1. Подготовка Сигнал

    Процесс цифро-аналогового преобразования вызывает все виды шумовых помех и иногда сильно влияет на информацию. Эти взаимодействия включают частотные помехи, сокращение мышц и блуждающие сигналы от базовой линии или гауссовского белого шума [5].

    Сигнал ЭКГ, записанный от людей, является плохим сигналом и часто содержит шум. Частотные помехи включают узкую полосу частот от 48 до 60 Гц и гармонические помехи, а шум от сокращения мышц возникает в диапазоне от 38 до 45 Гц. Для устранения этого шума хорош режекторный фильтр [22]. Глубокое дыхание, неплотно подключенные электроды и внезапные изменения напряжения вызывают недоумение относительно базового сигнала (дрейф базовой линии) [5]. Вектор случайных переменных (среднее значение) и оценка базовой линии хроматограммы и шумоподавление с использованием алгоритма разреженности (BEADS) [23] являются хорошими методами для устранения дрейфа базовой линии.Полосовой фильтр снижает эффективность сокращения мышц, частотных помех, дрейфа базовой линии и интерференции P-волн и T [7, 24]. Для подавления этих шумов используется полосовой цифровой фильтр Баттерворта с точкой остановки от 5 до 16 Гц. У Баттерворта нет ряби в полосе пропускания. [25]. После полосового фильтра сигнал нормализуется с помощью (1) на этапе 1 [26], где — нормализованная амплитуда; является полосовым фильтром после обработки (BPF). обозначает количество образцов.

    2.2. Энергия Шеннона и обнаружение комплекса QRS

    Предлагаемый метод основан на использовании энергии сигнала. Сигнальный квадрат очень близок к энергии сигнала. Для дискретного времени энергия сигнала определяется следующим образом:

    Здесь выражается энергия сигнала, определенные данные ЭКГ и выборки. представляет собой сумму из [27]. Чтобы пояснить, у нас есть следующее:

    Энергия Шеннона вычисляет средний спектр энергии сигнала. Другими словами, скидывайте высокие компоненты на более низкие компоненты.Итак, входная амплитуда не важна. Энергия Шеннона и преобразование Гильберта (SEHT) являются хорошим вспомогательным средством для обнаружения R-пика, но у этого метода есть проблема. SEHT требует высокой памяти и имеет задержки [28]. Он разработан для решения наших актуальных задач. Для нахождения гладкой энергии Шеннона основную роль играют фильтр нулевой фазы и аппроксимация энергии Шеннона [24, 28].

    Энергия Шеннона (SE) вычисляет энергию локального спектра для каждого образца. Ниже приведен расчет энергии Шеннона: где после нормализации процесса.

    Энергия, которая лучше подходит к диапазонам обнаружения в присутствии шума или областей с большей шириной, приводит к меньшему количеству ошибок. Способность подчеркивать среду является преимуществом использования энергии Шеннона, а не классической энергии [18, 19]. Выбранный сигнал нормализуется с помощью (5) на этапе 3 для уменьшения базы сигнала и размещения сигнала ниже базовой линии. Где — вектор случайной величины и заданное стандартное отклонение сигнала.

    На этапе 3 после вычисления энергии Шеннона генерируются небольшие всплески вокруг основного пика энергии.Эти пики затрудняют обнаружение основных пиков. Чтобы устранить этот всплеск, энергия Шеннона преобразуется в энергетический пакет (энергетическая оболочка Шеннона (SEE)). Чтобы преодолеть эту проблему, используется преобразование Гильберта. Метод SEHT является простым и высокопроизводительным дополнением, но SEHT требует большого объема памяти и имеет задержки, поэтому он не подходит для обнаружения в реальном времени [24, 28]. Для сглаживания шипов используется прямоугольник () длины. Операция фильтрации показана следующим образом: где определяет скользящее среднее, является константой и определяет энергию Шеннона из предыдущих шагов.Для уменьшения и огибания пиков ненулевые пики, полученные от дифференциала, связываются. Другими словами, диагностированные пики связаны друг с другом.

    Разница определяется ниже:

    Знак определяется следующим образом: где — действительное число.

    На стадии 4 положительные пики — это расположение комплекса QRS. Для обнаружения комплекса QRS определяется порог (см. (9)). Фактически, в качестве выходных выбираются отсчеты с большей амплитудой, чем порог, где — константа.

    3.Результат

    Экспериментальные результаты получены после моделирования сигналов 70 здоровых пациентов для всех 12 отведений и с использованием базы данных диагностической ЭКГ PTB (PTBDB). Physikalisch-Technische Bundesanstalt (PTB) — это Национальный метрологический институт Германии. База данных PTB предоставляется для PhysioNet и имеет различную морфологию. ЭКГ в этой базе данных получают 15 входных каналов, включая стандартные 12 отведений (i, ii, iii, avr, avl, avf, v1, v2, v3, v4, v5 и v6) вместе с 3 ЭКГ Франк отведений (vx, vy и vz).Входное напряжение составляет ± 16 мВ, входное сопротивление 100 Ом, разрешение АЦП равно 16 бит с 0,5 μ / LSB, а частота дискретизации равна 1 кГц [20, 21]. Предложенный алгоритм был выполнен на процессоре Intel Core i3 с тактовой частотой 2,4 ГГц с использованием GNU Octave версии 4.0.2 [29]. Выбранный сигнал от пациента 117 имеет различные физиологические особенности и отклонения от базовой линии. Отведения (i, ii, avl, avf, v3, v4, v5 и v6) записи s0291lrem и отведения (i, ii, iii, avf, v1, v2, v4, v5 и v6) записи s0292lrem имеют высокую амплитуду .Отведения (i, avl, v2, v3 и v4) записи s0291lrem и отведения (avr, avl и avf) записи s0292lrem имеют резкий и высокий зубец T.

    На рисунке 3 показан результат моделирования для обнаружения каждого отведения пациента 117 в Octave. На рисунках 4 и 5 показан процесс получения сигнала ЭКГ и обнаружения пика. Обнаружение QRS 12 каналов здорового сигнала ЭКГ у пациента 117 из базы данных PTB представлено в Таблице 1 и Приложении. Обнаружение 12 отведений показано на рисунке 6. На рисунке 7 показаны 3 отведения из 3 случаев.

    900.000 900.000 9975 0,050 75 93

    Корпус TP FN FP DER% Se% + P Acc

    s0010_rem 624 0 0 0,000 100,000 100,000 100,000
    s0014lrem 1987 0 0 0.000 100,000 100,000 100,000
    s0015lrem 1815 0 2 0,110 100,000 99,890 99,890
    s0017lrem 1673 0,299 100,000 99,702 99,702
    s0020arem 1906 4 21 1,312 99.791 98.910 98.705
    s0020brem 1867 5 20 1,339 99.733 98.940 98.679
    s0021arem
    1 99.955 100.000 99.955
    s0021brem 2196 0 0 0,000 100,000 100.000 100.000
    s0025lrem 2382 6 0 0,252 99.749 100.000 99.749
    s0029lrem 1638 0 0 0 0 0 100,000 100,000
    s0031lrem 2111 1 0 0,047 99.953 100,000 99.953
    s0035_rem 552 0 0 0,000 100,000 100,000 100,000
    s0036lrem 2066 0 2 0,097 100,000 99.903
    s0037lrem 1479 0 3 0.203 100.000 99.798 99.798
    s0038lrem 1572 0 0 0 0 000 100.000 100.000 100.000
    s0039lrem 2088 0 0 0.000 100.000 100.000 100.000
    s0042lrem 1815 0 0,000 100,000 100,000 100,000
    s0043lrem 1212 0 0 0.000 100.000 100.000 100.000
    s0044lrem 1812 0 0 0.000 100.000 100.000 100.000
    s0045lrem 1968 0 0,000 100,000 100,000 100,000
    s0046lrem 1944 0 0 0.000 100,000 100,000 100,000
    s0047lrem 2651 1 0 0,038 99.962 100.000 99.962
    s0049lrem 2040 0,000 100,000 100,000 100,000
    s0050lrem 1461 3 0 0,205 99.795 100.000 99.795
    s0051lrem 1912 0 2 0.105 100.000 99.896 99.896
    s0052lrem80 1356 0 0 0 100,000 100,000 100,000
    s0053lrem 2148 0 0 0,000 100,000 100.000 100,000
    s0054lrem 1979 31 2 1,668 98,458 99,899 98,360
    s0055lrem 1381 0 1 0,0 99.928 99.928
    s0056lrem 1732 0 0 0.000 100.000 100.000 100.000
    s0057lrem 1896 0 0 0,000 100,000 100,000 100,000
    s0058lrem 2017 0 1 100,000 900 99.950
    s0059lrem 1800 0 0 0,000 100,000 100,000 100,000
    s0060lrem 140 0 0 0.000 100.000 100.000 100.000
    s0062lrem 1488 0 0 0.000 100.000 100.000 100.000
    s0063lrem 1845 3 0,163 99,838 100,000 99,838
    s0064lrem 1797 3 0 0,167 99.833 100,000 99,833
    s0065lrem 1704 0 0 0,000 100,000 100,000 100.000
    s0066lrem 1513 0 0,0 100,000 99,934 99,934
    s0067lrem 424 0 4 0,943 100,000 99.065 99.065
    s0068lrem 1377 5 15 1.452 99.638 98.922 98.568
    s0069lrem 80 1188 0 0 900.000 100,000 100,000
    s0070lrem 1983 0 1 0,050 100,000 99.950 99.950
    s0071lrem 1848 0 0 0.000 100.000 100.000 100.000
    s0072lrem 2040 0 0 0.000 100.000 100,000
    s0073lrem 2125 5 0 0,235 99,765 100,000 99.765
    s0074lrem 1140 0 0 0.000 100,000 100,000 100,000
    s0075lrem 1453 0 1 0,069 100,000 99.931 99.931
    s0076lrem 1308 0,000 100,000 100,000 100,000
    s0077lrem 1692 0 0 0,000 100.000 100,000 100,000
    s0078lrem 1225 0 1 0,082 100,000 99.918 99.918
    s0079lrem 1620 0 100,000 100,000 100,000
    s0080lrem 1556 0 0 0,000 100,000 100.000 100,000
    s0082lrem 1602 0 0 0,000 100,000 100,000 100,000
    s0083lrem 1465 1 0 0,068 900,99 100,000 99,932
    s0084lrem 1464 0 0 0,000 100,000 100,000 100.000
    s0085lrem 1276 0 4 0,313 100,000 99,688 99,688
    s0097lrem 2133 0 1 0,047 100,9 99.953
    s0101lrem 1500 0 0 0.000 100.000 100.000 100.000
    s0103lrem 1273 0 2 0.157 100.000 99.843 99.843
    s0149lrem 1572 0 0 0,000 100.000 100.000 100.000
    s0152lrem 1532 1532 1532 0,261 99,740 100,000 99,740
    s0087lrem 1654 12 0 0,726 99.280 100,000 99,280
    s0088lrem 1728 0 0 0,000 100,000 100,000 100,000
    s0091lrem 1380 1 1 1 1 99,928 99,928 99,855
    s0095lrem 1797 3 0 0,167 99,833 100.000 99,833
    s0096lrem 2603 1 0 0,038 99.962 100,000 99.962
    s0150lrem 1583 1 0 100,000 99.937
    s0090lrem 1358 0 2 0.147 100.000 99.853 99.853
    s0093lrem 1249 0 1 0,080 100,000 99.920 99.920
    s0291lrem 1548 0 0 100 0,000 100,000
    s0292lrem 1584 0 0 0,000 100,000 100,000 100,000
    Всего 119054 91 0.155 99,924 99,922 99,846


    Для определения производительности и эффективности алгоритма классификация Accuracy (Acc), Positive Прогнозируемость (+ P), чувствительность (Se) и частота ошибок обнаружения были рассчитаны с использованием следующих уравнений:

    Здесь TP определяет истинный пик, обнаруженный алгоритмом; FN (ложноотрицательный) — это количество не обнаруженных пиков R, а FP (ложноположительный) — это количество шумовых всплесков, обнаруженных как R-пики [3, 30].

    На рисунках 4 (а) и 5 ​​(а) показан выходной сигнал после полосового фильтра и нормализованная амплитуда. На рисунках 4 (b) и 5 ​​(b) показаны энергия Шеннона и нормализованная амплитуда, а на рисунках 4 (c) и 5 ​​(c) показан сигнал после огибающей. Комплекс QRS сигнала ЭКГ показан на рисунках 4 (г) и 5 ​​(г). Красная линия обозначает обнаруженный пик. -axis представляет амплитуду, а -axis представляет выборку.

    В этом исследовании предложенная методика протестирована на 840 отведениях базы данных диагностической ЭКГ PTB (PTBDB), и полученные значения показали, что чувствительность (Se) равна 99.924%, коэффициент ошибок обнаружения (МЭД) равен 0,155%, положительная предсказуемость (+ P) равна 99,922%, а точность классификации составляет 99,846%.

    4. Заключение

    В настоящем исследовании оцениваются наиболее распространенные методы устранения шума в сигнале ЭКГ. Предлагается энергетический подход Шеннона для определения комплекса QRS сигнала ЭКГ в 12 отведениях. Сигнал ЭКГ выбирается с учетом различных физиологических параметров из базы данных PTB и исследуется программным обеспечением Octave. Точность и чувствительность, полученные из таблицы 1, показали, что представленный алгоритм является быстрым и простым, без сложных уравнений.Этот алгоритм не требует большой памяти и высокого оборудования. Время диагностики для каждого отведения составляет примерно 2,5 секунды в зависимости от октавы. Результаты показали, что обнаружение алгоритма имеет очень небольшую задержку, менее 0,013 секунды, без ошибок. Эта задержка создается на этапе 3.

    Приложение

    См. Таблицу 2.

    (a)
    9 0074

    Отведения s0010_rem s0014lrem

    80lrem
    s00 s0017lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 52 0 0 166 0 0 151 0 0 139 0 0
    ii 52 0 0 165 0 0 151 0 0 142 0 3
    iii 52 0 0 165 0 0 152 0 1 139 0 0
    avr 52 0 0 166 0 0 152 0 0 139 0 0
    avl 52 0 0 166 0 0 152 0 1 139 0 0
    avf 52 0 0 165 0 0 151 0 0 140 0 1
    v1 52 0 0 165 0 0 151900 80 0 0 140 0 1
    v2 52 0 0 166 0 0 151 0 0 139 0 0
    v3 52 0 0 166 0 0 151 0 0 139 0 0
    v4 52 0 0 166 0 0 151 0 0 139 0 0
    v5 52 0 0 166 0 0 151 0 0 139 0 0
    v6 52 0 0 165 0 0 151 0 0 139 0 0
    Всего 624 0 0 1987 0 0 1815 0 2 1673 0 5

    (б)
    FP

    Выводы s0020arem s0020brem s0021arem s0021brem
    TP FN FP TP FN FP TP TP FN FP FP TP FN FP

    i 159 0 0900 80 156 0 0 184 0 0 183 0 0
    ii 159 0 0 156 0 0 184 0 0 183 0 0
    iii 159 0 0 156 0 0 184 0 0 183 0 0
    avr 159 0 0 156 0 0 184 0 0 183 0 0
    avl 159 0 0 156 0 0 184 0 0 183 0 90 080 0
    avf 158 3 21 151 5 20 184 0 0 183 0 0
    v1 159 0 0 156 0 0 184 0 0 183 0 0
    v2 159 0 0 156 0 0 184 0 0 183 0 0
    v3 159 0 0 156 0 0 183 1 0 183 0 0
    v4 158 1 0 156 0900 80 0 184 0 0 183 0 0
    v5 159 0 0 156 0 0 184 0 0 183 0 0
    v6 159 0 0 156 0 0 184 0 0 183 0 0
    Всего 1906 4 21 1867 5 20 2207 1 0 2196 0 0

    (c)
    9007 5 197

    Выводы s0025lrem 900 80 s0029lrem s0031lrem s0035_rem
    TP FN FP TP FN FP TP FN FP TP FN FP TP FN
    i 199 0 0 136 0 0 176 0 0 46 0 0
    ii 199 0 0 137 0 0 176 0 0 46 0 0
    iii 197 2 0 137 0 0 176 0 0 46 0 0
    avr 2 0 137 0 0 176 0 0 46 0 0
    avl 197 2 0 136 0 0 175 1 0 46 0 0
    avf 199 0 0 137 0 0 176 0 0 46 0 0
    v1 199 0 0 136 0 0 176 0 0 46 0 0
    v2 199 0 0 136 0 0 176 0 0 46 0 0
    v3 199 0 0 137 0 0 176 0 0 46 0 0
    v4 199 0 0 136 0 0 176 0 0 46 0 0
    v5 199 0 0 137 0 0 176 0 0 46 0 0
    v6 199 0 0 136 0 0 176 0 0 46 0 0
    Итого 2382 6 0 1638 0 0 2111 1 0 552 0 0

    (d)
    TP

    Выводы s0036lrem s0037lrem s0038lrem s0039lrem
    TP FN FP TP FN FP FPN FPN FPN TP FN FP

    i 173 0 1 123 0 0 131 0 0 174 0 0
    ii 172 0 0 123 0 0 131 0 0 174 0 0
    iii 172 0 0 124 0 1 131 0 0 174 0 0
    avr 173 0 1 123 0 0 131 0 0 174 0 0
    avl 172 0 0 124 0 1 131 0 0 174 0 0
    avf 172 0 0 124 0 1 131 0 0 174 0 0
    v1 172 0 0 123 0 0 131 0 0 174 0 0
    v2 172 0 0 123 0 0 131 0 0 174 0 0
    v3 172 0 0 123 0 0 131 0 0 174 0 0
    v4 172 0 0 123 0 0 131 0 0 174 0 0
    v5 172 0 0 123 0 0 131 0 0 174 0 0
    v6 172 0 0 123 0 0 131 0 0 174 0 0
    Всего 2066 0 2 1479 0 3 1572 0 0 2088 0 0

    (e)
    90 075 FN

    Отведения s0042lrem s0043lrem s0044lrem s0044lrem s0044lrem FP TP FN FP TP FN FP TP FP

    i 152 0 0 101 0 0 151 0 0 164 0 0
    ii 151 0 0 101 0 0 151 0 0 164 0 0
    iii 151 0 0 101 0 0 151 0 0 164 0 0
    avr 152 0 0 101 0 0 151 0 0 164 0 0
    средний 152 0 0 101 0 0 151 0 0 164 0 0
    avf 151 0 0 101 0 0 151 0 0 164 0 0
    v1 151 0 0 101 0 0 151 0 0 164 0 0
    v2 151 0 0 101 0 0 151 0 0 164 0 0
    v3 151 0 0 101 0 0 151 0 0 164 0 0
    v4 151 0 0 101 0 0 151 0 0 164 0 0
    v5 151 0 0 101 0 0 151 0 0 164 0 0
    v6 151 0 0 101 0 0 151 0 0 164 0 0
    Всего 1815 0 0 1212 0 0 1812 0 0 1968 0 0

    (розетка)
    FP TP

    Выводы s0046lrem s0047lrem s0049lrem s0050lrem
    TP FN TP FN FP TP FN FP

    i 162 0 0 221 0 0 170 0 0 121 1 0
    ii 162 0 0 221 0 0 170 0 0 121 1 0
    iii 162 0 0 221 0 0 170 0 0 122 0 0
    avr 162 0 0 221 0 0 170 0 0 122 0 0
    avl 162 0 0 221 0 0 170 0 0 122 0 0
    avf 162 0 0 221 0 0 170 0 0 122 0 0
    v1 162 0 0 221 0 0 170 0 0 122 0 0
    v2 9 0080 162 0 0 221 0 0 170 0 0 122 0 0
    v3 162 0 0 221 0 0 170 0 0 122 0 0
    v4 162 0 0 220 1 0 170 0 0 122 0 0
    v5 162 0 0 221 0 0 170 0 0 122 0 0
    v6 162 0 0 221 0 0 170 0900 80 0 121 1 0
    Всего 1944 0 0 2651 1 0 2040 0 0 1461 3 0

    (г)
    914rem80 s0052lrem 9 0075 166 90 075 0

    Отводы s0051lrem TP FN FP TP FN FP TP FN FP TP FN FP

    i 159 0 0 113 0 0 179 0 0 2 0
    ii 159 0 0 113 0 0 179 0 0 154 10 2
    iii 160 0 0 113 0 0 179 0 0 165 2 0
    avr 159 0 0 113 0 0 179 0 0 167 1 0
    avl 159 0 0 113 0 0 179 0 0 167 1 0
    avf 161 0 2 113 0 0 179 0 0 164 4 0
    v1 159 0 0 113 0 0 179 0 0 162 5 0
    v2 159 0 0 113 0 0 179 0 0 164 4 0
    v3 160 0 0 113 0 0 179 0 0 166 2 0
    v4 159 0 0 113 0 0 179 0 0 168 0
    v5 159 0 0 113 0 0 179 0 0 168 0 0
    v6 159 0 0 113 0 0 179 0 0 168 0 0
    Всего 1912 0 2 1356 0 0 2148 0 0 1979 31 2

    (в)

    Отведения s0055lrem s0056lrem s0057lrem s0058lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 115 0 0 144 0 0 158 0 0 168 0 0
    ii 116 0 1 144 0 0 158 0 0 168 0 0
    iii 115 0 0 145 0 0 158 0 0 168 0 0
    avr 115 0 0 145 0 0 15 8 0 0 168 0 0
    avl 115 0 0 144 0 0 158 0 0 168 0 0
    avf 115 0 0 145 0 0 158 0 0 168 0 0
    v1 115 0 0 144 0 0 158 0 0 168 0 0
    v2 115 0 0 144 0 0 158 0 0 168 0 0
    v3 115 0 0 145 0 0 158 0 0 169 0 1
    v4 115 0 0 144 0 0 158 0 0 168 0 0
    v5 115 0 0 144 0 0 158 0 0 168 0 0
    v6 115 0 0 144 0 0 158 0 0 168 0 0
    Всего 1381 0 1 1732 0 0 1896 0 0 2017 0 1

    (i)
    9008 1

    Отводы s1459lrem0080 s0090lrem s0062lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 150 0 0 140 0 0 113 0 0 124 0 0
    ii 150 0 0 140 0 0 113 0 0 124 0 0
    iii 150 0 0 140 0 0 113 0 0 124 0 0
    avr 150 0 0 140 0 0 113 0 0 124 0 0
    avl 150 0 0 140 0 0 113 0 0 124 0 0
    avf 150 0 0 140 0 0 113 0 0 124 0 0
    v1 150 0 0 140 0 0 113 0 0 124 0 0
    v2 150 0 0 140 0 0 113 0 0 124 0 0
    v3 150 0 0 140 0 0 114 0 1 124 0 0
    v4 150 0 0 140 0 0 114 0 1 124 0 0
    v5 150 0 0 140 0 0 113 0 0 124 0 0
    v6 150 0 0 140 0 0 113 0 0 124 0 0
    Всего 1800 0 0 1680 0 0 1358 0 2 1488 0 0

    (j)

    Leads s0063lrem s0064lrem s0065lrem s0066lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 9 0080 154 0 0 149 1 0 142 0 0 126 0 0
    ii 151 3 0 150 0 0 142 0 0 127 0 1
    iii 154 0 0 150 0 0 142 0 0 126 0 0
    avr 154 0 0 150 0 0 142 0 0 126 0 0
    avl 154 0 0 149 1 0 142 0 0 126 0 0
    avf 154 0 0 150 0 0 142 0 0 126 0 0
    v1 154 0 0 150 0 0 142 0 0 126 0 0
    v2 154 0 0 150 0 0 142 0 0 126 0 0
    v3 154 0 0 150 0 0 142 0 0 126 0 0
    v4 154 0 900 80 0 150 0 0 142 0 0 126 0 0
    v5 154 0 0 150 0 0 142 0 0 126 0 0
    v6 154 0 0 149 1 0 142 0 0 126 0 0
    Total 1845 3 0 1797 3 0 1704 0 0 1513 0 1

    (k)
    90 075 99

    Leads s0067lrem s0068lrem s0069lrem s0070lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 35 0 0 115 0 0 99 0 0 165 0 0
    ii 35 0 0 115 0 0 99 0 0 165 0 0
    iii 36 0 1 113 2 11 99 0 0 165 0 0
    avr 35 0 0 115 0 0 99 0 0 165 0 0
    avl 36 0 1 116 0 2 99 0 0 165 0 0
    avf 36 0 1 115 0 0 99 0 0 165 0 0
    v1 35 0 0 116 0 2 99 0 0 165 0 0
    v2 35 0 0 114 1 0 0 0 167 0 1
    v3 36 0 1 115 0 0 99 0 0 166 0 0
    v4 35 0 0 114 1 0 99 0 0 165 0 0
    v5 35 0 0 114 1 0 99 0 0 165 0 0
    v6 35 0 0 115 0 0 99 0 0 165 0 0
    Total 424 0 4 1377 5 15 1188 0 0 1983 0 1

    (l)
    9007 5 0

    Leads s0071lrem s0072lrem s0073lrem s0074lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 154 0 0 170 0 0 177 0 0 95 0 0
    ii 154 0 170 0 0 177 0 0 95 0 0
    iii 154 0 0 170 0 0 173 5 0 95 0 0
    avr 154 0 0 170 0 0 178 0 0 95 0 0
    avl 154 0 0 170 0 0 177 0 0 95 0 0
    avf 154 0 0 170 0 0 177 0 0 95 0 0
    v1 154 0 0 170 0 0 178 0 0 95 0 0
    v2 154 0 0 170 0 0 178 0 0 95 0 0
    v3 154 0 0 170 0 0 178 0 0 95 0 0
    v4 154 0 0 170 0 0 177 0 0 95 0 0
    v5 154 0 0 170 0 0 177 0 0 95 0 0
    v6 154 0 0 170 0 0 178 0 0 95 0 0
    Total 1848 0 0 2040 0 0 2125 5 0 1140 0 0

    (m)

    Leads s0075lrem s0076lrem s0077lrem s0078lrem
    TP FN FP TP FN FP TP FN FP 90 080 TP FN FP

    i 121 0 0 109 0 0 141 0 0 102 0 0
    ii 121 0 0 109 0 0 141 0 0 103 0 1
    iii 121 0 0 109 0 0 141 0 0 102 0 0
    avr 121 0 0 109 0 0 141 0 0 102 0 0
    avl 12 1 0 0 109 0 0 141 0 0 102 0 0
    avf 121 0 0 109 0 0 141 0 0 102 0 0
    v1 122 0 1 109 0 0 141 0 0 102 0 0
    v2 121 0 0 109 0 0 141 0 0 102 0 0
    v3 121 0 0 109 0 0 141 0 0 9 0080 102 0 0
    v4 121 0 0 109 0 0 141 0 0 102 0 0
    v5 121 0 0 109 0 0 141 0 0 102 0 0
    v6 121 0 0 109 0 0 141 0 0 102 0 0
    Total 1453 0 1 1308 0 0 1692 0 0 1225 0 1

    (n)
    9 0081

    Leads s0079lrem s0080lrem s0093lrem s0082lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 135 0 0 130 0 0 104 0 0 133 0 0
    ii 135 0 0 129 0 0 104 0 0 133 0 0
    iii 135 0 0 130 0 0 104 0 0 134 0 0
    avr 135 0 0 130 0 0 104 0 0 134 0 0
    avl 135 0 0 130 0 0 104 0 0 133 0 0
    avf 135 0 0 129 0 0 105 0 1 133 0 0
    v1 135 0 0 129 0 0 104 0 0 134 0 0
    v2 135 0 0 129 0 0 104 0 0 133 0 0
    v3 135 0 0 130 0 0 104 0 0 134 0 0
    v4 135 0 0 130 0 0 104 0 0 134 0 0
    v5 135 0 0 130 0 0 104 0 0 134 0 0
    v6 135 0 0 130 0 0 104 0 0 133 0 0
    Total 1620 0 0 1556 0 0 1249 0 1 1602 0 0

    (o)

    Leads s0083lrem s0084lrem s0085lrem s0097lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 122 0 0 122 0 0 106 0 0 178 0 1
    ii 123 1 0 122 0 0 106 0 0 177 0 0
    iii 122 0 0 122 0 0 108 0 2 178 0 0
    avr 122 0 0 122 0 0 106 0 0 178 0 0
    avl 122 0 0 122 0 0 106 0 0 178 0 0
    avf 122 0 0 122 0 0 106 0 0 178 0 0
    v1 122 0 0 122 0 0 106 0 0 177 0 0
    v2 122 0 0 122 0 0 108 0 2 178 0 0
    v3 122 0 0 122 0 0 106 0 0 178 0 0
    v4 122 0 0 122 0 0 106 0 0 178 90 080 0 0
    v5 122 0 0 122 0 0 106 0 0 178 0 0
    v6 122 0 0 122 0 0 106 0 0 177 0 0
    Total 1465 1 0 1464 0 0 1276 0 4 2133 0 1

    (p)
    90 075 0 9007 5 1572

    Leads s0101lrem s0103lrem s0149lrem s0152lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 125 0 0 106 0 1 131 0 0 128 0 0
    ii 125 0 0 106 0 0 131 0 0 128 0 0
    iii 125 0 0 107 0 1 131 0 0 128 0 0
    avr 125 0 0 106 0 131 0 0 128 0 0
    avl 125 0 0 106 0 0 131 0 0 128 0 0
    avf 125 0 0 106 0 0 131 0 0 124 4 0
    v1 125 0 0 106 0 0 131 0 0 128 0 0
    v2 125 0 0 106 0 0 131 0 0 128 0 0
    v3 125 0 0 106 0 0 131 0 0 128 0 0
    v4 125 0 0 106 0 0 131 0 0 128 0 0
    v5 125 0 0 106 0 0 131 0 0 128 0 0
    v6 125 0 0 106 0 0 131 0 0 128 0 0
    Total 1500 0 0 1273 0 2 0 0 1532 4 0

    (q)

    Leads s0087lrem s0088lrem s0089lrem s0091lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 142 0 0 144 0 0 196 0 0 114 1 0
    ii 138 4 0 144 0 0 194 2 0 900 80 115 0 0
    iii 136 6 0 144 0 0 196 0 0 115 0 0
    avr 138 0 0 144 0 0 196 0 0 115 0 0
    avl 138 0 0 144 0 0 196 0 0 115 0 0
    avf 137 1 0 144 0 0 196 0 0 116 0 1
    v1 136 0 0 900 80 144 0 0 196 0 0 115 0 0
    v2 138 0 0 144 0 0 196 0 0 115 0 0
    v3 137 1 0 144 0 0 196 0 0 115 0 0
    v4 138 0 0 144 0 0 196 0 0 115 0 0
    v5 138 0 0 144 0 0 156 40 0 115 0 9008 0 0
    v6 138 0 0 144 0 0 196 0 0 115 0 0
    Total 1654 12 0 1728 0 0 2310 42 0 1380 1 1

    (r)

    Leads s0095lrem s0096lrem s0150lrem s0150lrem
    TP FN FP TP FN FP TP FN FP TP FN FP

    i 149 1 0 217 0 0 0 0 0 132 0 0
    ii 150 0 0 217 0 0 0 0 0 132 0 0
    iii 150 0 0 217 0 0 0 0 0 132 0 0
    avr 150 0 0 217 0 0 0 0 0 132 0 0
    avl 150 0 0 217 0 0 0 9 0080 0 0 132 0 0
    avf 150 0 0 217 0 0 0 0 0 132 0 0
    v1 149 1 0 217 0 0 0 0 0 132 0 0
    v2 149 1 0 217 0 0 0 0 0 131 1 0
    v3 150 0 0 217 0 0 0 0 0 132 0 0
    v4 150 0 0 217 0 0 0 0 0 132 0 0
    v5 150 0 0 216 1 0 0 0 0 132 0 0
    v6 150 0 0 217 0 0 0 0 0 132 0 0
    Total 1797 3 0 2603 1 0 0 0 0 1583 1 0

    (s)
    900 74

    Leads s0291lrem s0292lrem
    TP FN FP TP FN FP

    i 129 0 0 132 0 0
    ii 129 0 0 132 0 0
    iii 129 0 0 132 0 0
    avr 129 0 0 132 0 0
    avl 129 0 0 132 0 0
    avf 129 0 0 132 0 0
    v1 129 0 0 132 0 0
    v2 129 0 0 132 0 0
    v3 129 0 0 132 0 0
    v4 129 0 0 132 0 0
    v5 129 0 0 132 0 0
    v6 129 0 0 132 0 0
    Total 1548 0 0 1584 0 0

    Competing Interests

    The authors declare that they have no compe ting interests.

    Пересмотр методологий обнаружения QRS для портативных, носимых, работающих от батарей и беспроводных систем ЭКГ

    Abstract

    Сердечно-сосудистые заболевания — причина смерти номер один во всем мире. В настоящее время портативные системы с батарейным питанием, такие как мобильные телефоны с беспроводными датчиками ЭКГ, могут использоваться для непрерывной оценки сердечной функции, которую можно легко интегрировать в повседневную жизнь. Таким образом, эти портативные диагностические системы могут помочь выявить и лечить сердечно-сосудистые заболевания.Основой для анализа ЭКГ является надежное обнаружение заметного комплекса QRS, а также других характеристик сигнала ЭКГ. Однако из литературы не ясно, какие алгоритмы анализа ЭКГ подходят для реализации на мобильном устройстве. Мы исследуем существующие алгоритмы обнаружения QRS на основе трех критериев оценки: 1) устойчивость к шуму, 2) выбор параметров и 3) числовая эффективность, чтобы нацелить универсальный быстродействующий надежный детектор. Кроме того, существующие алгоритмы обнаружения QRS могут обеспечить приемлемое решение только для небольших сегментов сигналов ЭКГ, в пределах определенного диапазона амплитуд или среди определенных типов аритмии и / или шума.Эти вопросы обсуждаются в контексте сравнения с наиболее традиционными алгоритмами, за которыми следуют будущие рекомендации по разработке надежных схем обнаружения QRS, подходящих для реализации на мобильных устройствах с батарейным питанием.

    Образец цитирования: Elgendi M, Eskofier B, Dokos S, Abbott D (2014) Пересмотр методологий обнаружения QRS для портативных, переносных, работающих от батарей и беспроводных систем ЭКГ. PLoS ONE 9 (1): e84018. https: // doi.org / 10.1371 / journal.pone.0084018

    Редактор: Луис А. Нунес. Амарал, Северо-Западный университет, США

    Поступила: 1 августа 2013 г .; Принята к печати: 11 ноября 2013 г .; Опубликовано: 7 января 2014 г.

    Авторские права: © 2014 Elgendi et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

    Финансирование: У авторов нет поддержки или финансирования, чтобы сообщить.

    Конкурирующие интересы: Дерек Эбботт работает редактором PLOS ONE. Это не влияет на соблюдение авторами всех политик PLOS ONE в отношении обмена данными и материалами.

    Введение

    По данным Всемирной организации здравоохранения, сердечно-сосудистые заболевания (ССЗ) являются причиной смерти номер один во всем мире [1]. По оценкам, в 2008 году от сердечно-сосудистых заболеваний умерло 17,3 миллиона человек, что составляет 30% всех смертей в мире [1].Более того, ожидается, что число смертных случаев от ССЗ, в основном от болезней сердца и инсульта, достигнет 23,3 миллиона к 2030 году и, по прогнозам, останется единственной ведущей причиной смерти в течение нескольких десятилетий [2].

    В 2010 году глобальные прямые и косвенные затраты на сердечно-сосудистые заболевания составили приблизительно 863 миллиарда долларов и, по оценкам, вырастут на 22% до 1 044 миллиарда долларов к 2030 году. В целом, стоимость только сердечно-сосудистых заболеваний прогнозируется на уровне 20 триллионов долларов в следующие 20 лет. годовой период [3].

    Вследствие прямых и косвенных затрат, связанных с сердечно-сосудистыми заболеваниями, медицинские исследователи придают большое значение исследованиям здоровья сердца.Это привело к тому, что большое внимание уделяется технологическим достижениям в области оценки сердечной функции. Одним из таких направлений исследований является совершенствование традиционных технологий диагностики сердечно-сосудистых заболеваний, используемых в больницах / клиниках.

    Наиболее распространенным клиническим исследованием сердца является анализ электрокардиограммы (ЭКГ). Он представляет собой полезный инструмент для скрининга различных сердечных аномалий, потому что он прост, безопасен и недорог [4]. Достижения в области технологий привели к значительным изменениям в способах сбора, хранения и диагностики сигналов ЭКГ, особенно в использовании мобильных телефонов для внедрения клинической процедуры анализа ЭКГ в повседневную жизнь [5] — [9].Таким образом, в ближайшем будущем ожидается, что устройства Холтера, которые традиционно используются для анализа ЭКГ в клинике, в ближайшем будущем будут заменены портативными устройствами с батарейным питанием, такими как мобильные телефоны [10]. Причина в том, что устройства Холтера не обнаруживают аритмию автоматически в режиме реального времени и не предоставляют информацию в реальном времени больнице / врачу / пациенту при возникновении критического состояния сердца.

    Более того, достижения в области памяти / хранения данных позволили нам хранить больше сигналов ЭКГ, чем когда-либо прежде.Поэтому исследователи собирают больше информации, чтобы понять механизмы, лежащие в основе сердечно-сосудистых заболеваний, что, как ожидается, в конечном итоге приведет к эффективному лечению. Тенденция к использованию мобильных смартфонов для оценки ЭКГ еще больше ускоряет этот процесс, поскольку удобно собранные данные потенциально могут быть добавлены в базы данных через существующий Интернет.

    Анализ сигналов ЭКГ, собранных мобильным телефоном, должен быть быстрым и выполнимым в реальном времени, несмотря на существующие ограничения с точки зрения памяти телефона и возможностей процессора.То же самое касается возможности анализа больших записей ЭКГ, собранных за один или несколько дней.

    В последнее время исследователи приложили повышенные усилия к разработке эффективных алгоритмов анализа ЭКГ для работы в мобильных телефонах, включая алгоритмы для определения качества собранных сигналов ЭКГ [11]. Это усиление усилий также подтверждается в 2011 г. PhysioNet / Computing in Cardiology Challenge [12], который был учрежден для поощрения разработки программного обеспечения ЭКГ, которое можно запускать на мобильном телефоне, записывать ЭКГ и предоставлять полезные отзывы о его качестве.

    PhysioNet предоставила большой набор записей ЭКГ для использования в их Cardiology Challenge, а также образец приложения с открытым исходным кодом для телефона Android (Google Inc., США), который может классифицировать ЭКГ как приемлемые или неприемлемые. Поэтому следующим шагом является анализ приемлемого сигнала ЭКГ для диагностики, не полагаясь на интерпретацию эксперта. Если эта возможность станет реальностью, она поможет развивающимся странам и сельскому населению, извлекая выгоду из недоступного в ином случае опыта.

    Обратите внимание, что сигналы ЭКГ содержат функции, которые отражают основную работу сердца. Эти особенности представляют собой электрофизиологические события, которые совпадают с последовательностью деполяризации и реполяризации предсердий и желудочков. Сигнал каждого сердцебиения содержит три основных события: зубец P, комплекс QRS и зубец T (как показано на рисунке 1). Каждому событию (волне) соответствует свой пик. Анализ сигналов ЭКГ для мониторинга или диагностики требует обнаружения этих событий.После обнаружения события соответствующий сигнал может быть извлечен и проанализирован с точки зрения его амплитуды (пика), морфологии, распределения энергии и энтропии, частотного содержания, интервалов между событиями и других более сложных параметров. Автоматическое обнаружение событий P, QRS и T имеет решающее значение для надежной оценки сердечно-сосудистой системы, такой как диагностика сердечных аритмий [13] — [17], понимание вегетативной регуляции сердечно-сосудистой системы во время сна и гипертонии [18], [19], обнаружение нарушений дыхания, таких как синдром обструктивного апноэ во сне [20], [21], и мониторинг других структурных или функциональных сердечных нарушений.После точного обнаружения событий QRS, P и T можно выполнить более подробный анализ сигналов ЭКГ.

    Обнаружение комплексов QRS широко исследовалось в течение последних двух десятилетий. Было сделано много попыток найти удовлетворительное универсальное решение для обнаружения комплекса QRS. Трудности возникают в основном из-за разнообразия форм волны QRS, аномалий, низкого отношения сигнал / шум (SNR), а также артефактов, сопровождающих сигналы ЭКГ. И наоборот, обнаружение P- и T-событий изучено не так много, как обнаружение QRS, и проблема обнаружения P- и T-событий все еще далека от решения [22].Надежное обнаружение зубцов P и T сложнее, чем обнаружение комплекса QRS по нескольким причинам, включая низкие амплитуды, низкий SNR, изменчивость амплитуды и морфологии, а также возможное перекрытие зубца P и зубца T. Любая сердечная дисфункция, связанная с возбуждением эктопических центров миокарда, может привести к преждевременным комплексам (предсердным или желудочковым), которые изменяют морфологию формы волны и продолжительность интервала RR. Возникновение множественных преждевременных комплексов считается клинически важным, поскольку указывает на нарушения в процессе деполяризации, предшествующие критической сердечной аритмии.По всем вышеперечисленным причинам точное обнаружение комплексов QRS имеет клиническое значение. Перед разработкой быстродействующего и надежного детектора QRS, который подходит для приложений с батарейным питанием и непрерывного круглосуточного мониторинга ЭКГ, необходимо оценить эффективность текущих алгоритмов по следующим трем критериям оценки:

    1. Устойчивость к шуму : существует несколько источников шума (например, помехи от линии электропередачи, мышечный шум и артефакты движения).Следовательно, разработанные алгоритмы должны быть устойчивыми к этим источникам шума.
    2. Выбор параметра : Выбор параметров должен вести к точному обнаружению. Параметры не должны настраиваться вручную для разных записей.
    3. Числовая эффективность : разработанный алгоритм может иметь большое количество итераций, параметры для настройки, извлеченные признаки или этапы классификации. Желательно обеспечить численно эффективные (простые, быстрые и меньшее количество вычислений) алгоритмы.Конечно, компьютеры стали очень быстрыми, и поэтому числовая эффективность менее важна, чем раньше. Однако, если простой и быстрый алгоритм может дать хорошие результаты, нет необходимости в более сложных алгоритмах. В частности, когда алгоритм используется онлайн (в немного измененной форме по сравнению с автономной версией) во встроенной системе мобильного телефона, численная эффективность по-прежнему актуальна.

    В оставшейся части этой обзорной статьи эти предложенные критерии оценки будут использоваться для оценки нескольких хорошо известных алгоритмов QRS на двух важных этапах: улучшение QRS и обнаружение QRS.Этап улучшения QRS используется для увеличения комплекса QRS по сравнению с другими характеристиками ЭКГ (P, T и шум). Этот этап иногда называют предварительной обработкой или извлечением признаков. Этап обнаружения QRS используется для разграничения комплекса QRS путем определения точек начала и смещения комплекса QRS, и особенно местоположения выдающегося пика R. Остальная часть статьи структурирована следующим образом: в следующем разделе описаны несколько типов методов улучшения QRS, а в разделе 3 сравниваются различные методы обнаружения QRS.Наконец, обсуждение и заключительные замечания представлены в Разделе 4.

    При описании алгоритмов улучшения и обнаружения QRS в этой статье обратите внимание, что это относится к необработанному сигналу ЭКГ, полученному от любой системы мониторинга ЭКГ, включая устройства с батарейным питанием; в то время как относится к отфильтрованному сигналу.

    Расширение QRS

    В этом разделе представлены несколько методов обработки сигналов [23] — [26], которые использовались для выделения сегмента QRS во временном, частотном и частотно-временном рядах, как показано в Таблице 1.Рисунок 2 демонстрирует важность стадии улучшения QRS как предпосылки для обнаружения комплекса QRS.

    Рис. 2. Стадия усиления QRS в сигналах ЭКГ.

    (a) сигнал ЭКГ (вверху: из записи 100 базы данных аритмий MIT-BIH [62]), (b) амплитуда из уравнения 1, где (c) первая производная из уравнения 4, (d) первая производная и вторая производная из уравнения 7, и (e) цифровой фильтр из Ref. [33]. Амплитуда сигналов была изменена, чтобы уместить все сигналы на одном рисунке.Здесь красная звездочка представляет аннотированный пик R.

    https://doi.org/10.1371/journal.pone.0084018.g002

    Только первая производная

    В этом классе алгоритмов улучшения QRS дифференциатор первого порядка обычно используется в качестве фильтра верхних частот, чтобы улучшить дрейф базовой линии и устранить любой нежелательный высокочастотный шум, изменить фазу сигналов ЭКГ и создать нулевой уровень. пересечения в расположении пиков R. Многие алгоритмы обнаружения первой производной QRS, представленные в литературе [31], вычисляют первую производную измеренного сигнала ЭКГ в соответствии с: (2) Напротив, Холсингер [32] использовал центральный метод конечных разностей как: (3) в то время как Okada [ 30] использовали обратную разностную схему: (4)

    В этих алгоритмах впоследствии применялся пороговый критерий для обнаружения QRS, как показано в таблице 1.

    Первая и вторая производная

    Обратите внимание, что алгоритмы улучшения QRS вычисляют первую и вторую производные измеренного сигнала ЭКГ независимо. Затем линейная комбинация величин этих производных используется для выделения области комплекса QRS по сравнению с другими характеристиками ЭКГ. В основополагающей статье Balda et al. [26] рассчитали первую и вторую производные измеренных сигналов ЭКГ согласно: (5) (6)

    Затем они сформировали линейную комбинацию обеих производных следующим образом: (7)

    Альстром и Томпкинс [27] вычислили выпрямленную первую производную ЭКГ как: (8)

    Выпрямленная первая производная затем была сглажена: (9)

    Затем была вычислена выпрямленная вторая производная: (10)

    Наконец, выпрямленная сглаженная первая производная была добавлена ​​к выпрямленной второй производной: (11)

    Для всех этих алгоритмов пороговый критерий для обнаружения QRS применялся к линейной комбинации производных.Сводка этих пороговых критериев приведена в таблице 1.

    Цифровые фильтры

    В литературе опубликовано много сложных цифровых фильтров для улучшения QRS [28], [33], [64] — [71], как кратко описано ниже. Алгоритмы, использующие более сложные цифровые фильтры [28] — [30], [72] — [76], включают Engelse и Zeelenberg [28], которые первыми пропустили сигнал ЭКГ через дифференциатор: (12)

    Этот сигнал затем был пропущен через цифровой фильтр нижних частот: (13)

    Другой алгоритм цифрового фильтра был введен Окада [30], который сначала сглаживал с использованием трехточечного фильтра скользящего среднего: (14)

    Затем выходной сигнал этого фильтра пропускался через фильтр нижних частот: (15)

    Затем разность между входом и выходом этого фильтра нижних частот возводилась в квадрат, чтобы подавить волны низкой амплитуды относительно пика R: (16)

    Затем эта разность квадратов была отфильтрована, чтобы увеличить площадь QRS по сравнению с другими характеристиками ЭКГ: (17)

    В дополнение к вышеупомянутым фильтрам, алгоритм умножения обратной разности (MOBD) также был предложен [77], [78] для обнаружения QRS.Вкратце, этот подход состоит из И-комбинации смежных значений величины производной. MOBD порядка определяется формулой (18), где содержит извлеченные функции QRS, которые впоследствии могут быть обнаружены с использованием соответствующего порога. Другой алгоритм, предложенный Докуром и соавт. [65] использует два разных полосовых фильтра, последовательно умножая выходные данные фильтра и формируя: (19) где содержит извлеченные функции QRS. Эта процедура основана на предположении, что каждый комплекс QRS характеризуется одновременно возникающими частотными компонентами в полосах пропускания каждого фильтра.Операция умножения выполняет И-комбинацию. Другими словами, выходной сигнал И-комбинации (выход функции) является «истинным» и, следовательно, указывает на комплекс QRS, только если оба выхода фильтра имеют «высокий» уровень. Местоположение максимальной амплитуды принимается за местоположение зубца R. Напротив, Пан и Томпкинс [33] использовали производную после применения полосового цифрового фильтра к сигналам ЭКГ. Полосовой фильтр состоит из фильтра нижних частот (), за которым следует фильтр верхних частот () как: (20) (21)

    Первая производная (), используемая после полосового фильтра, была указана как: (22)

    Сигнал с полосовой фильтрацией () был дифференцирован, чтобы подчеркнуть высокие наклоны сигнала, подавляя плавные волны ЭКГ и дрейф базовой линии.

    Математическая морфология

    Использование операторов математической морфологии для обнаружения QRS было описано Trahanias [79]. Подход с математической морфологией происходит от обработки изображений и был впервые предложен для усиления сигнала ЭКГ Чу и Делпом [80], которые сообщили об успешном удалении шума из ЭКГ с помощью этого подхода. Математическая морфология основана на концепции эрозии и дилатации . Пусть и обозначают дискретные функции, где множества и задаются и.Здесь — набор целых чисел. Размытие функции функцией определяется как [80] 🙁 23), где также упоминается как структурирующий элемент , , и. Значения всегда меньше, чем у. Расширение функции функцией определяется как [80] (24) где в данном случае. Значения всегда больше, чем у. Эрозия и расширение могут быть объединены для дополнительных операций. Открытие , обозначенное, определяется как эрозия с последующим расширением. Закрытие , обозначенное, определяется как расширение с последующей эрозией. Оба оператора манипулируют сигналами аналогичным образом. То есть, чтобы открыть , последовательность с плоским структурирующим элементом удалит все пики. Чтобы закрыть , последовательность с тем же структурирующим элементом удалит все питы (отрицательные пики). В Trahanias [79] операции открытия и закрытия используются для подавления шума, как было предложено Чу и Делпом [80]; то есть: (25) где — плоский структурирующий элемент (нулевая линия).Генерация характерного сигнала для комплексов QRS выполняется с помощью операции (26). Zhang и Lian [34] использовали первую производную после многомасштабной фильтрации математической морфологии для сигнала ЭКГ, чтобы удалить артефакты движения и смещения базовой линии. Они использовали дифференциальное уравнение первого порядка Окады, как показано в уравнении 4.

    Разложение по эмпирическим модам

    Разложение по эмпирическим модам (EMD) было введено Huang et al. [81] для нелинейного и нестационарного анализа сигналов.Ключевой частью этого метода является то, что любой сложный набор данных можно разложить на конечное и часто небольшое количество функций внутреннего режима (IMF), которые допускают корректные преобразования Гильберта. Обычно, когда необработанные сигналы ЭКГ разлагаются на количество IMF, комбинация IMF дает результирующий сигнал, в котором комплекс QRS более выражен. Этот процесс можно рассматривать как адаптивную фильтрацию, аналогичную использованию вейвлет-преобразования. EMD определяется процессом, называемым просеиванием. Он разбивает данный сигнал на набор компонентов, IMF.моды и остаточный член [82], [83] получаются и выражаются как: (27)

    Алгоритм EMD состоит из следующих шагов:

    1. Старт по сигналу; с последующим процессом просеивания.
    2. Определите все локальные экстремумы.
    3. Вычислить верхнюю (EnvMax) и нижнюю огибающие (EnvMin) с помощью интерполяции максимумов и минимумов кубическим сплайном.
    4. Вычислить среднее значение нижнего и верхнего конвертов.
    5. Извлеките деталь.
    6. Если это IMF, перейдите к шагу 7; в противном случае повторите шаги 2–5 для сигнала. (Определение IMF, хотя и несколько расплывчатое, состоит из двух частей: (а) количество экстремумов равно количеству нулей и (б) верхняя и нижняя огибающие должны иметь одинаковое абсолютное значение b).
    7. Извлечь режим.
    8. Рассчитайте остаток.
    9. Если имеется меньше двух экстремумов, извлечение завершено; в противном случае повторите алгоритм, начиная с шага 1, по невязке,.

    Преобразование Гильберта

    Использование преобразования Гильберта для обнаружения QRS предложено Zhou et al. [84] и Нигардс и Срнмо [85]. Во временной области преобразование Гильберта сигнала ЭКГ определяется как: (28) (29) где обозначает оператор свертки. В частотной области сигнал ЭКГ может быть преобразован с помощью фильтра ответа: (30) где передаточная функция преобразования Гильберта определяется выражением: (31)

    Используя численно эффективное быстрое преобразование Фурье (БПФ), можно легко вычислить преобразование Гильберта.Преобразование Гильберта сигнала ЭКГ используется для вычисления огибающей сигнала [85], которая для сигналов с ограниченной полосой частот задается формулой (32)

    Аппроксимация конверта с меньшими вычислительными затратами может быть сделана с помощью [85] (33)

    Чтобы удалить рябь на огибающей и избежать неоднозначности при обнаружении пикового уровня, огибающая фильтруется нижними частотами в Nygards и Srnmo [85]. Кроме того, они предлагают адаптивную схему формы волны для удаления низкочастотных компонентов ЭКГ.Метод Zhou et al. [84] относится к алгоритмам, основанным на преобразовании Гильберта. В их исследовании огибающая сигнала аппроксимируется с использованием (34) где и — выходы двух ортогональных цифровых фильтров, а именно: (35) (36)

    Чтобы удалить шум, сигнал огибающей сглаживается четырехступенчатым фильтром скользящего среднего. Некоторые исследователи используют первую производную перед применением преобразования Гильберта [35] — [37]. Дифференциация ЭКГ изменяет ее фазу, создавая нулевые пересечения в предполагаемом местоположении пиков R.Таким образом, требуется преобразование для выпрямления фазы, чтобы создать сигнал с отмеченными пиками в истинном местоположении пиков R.

    Банки фильтров

    Банки фильтров разлагают полосу пропускания входного сигнала ЭКГ на поддиапазонные сигналы с одинаковыми полосами частот. Поддиапазоны могут быть субдискретизированы, поскольку ширина поддиапазона намного ниже, чем входной сигнал. Поддиапазоны предоставляют информацию из различных частотных диапазонов; таким образом, можно выполнять обработку входного сигнала, зависящую от времени и частоты.

    Как показано на рисунке 3, набор фильтров содержит фильтры анализа, которые разлагают входной сигнал на сигналы поддиапазонов с одинаковой шириной полосы частот, каждый из которых имеет постоянную длину. Фильтры анализа пропускают входной сигнал ЭКГ для получения поддиапазонов сигналов: (37)

    Рис. 3. Схема блока фильтров.

    Банк фильтров содержит набор фильтров анализа, которые разлагают входной сигнал на поддиапазоны с одинаковой шириной полосы для извлечения характеристик ЭКГ. Здесь представлен процесс понижающей дискретизации, производящий сигналы с пониженной дискретизацией.

    https://doi.org/10.1371/journal.pone.0084018.g003

    Эффективная пропускная способность составляет и; таким образом, их можно субдискретизировать, чтобы уменьшить общую скорость. В процессе понижающей дискретизации (рис. 3) из всех отсчетов остается одна выборка. Субдискретизированный сигнал равен (38) где. Поддиапазоны и являются версиями входа с пропускной способностью и имеют более низкую частоту дискретизации, чем. Процесс фильтрации можно эффективно проводить при входной скорости, используя понижающую дискретизацию.Этот процесс называется многофазной реализацией, и он способствует вычислительной эффективности алгоритмов банка фильтров [47]. Разнообразные признаки, указывающие на комплекс QRS, могут быть созданы путем комбинирования представляющих интерес поддиапазонов, описанных в Afonso et al. [47]. Например, функция суммы абсолютных значений может быть вычислена с использованием поддиапазонов,. Из этих поддиапазонов шесть характеристик (,,,, и) могут быть получены следующим образом: (39) (40) Эти особенности имеют значения, которые пропорциональны энергии комплекса QRS.Наконец, можно использовать эвристическую логику обнаружения биений для включения некоторых из вышеупомянутых функций, которые указывают на комплекс QRS.

    Обнаружение QRS

    После улучшения функций QRS с помощью предыдущих алгоритмов следующим шагом является обнаружение комплексов QRS. На предыдущем этапе улучшения комплексы QRS фильтруются и увеличиваются по сравнению с другими характеристиками ЭКГ и шумом. В литературе используется множество методов обнаружения, как показано в таблице 2. Сюда входят пороговые значения, нейронные сети [91], [112] — [114], скрытая марковская модель [95], согласованные фильтры [115], [116] , синтаксические методы [104] — [106], переход через нуль [107] и методы сингулярности [117] — [119].В сводке таблицы 3 все эти алгоритмы численно неэффективны, за исключением пороговой обработки. Поскольку основная цель этой статьи — выделить подходящие алгоритмы для мониторинга ЭКГ с использованием портативных устройств с батарейным питанием, для простоты и эффективности на этапе обнаружения будет рассматриваться только пороговое значение. В этом контексте следует подчеркнуть, что пороговая обработка может применяться к сигналам ЭКГ во временной области [23], [24], [120], а также к частотно-временным [121] — [123] сигналам. Однако использование фиксированного порога для обнаружения комплексов QRS просто и эффективно только для стационарных сигналов ЭКГ с аналогичной морфологией между сокращениями.Из-за сильного дрейфа базовой линии и движения пациентов форма волны ЭКГ в мобильных приложениях может резко меняться от одного сердечного сокращения к другому. Следовательно, высока вероятность неточного обнаружения комплексов QRS. Использование адаптивного порогового определения [59], [124] — [126] снижает вероятность пропуска комплексов QRS. Однако основным недостатком этих алгоритмов на основе адаптивного определения пороговых значений является установка нескольких пороговых значений эмпирическим путем. Следовательно, в настоящее время эти алгоритмы не могут обеспечить универсальное решение проблемы обнаружения QRS, поскольку они могут идеально работать с некоторыми чистыми сигналами, но не с сигналами, содержащими аритмии или зашумленные комплексы QRS.

    Обсуждение

    Эффективность алгоритмов обнаружения QRS обычно оценивается с использованием двух статистических показателей: чувствительности и положительной предсказуемости, где — количество истинных положительных результатов (комплексы QRS, обнаруженные как комплексы QRS), — количество ложноотрицательных результатов (комплексы QRS, которые имеют не обнаружено), и представляет собой количество ложных срабатываний (комплексы, не относящиеся к QRS, обнаруживаются как комплексы QRS). Чувствительность сообщает процент истинных сокращений, которые были правильно обнаружены алгоритмом, в то время как положительная предсказуемость сообщает процент обнаруженных сокращений, которые были истинными.

    Эффективность существующих алгоритмов обнаружения QRS, описанных в литературе, не была полностью оценена с точки зрения устойчивости к шуму, выбора параметров и числовой эффективности. Более того, многие из алгоритмов QRS не тестировались с использованием стандартной базы данных или какой-либо базы данных, что затрудняет сравнение и оценку результатов. Кроме того, многие алгоритмы продемонстрировали высокую эффективность обнаружения с использованием общего количества обнаруженных ударов (т. Е. Комплексов QRS), как показано в таблице 3.Стоит отметить, что алгоритм Li et al. [127] получили высокую общую эффективность с чувствительностью 99,89% и специфичностью 99,94%. Однако Ли и др. исключили файлы 214 и 215 из базы данных аритмий MIT-BIH [62], и поэтому их алгоритм может не превосходить по производительности. Кроме того, их алгоритм был основан на выделении вейвлет-признаков и сингулярности для классификации, что считается численно неэффективным.

    Как уже отмечалось, некоторые исследователи исключили записи из базы данных аритмий MIT-BIH [62] ради уменьшения шума в обработанных сигналах ЭКГ; следовательно, их алгоритмы, казалось, достигли улучшенной производительности.Другие исследователи исключили сегменты с трепетанием желудочков [60] и сигналы от пациентов с ритмом ритма [110] из своих исследований. Следовательно, требуется надежный алгоритм для анализа сигналов ЭКГ без исключения каких-либо записей или определенных сегментов, особенно если основная цель состоит в том, чтобы предоставить надежный алгоритм для долговременных сигналов ЭКГ, записанных в течение нескольких дней.

    Устойчивость к шуму

    Устойчивость к шуму эффективно проверяется, поскольку мы используем сигналы из широко используемой базы данных по аритмии MIT-BIH [62], которая содержит сигналы с различными источниками шума и несинусовыми ритмами.База данных MIT-BIH широко используется для оценки алгоритмов обнаружения QRS. Как показано в таблице 1, существует множество алгоритмов, используемых для уменьшения шума и усиления комплекса QRS в сигналах ЭКГ.

    Обычно для шумоподавления сигнала ЭКГ требуется полосовой фильтр, который может быть реализован на устройствах с батарейным питанием и в то же время разумно сохраняет клинические особенности сигналов ЭКГ (зубцы P, QRS и T). Возможно, более сложный алгоритм может более эффективно фильтровать ЭКГ, например Sameni et al.[128] предложили байесовскую схему, которая фильтрует ЭКГ лучше, чем обычная полосовая фильтрация [129] — [131], адаптивная фильтрация [132] и вейвлет-шумоподавление [133], [134] по различным типам шума с использованием высокореалистичной синтетической ЭКГ. . Недавно Sharma et al. [135] предложили основанный на вейвлет метод шумоподавления, проверенный на реальных данных ЭКГ и синтетических сигналах ЭКГ. Однако оба алгоритма численно неэффективны.

    Таблица 3 показывает, что Chiarugi et al. [136], а также алгоритмы Христова [124] и Эльгенди [137] являются высокоэффективными с точки зрения числовой эффективности, и использование первой производной со скользящим средним или без него на этапе улучшения QRS является многообещающим, особенно когда за ней следует правильная фаза обнаружения QRS, такая как скользящее среднее и / или динамический порог.Однако единственное использование производной в фазе улучшения QRS без надлежащей фазы обнаружения QRS чрезвычайно чувствительно к шуму [29].

    Стоит отметить, что алгоритм Эльгенди [137], протестированный в базе данных шумовых испытаний MIT-BIH, показал более высокую точность обнаружения пиков R по сравнению с Пэн-Томпкинсом [33] и Бенитесом и др. [36].

    Устройства ЭКГ с питанием от батарей

    Было опубликовано множество алгоритмов обнаружения QRS, и необходимо провести их сравнение.Алгоритмическое сравнение численной эффективности было выполнено эмпирически. Как показано в таблице 3, каждый алгоритм классифицирован как низкий, средний или высокий с точки зрения его числовой эффективности в зависимости от количества итераций и количества используемых уравнений (например, умножения, сложения, дифференцирования). Чем выше числовая эффективность, тем быстрее алгоритм, и наоборот. Следовательно, чем быстрее алгоритм, тем больше он подходит для мониторинга в реальном времени.

    С развитием вычислительной мощности потребность в численной эффективности снизилась. Однако это еще более актуально, когда сигналы ЭКГ собираются и анализируются в больницах, но не в случае портативных устройств ЭКГ, которые работают от батарей. Это приводит к особенно высоким требованиям к алгоритмам для использования в мобильных телефонах для мониторинга сигналов ЭКГ пациентов в мобильной ненавязчивой домашней обстановке. Следовательно, существует потребность в разработке эффективных с числовой точки зрения алгоритмов, чтобы учесть новую тенденцию в отношении мобильных устройств ЭКГ и проанализировать долгосрочные записанные сигналы эффективным по времени способом.

    Обычно обработка больших баз данных выполняется на рабочих станциях ПК с высокоскоростными многоядерными процессорами и эффективной памятью. Это преимущество до сих пор недоступно для устройств с батарейным питанием: даже современные платформы смартфонов имеют ограниченную оперативную память и вычислительную мощность [8], [10], [142]. Обычно устройства ЭКГ с батарейным питанием работают по одной из следующих схем: 1) сбор данных для автономного анализа; 2) собирать данные для анализа в реальном времени внутри самого устройства; или 3) собирать данные для анализа в реальном времени через удаленное соединение с отдельным сервером.Безусловно, каждая схема имеет свои преимущества и недостатки с точки зрения времени обработки и энергопотребления.

    Устройство Холтера — это наиболее часто используемая платформа для ЭКГ с батарейным питанием, особенно для мониторинга и записи сигналов ЭКГ для обработки в автономном режиме. С развитием смартфонов с точки зрения памяти и процессоров исследователи пытаются заменить устройства Холтера смартфонами [8]. Кроме того, использование смартфона дает дополнительные преимущества с точки зрения пациента, такие как мобильность, удобство и гарантированное использование [143].Таким образом, в последнее время были внесены некоторые изменения в телефонные приложения, которые анализируют сигналы ЭКГ, собранные по беспроводной связи через Bluetooth [8], [10], [144] и радиопротоколы Zigbee [142].

    Современные достижения в области устройств с батарейным питанием, таких как смартфоны и планшетные компьютеры, сделали эти технологии неотъемлемой частью повседневной жизни даже в развивающихся странах [12]. Это также увеличило возможность реализации более сложных алгоритмов, таких как метод Пана-Томпкинса [33], на смартфонах, как показано на рисунке 4.Однако существует значительный компромисс, так как всегда будет ограничение энергопотребления при обработке сигналов ЭКГ на устройствах с батарейным питанием. Следовательно, перед развертыванием любого алгоритма на современных мобильных устройствах требуется комплексная оценка алгоритма на основе устойчивости к шуму, выбора параметров и числовой эффективности для повышения качества диагностики в отношении времени обработки или энергопотребления. Одно из недавних исследований, подтверждающих эту рекомендацию, выполнено Hyejung et al.[145], которые разработали простой алгоритм обнаружения комплексов QRS для устройств Холтера. Их простой алгоритм, состоящий из полосового фильтра, за которым следуют несколько пороговых значений, был быстрее и эффективнее по сравнению с относительно более сложными методами [35], [146].

    Рисунок 4. Снимок экрана, показывающий основной интерфейс приложения Hearty, реализованного Gradl et al. (2012) [8].

    Сверху вниз: панель, показывающая различные клинически значимые параметры, которые определяются автоматически, включая частоту сердечных сокращений (ЧСС) и интервал ЧД; Панель, отображающая обнаруженный сигнал ЭКГ, который передается в приложение по беспроводной сети; Панель, показывающая обнаружение QRS с закрашенными круговыми маркерами для зубцов Q, R и S; Панель, показывающая обнаруженную частоту сердечных сокращений.

    https://doi.org/10.1371/journal.pone.0084018.g004

    Мобильные телемедицинские системы

    В мобильных телемедицинских системах часто используются мобильные телефоны / КПК, чтобы просто собирать данные ЭКГ — по беспроводной или проводной сети — и отправлять их на центральную станцию ​​мониторинга через GSM или Интернет для дальнейшего анализа [147], [148]. В таких случаях перед передачей можно провести некоторый анализ локально на смартфоне; однако это не всегда рекомендуется, поскольку передача может потреблять больше энергии, чем сам анализ ЭКГ [149].Нет сомнений в том, что основным качеством любого алгоритма, используемого для анализа в реальном времени, является его простота (численная эффективность), при условии, что это не снижает точности. Чем проще алгоритм (при сохранении точности), тем быстрее он будет обрабатывать большие базы данных [35], [150], и он будет потреблять меньше энергии для устройств с батарейным питанием [63], [142], [151]. Более того, простой алгоритм также предлагает низкую стоимость аппаратной реализации как по мощности, так и по размеру для сетей датчиков тела [152].Суфи и др. [163] исследовали три простых алгоритма QRS, подходящих для мобильных телефонов. Фаза улучшения QRS этих алгоритмов состояла из методов амплитуды, первой и второй производной, в то время как фаза обнаружения QRS была основана на пороге. Они использовали простые методологии для улучшения и обнаружения QRS для реализации на мобильных телефонах. Эта простота подтверждена в таблице 3, где очевидно, что первая производная и порог являются эффективной комбинацией для обнаружения QRS, если она разработана должным образом.

    Приложения для мобильных телефонов

    Чтобы продемонстрировать важность времени обработки на мобильном телефоне, на рисунке 5 показана демонстрация трех устаревших мобильных телефонов [63]. Видно, что Nokia 6280 потребляет меньше всего времени обработки, как показано на рис. 5 (c). Как и ожидалось, метод улучшения QRS на основе амплитуды был быстрее, чем методы, основанные на первой и второй производной. В этом исследовании [63] обсуждалось качество сигналов ЭКГ, и использованные данные были относительно безшумными, как показывает сигнал ЭКГ, показанный на рисунке 2.Однако это не означает, что более простой (или более быстрый) алгоритм будет более точным. Например, на рисунке 6 показано, что простой метод порога амплитуды или метод первой производной не подчеркивает комплекс QRS в случае ритмов кардиостимуляции (запись 107) и инвертированных комплексов QRS (запись 108). Тем не менее суфий и др. Результат считается основополагающим шагом для мониторинга сигналов ЭКГ с помощью мобильных телефонов, но их алгоритм имеет некоторые ограничения с точки зрения памяти и времени обработки.

    Рисунок 5.Демонстрация факторов реального времени для трех устаревших мобильных телефонов.

    Были протестированы три алгоритма обнаружения QRS, как сообщили Sufi et al. [63]. Фаза улучшения QRS была основана на методах амплитуды, первой и второй производных, в то время как фаза обнаружения QRS использовала пороговую обработку. Фактор реального времени — это время обработки, необходимое для запуска алгоритма обнаружения QRS для отдельной записи ЭКГ в пределах одного окна измерения размером 60 секунд.

    https: // doi.org / 10.1371 / journal.pone.0084018.g005

    Рис. 6. Стадия усиления QRS в сигналах ЭКГ.

    (a) сигнал ЭКГ (вверху: из записи 107, внизу: из записи 108 базы данных аритмий MIT-BIH [62]), (b) амплитуда из уравнения 1, где (c) первая производная из уравнения 4 , (d) первая производная и вторая производная из уравнения 7, и (e) цифровой фильтр из Ref. [33]. Амплитуда сигналов была изменена, чтобы уместить все сигналы на одном рисунке. Здесь красная звездочка представляет аннотированный пик R.

    https://doi.org/10.1371/journal.pone.0084018.g006

    В настоящее время смартфоны обладают расширенными возможностями обработки и хранения данных, включая мощный ЦП, больший объем памяти и графические процессоры с высокоскоростным доступом к данным через Wi-Fi или мобильное устройство. широкополосный [153]. Таким образом, реализация сложного алгоритма обнаружения QRS на смартфоне становится все более возможной. Gradl et al. [8] реализовал алгоритм Пана-Томпкинса [33] на трех смартфонах: Samsung GT-I9000, Samsung ™ GT-N7000 и HTC ™ Wildfire S A510e.Авторы показали, что обработка передаваемого по беспроводной сети сигнала ЭКГ возможна в реальном времени на указанных устройствах; однако они заявили, что на срок службы батареи негативно влияет запуск приложения для мониторинга.

    Конечно, реализация алгоритма Пана-Томпкинса более требовательна к ресурсам и, следовательно, требует больше времени и энергии, чем три простых алгоритма, исследованные Суфи и др. [63]. Тем не менее, новейшие носимые устройства могут легко удовлетворить требования в реальном времени.Например, коэффициент реального времени для обработки записи 100 из базы данных аритмий MIT-BIH [62] с использованием алгоритма Пан-Томпкинса на трех последних планшетных компьютерах / смартфонах: Asus Transformer Prime, Samsung Galaxy S III, а также у Samsung Galaxy S II — 0,14, 0,13 и 0,2 соответственно. Напротив, коэффициенты реального времени для обработки той же записи с использованием алгоритма первой производной на устаревших телефонах: Nokia N91, Siemens C75 и Nokia 6280 были 0,13,0.1, 0,016 соответственно.

    Другой аспект, который игнорировался в литературе, — это клиническая применимость алгоритмов ЭКГ. Редко можно найти исследование, посвященное полезности разработанного алгоритма в клинических условиях. Насколько нам известно, нет никаких доказательств того, что обсуждаемые алгоритмы в настоящее время реализованы и протестированы в клинических условиях.

    Выводы

    В заключение мы приводим сводку необходимых алгоритмов для обнаружения ЭКГ на основе литературы и наших собственных исследований.Рекомендуется использовать первую производную отфильтрованной ЭКГ с фильтром скользящего среднего или без него, так как этот подход очень эффективен с точки зрения числовых показателей для фазы улучшения QRS, но чувствителен к шуму и аритмии; поэтому на этапе обнаружения необходим подход с адаптивной установкой пороговых значений или интеграцией. Обе эти предложенные методологии просты и эффективны с точки зрения вычислений для обнаружения комплексов QRS в приложениях для мобильных телефонов. Если доступна большая вычислительная мощность, как в случае современных планшетных компьютеров и смартфонов, реализация классического алгоритма Пана-Томпкинса [33] также является возможным выбором.В целом, простота и эффективность требуются при разработке алгоритмов обнаружения QRS для обработки долговременных записей и больших баз данных, а также для расширения наших возможностей телемедицины в ближайшем будущем.

    Благодарности

    Авторы хотели бы поблагодарить Патрика Куглера и Стефана Градла за переоценку результата алгоритма Пана-Томпкинса [33] на современных носимых устройствах и представление рис. 4. Мохамед Эльгенди хотел бы поблагодарить доктора Гари Клиффорда за полезные обсуждения.

    Вклад авторов

    Задумал и спроектировал эксперименты: ME. Проведены эксперименты: ME BE. Проанализированы данные: ME BE DA. Предоставленные реагенты / материалы / инструменты анализа: ME BE SD DA. Написал бумагу: ME BE SD DA.

    Ссылки

    1. 1. Алван А. (2011 г.) Доклад о состоянии неинфекционных заболеваний в мире, 2010 г. Всемирная организация здравоохранения.
    2. ​​
    3. 2. Госс Дж. (2008) Прогноз расходов на здравоохранение в Австралии по болезням, 2003–2033 гг.Австралийский институт здоровья и социального обеспечения.
    4. ​​
    5. 3. Bloom D, Cafiero E, Jané-Llopis E, Abrahams-Gessel S, Bloom L и др .. (2011) Глобальное экономическое бремя неинфекционных заболеваний. Технический отчет, Женева: Всемирный экономический форум.
    6. ​​
    7. 4. Dilaveris PE, Gialafos EJ, Sideris SK, Theopistou AM, Andrikopoulos GK и др. (1998) Простые электрокардиографические маркеры для прогнозирования пароксизмальной идиопатической фибрилляции предсердий. Американский журнал сердца 135: 733–738.
    8. ​​
    9. 5. Ren-Guey L, Yih-Chien C, Chun-Chieh H, Chwan-Lu T (2007) Мобильная система помощи с механизмом оповещения. IEEE Transactions по информационным технологиям в биомедицине 11: 507–517.
    10. ​​
    11. 6. Rasid MFA, Woodward B (2005) Телемедицинский процессор Bluetooth для многоканальной передачи биомедицинских сигналов через мобильные сотовые сети. Протоколы IEEE по информационным технологиям в биомедицине 9: 35–43.
    12. ​​
    13. 7. Вен Ц., Йе М.Ф., Чанг К.С., Ли Р.Г. (2008) Разработка системы дистанционного мониторинга ЭКГ в реальном времени с платформой для мобильных телефонов.Измерение 41: 463–470.
    14. ​​
    15. 8. Gradl S, Kugler P, Lohmuller C, Eskofier B (2012) Мониторинг ЭКГ в реальном времени и обнаружение аритмии с помощью мобильных устройств на базе Android. В: Proc. 2012 Ann Int. Конф. Общество инженеров IEEE в медицине и биологии (EMBC). Сан-Диего, Калифорния, США, стр. 2452–2455.
    16. ​​
    17. 9. Скалли С., Джинсок Л., Мейер Дж., Горбах А.М., Гранквист-Фрейзер Д. и др. (2012) Мониторинг физиологических параметров по оптическим записям с помощью мобильного телефона. Протоколы IEEE по биомедицинской инженерии 59: 303–306.
    18. ​​
    19. 10. Oresko J (2010) Портативная система предупреждения сердечного приступа путем мониторинга сегмента ST с помощью обработки электрокардиограммы смартфона. Кандидат наук. защитил диссертацию в Питтсбургском университете.
    20. ​​
    21. 11. Hayn D, Jammerbund B, Schreier G (2011) Оценка качества ЭКГ для расширения возможностей пациентов в приложениях мобильного здравоохранения. В: Вычислительная техника в кардиологии, 2011. С. 353–356.
    22. ​​
    23. 12. Silva I, Moody GB, Celi L (2011) Повышение качества ЭКГ, собранных с помощью мобильных телефонов: Physionet / Computing in Cardiology Challenge 2011.В: Вычислительная техника в кардиологии, 2011. С. 273–276.
    24. ​​
    25. 13. Ципурас М.Г., Фотиадис Д.И., Сидерис Д. (2002) Классификация аритмий с использованием сигнала длительности RR-интервала. В: Proc. Компьютеры IEEE в кардиологии. С. 485–488.
    26. ​​
    27. 14. Tran T, McNames J, Aboy M, Goldstein B (2004) Прогнозирование пароксизмальной фибрилляции предсердий путем анализа преждевременных комплексов предсердий. IEEE Trans Biomedical Engineering 51: 561–569.
    28. ​​
    29. 15. Башур С., Висинеску М., Гопакумаран Б., Вазни О., Каранджо Ф. и др.(2004) Характеристика активности преждевременного сокращения предсердий до начала послеоперационной фибрилляции предсердий у кардиохирургических пациентов. Сундук 126: 831S – a-832S.
    30. ​​
    31. 16. de Chazal P, O’Dwyer M, Reilly RB (2004) Автоматическая классификация сердечных сокращений с использованием морфологии ЭКГ и характеристик интервала сердечных сокращений. IEEE Trans Biomedical Engineering 51: 1196–1206.
    32. ​​
    33. 17. Крастева В.Т., Жекова И.И., Христов И.И. (2006) Автоматическое определение преждевременных сокращений предсердий на электрокардиограмме.В: Electrotechniques Electronics E&E, том 9-10, стр. 49–55.
    34. ​​
    35. 18. Scholz UJ, Bianchi AM, Cerutti S, Kubicki S (1997) Вегетативный фон сна: спектральный анализ вариабельности сердечного ритма. Physiol Behavior 62: 1037–1043.
    36. ​​
    37. 19. Триндер Дж., Клейман Дж., Кэррингтон М., Смит С., Брин С. и др. (2001) Автономная активность во время сна человека как функция времени и стадии сна. J Sleep Res 10: 253–264.
    38. ​​
    39. 20. Zapanta L, Poon C, White D, Marcus C, Katz E (2004) Хаос сердечного ритма при обструктивном апноэ во сне у детей.В: Proc. 26-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии (IEMBS ’04). С. 3889–3892.
    40. ​​
    41. 21. Шоулдайс Р., О’Брайен Л., О’Брайен С., де Шазаль П., Гозал Д. и др. (2004) Выявление обструктивного апноэ во сне у детей с использованием характеристик электрокардиограммы с поверхностными отведениями. Сон 27: 784–792.
    42. ​​
    43. 22. Goutas A, Ferdi Y, Herbeuval JP, Boudraa M, Boucheham B (2005) Алгоритм на основе цифрового дробного дифференцирования для обнаружения и определения зубцов P и T.ITBM-RBM Elsevier 26: 127–132.
    44. ​​
    45. 23. Morizet-Mahoudeaux P, Moreau C, Moreau D, Quarante JJ (1981) Простая микропроцессорная система для он-лайн e.c.g. анализ аритмии. Медицинская и биологическая инженерия и вычисления 19: 497–500.
    46. ​​
    47. 24. Fraden J, Neuman M (1980) Обнаружение волны QRS. Медицинская и биологическая инженерия и вычисления 18: 125–132.
    48. ​​
    49. 25. Густафсон Д. (1977) Автоматизированные исследования интерпретации ВКГ с использованием методов анализа сигналов.Технический отчет R-1044, Лаборатория Чарльза Старка Дрейпера, Кембридж, Массачусетс, США.
    50. ​​
    51. 26. Balda R, Diller G, Deardorff E, Doue J, Hsieh P (1977) Программа анализа HP ECG. В: JH van Bemmel и JL Willems, Editors, Trends in Computer-Processing Electrocardiograms: 197–205.
    52. ​​
    53. 27. Альстром М.Л., Томпкинс В.Дж. (1983) Автоматизированный высокоскоростной анализ холтеровских лент с помощью микрокомпьютеров. Протоколы IEEE по биомедицинской инженерии 30: 651–657.
    54. ​​
    55. 28. Engelse WAH, Zeelenberg C (1979) Алгоритм единого сканирования для обнаружения QRS и выделения признаков.Proc IEEE Computers in Cardiology 6: 37–42.
    56. ​​
    57. 29. Friesen G, Jannett T, Jadallah M, Yates S, Quint S и др. (1990) Сравнение чувствительности к шуму девяти алгоритмов обнаружения QRS. Протоколы IEEE по биомедицинской инженерии 37: 85–98.
    58. ​​
    59. 30. Окада М. (1979) Цифровой фильтр для обнаружения комплекса QRS. Протоколы IEEE по биомедицинской инженерии 26: 700–703.
    60. ​​
    61. 31. Menrad A (1981) Двойная микропроцессорная система для сбора, обработки и записи сердечно-сосудистых данных.В: Proc. 1981 IEEE Int. Конф. Industrial Elect. Contr. Инструмент. С. 64–69.
    62. ​​
    63. 32. Холсингер В., Кемпнер К., Миллер М. (1971) Препроцессор QRS на основе цифрового дифференцирования. Протоколы IEEE по биомедицинской инженерии 18: 212–217.
    64. ​​
    65. 33. Пан Дж., Томпкинс В. (1985) Алгоритм обнаружения QRS в реальном времени. Протоколы IEEE по биомедицинской инженерии 32: 230–236.
    66. ​​
    67. 34. Zhang F, Lian Y (2007) Обнаружение QRS на электрокардиограмме с использованием многомасштабной фильтрации на основе математической морфологии.В: Proc. 29-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии. С. 3196–3199.
    68. ​​
    69. 35. Arzeno N, Deng Z, Poon C (2008) Анализ алгоритмов обнаружения QRS на основе первой производной. Протоколы IEEE по биомедицинской инженерии 55: 478–484.
    70. ​​
    71. 36. Benitez DS, Gaydecki PA, Zaidi A, Fitzpatrick AP (2000) Новый алгоритм обнаружения QRS, основанный на преобразовании Гильберта. В: Proc. Компьютеры IEEE в кардиологии. С. 379–382.
    72. ​​
    73. 37.Arzeno N, Poon C, Deng Z (2006) Количественный анализ алгоритмов обнаружения QRS на основе первой производной ЭКГ. В: Proc. 28-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии. С. 1788–1791.
    74. ​​
    75. 38. Zhang F, Lian Y (2007) Новое обнаружение QRS с помощью CWT для датчика ЭКГ. В: Proc. Конференция IEEE по биомедицинским схемам и системам. С. 211–214. DOI: https://doi.org/10.1109/BIOCAS.2007.4463346.
    76. ​​
    77. 39. Ulusar UD, Govindan RB, Wilson JD, Lowery CL, Preissl H, et al.. (2009) Обнаружение комплекса QRS плода на основе адаптивных правил с использованием преобразования Гильберта. В: Proc. Анна. Int. Конф. Общество инженеров IEEE в медицине и биологии (EMBC). С. 4666–4669.
    78. ​​
    79. 40. Lin CC, Hu WC, Chen CM, Weng CH (2008) Определение частоты сердечных сокращений на сильно зашумленной электрокардиограмме рукоятки. В: Proc. Компьютеры IEEE в кардиологии. Болонья, Италия, стр. 477–480.
    80. ​​
    81. 41. Yongli C, Huilong D (2005) Алгоритм обнаружения комплекса QRS, основанный на математической морфологии и огибающей.В: Proc. 27-я ежегодная международная конференция общества инженеров в медицине и биологии. С. 4654–4657.
    82. ​​
    83. 42. Jing-tian T, Xiao-li Y, Jun-chao X, Yan T, Qing Z, et al .. (2008) Алгоритм обнаружения пика R на ЭКГ, основанный на эмпирической разложении по модам. В: Proc. Четвертая международная конференция по естественным вычислениям. том 5, стр. 624–627.
    84. ​​
    85. 43. Xing H, Huang M (2008) Новый алгоритм обнаружения QRS, основанный на эмпирическом разложении по модам.В: Proc. 2-я Международная конференция по биоинформатике и биомедицинской инженерии. С. 693–696.
    86. ​​
    87. 44. Арафат А., Хасан К. (2009) Автоматическое определение границ волн ЭКГ с использованием эмпирической разложения мод. В: Proc. Международная конференция IEEE по акустике, обработке речи и сигналов. С. 461–464.
    88. ​​
    89. 45. Zhang F, Lian Y (2009) Вейвлет и алгоритм Гильберта на основе преобразования QRS-комплексов для носимых устройств ЭКГ в беспроводных сетях датчиков тела.В: Proc. Конференция IEEE по биомедицинским схемам и системам. С. 225–228.
    90. ​​
    91. 46. Zhou HY, Hou KM (2008) Встроенный алгоритм обнаружения QRS в реальном времени для всеобъемлющей системы кардиологической помощи. В: Proc. 9-я Международная конференция по обработке сигналов. С. 2150–2153.
    92. ​​
    93. 47. Афонсо В., Томпкинс В., Нгуен Т., Луо С. (1999) Обнаружение биений ЭКГ с использованием банков фильтров. Протоколы IEEE по биомедицинской инженерии 2: 192–201.
    94. ​​
    95. 48. Zhang F, Wei Y, Lian Y (2009) Банк фильтров на основе маскирования частотной характеристики для определения QRS в носимых биомедицинских устройствах.В: Proc. Международный симпозиум IEEE по схемам и системам. С. 1473–1476.
    96. ​​
    97. 49. Вай М.И., Ли-Гао Зи (2004) Обнаружение дисперсии поздних потенциалов желудочков ЭКГ между сердечными сокращениями с помощью банка фильтров и вейвлет-преобразования в качестве фильтра последовательности сердечных сокращений. Протоколы IEEE по биомедицинской инженерии 51: 1407–1413.
    98. ​​
    99. 50. Afonso VX, Tompkins WJ, Nguyen TQ, Trautmann S, Luo S (1995) Обработка ЭКГ напряжений на основе банка фильтров. В: 17-я Ежегодная инженерная конференция IEEE в обществе медицины и биологии.Том 2. С. 887–888.
    100. ​​
    101. 51. Mengda L, Vinod AP, Samson SCM (2011) Новый гибкий банк фильтров для зондирования спектра низкой сложности в когнитивных радиоприемниках. Журнал систем обработки сигналов 62: 205–215.
    102. ​​
    103. 52. Динь ​​ХАН, Кумар Д.К., Па Н.Д., Бертон П. (2001) Вейвлеты для обнаружения QRS. В: 23-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии. Том 2. С. 1883–1887.
    104. ​​
    105. 53. Szilagyi L (1999) Обнаружение комплекса QRS на основе вейвлет-преобразования в онлайн-холтеровских системах.В: Proc. Первая совместная 21-я ежегодная конференция и Ежегодное осеннее собрание 1999 г. Общества биомедицинской инженерии (BMES / EMBS). Атланта, Джорджия, США, том 1, стр. 271.
    106. ​​
    107. 54. Liang-Yu S, Ying-Hsuan W, Hu W. (2004) Использование вейвлет-преобразования и нечеткой нейронной сети для обнаружения VPC по холтеровской ЭКГ. Протоколы IEEE по биомедицинской инженерии 51: 1269–1273.
    108. ​​
    109. 55. Zheng X, Li Z, Shen LL, Ji Z (2008) Обнаружение комплексов QRS на основе биортогонального сплайнового вейвлета.В: Proc. Int. Symp. Информационные науки и инженерия (ISISE ’08), Шанхай, Китай. Том 2. С. 502–506. DOI: https: //doi.org/10.1109/ISISE.2008.61.
    110. ​​
    111. 56. Alesanco A, Olmos S, Istepanian R, Garcia J (2003) Новый метод компрессии ЭКГ с несколькими отведениями в реальном времени и шумоподавления, основанный на вейвлет-преобразовании. В: Proc. Компьютеры IEEE в кардиологии. С. 593–596.
    112. ​​
    113. 57. Ahmed S, Al-Shrouf A, Abo-Zahhad M (2000) Сжатие данных ЭКГ с использованием оптимального неортогонального вейвлет-преобразования.Med Eng Phys 22: 39–46.
    114. ​​
    115. 58. Szilagyi SM, Szilagyi L (2000) Вейвлет-преобразование и адаптивная фильтрация на основе нейронных сетей для обнаружения QRS. В: Proc. 22-е ежегодное межд. Конф. IEEE Engineering in Medicine and Biology Society, Чикаго, Иллинойс, США. Том 2. С. 1267–1270.
    116. ​​
    117. 59. Xiaomin X, Ying L (2005) Адаптивный порог для обнаружения комплекса QRS на основе вейвлет-преобразования. В: Proc. 27-я ежегодная международная конференция общества инженеров в медицине и биологии.С. 7281–7284.
    118. ​​
    119. 60. Мартинес Дж. П., Алмейда Р., Олмос С., Роча А. П., Лагуна П. (2004) Средство определения ЭКГ на основе вейвлетов: оценка в стандартных базах данных. Протоколы IEEE по биомедицинской инженерии 51: 570–581.
    120. ​​
    121. 61. Bothe HH (1997) Neuro-Fuzzy-Methoden. Берлин, Германия: Springer-Verlag.
    122. ​​
    123. 62. Moody GB, Mark RG (2001) Влияние базы данных аритмий MIT-BIH. Журнал IEEE Engineering in Medicine and Biology 20: 45–50.
    124. ​​
    125. 63.Суфи Ф, Фанг Q, Cosic I (2007) Обнаружение пиков ЭКГ R-R на мобильных телефонах. В: Инженерное общество в медицине и биологии, 2007. EMBS 2007. 29-я ежегодная международная конференция IEEE. С. 3697–3700. DOI: https: //doi.org/10.1109/IEMBS.2007.4353134.
    126. ​​
    127. 64. Ligtenberg A, Kunt M (1983) Надежный цифровой алгоритм обнаружения QRS для мониторинга аритмии. Computers and Biomed Res 16: 273–286.
    128. ​​
    129. 65. Докур З., Олмез Т., Язган Э, Эрсой О. (1997) Обнаружение сигналов ЭКГ нейронными сетями.Med Eng Phys 19: 738–741.
    130. ​​
    131. 66. Borjesson P, Palhm O, Sommo L, Nygards E (1982) Адаптивное обнаружение QRS на основе максимальной апостериорной оценки . Протоколы IEEE по биомедицинской инженерии 29: 341–351.
    132. ​​
    133. 67. Fancott T, Wong D (1980) Миникомпьютерная система для прямого высокоскоростного анализа сердечных аритмий в 24-часовой амбулаторной записи ЭКГ. Протоколы IEEE по биомедицинской инженерии 27: 685–693.
    134. ​​
    135. 68. Кесельбренер Л., Кесельбренер М., Аксельрод С. (1997) Нелинейный фильтр верхних частот для обнаружения зубца R в сигнале ЭКГ.Медицинская инженерия и физика 19: 481–484.
    136. ​​
    137. 69. Leski J, Tkacz E (1992) Новая параллельная концепция для детектора комплекса QRS. В: Proc. 14-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии. Париж, Франция, стр. 555–556.
    138. ​​
    139. 70. Nygårds M, Hulting J (1979) Автоматическая система для мониторинга ЭКГ. Компьютеры и биомедицинские исследования 12: 181–202.
    140. ​​
    141. 71. Srnmo L, Pahlm O, Nygards M (1982) Адаптивное обнаружение QRS при амбулаторном мониторинге ЭКГ: исследование производительности.В: Proc. Компьютеры IEEE в кардиологии. С. 201–204.
    142. ​​
    143. 72. Христов И., Доцинский И., Даскалов И. (1992) Высокочастотная фильтрация сигналов ЭКГ с использованием исключения QRS. Медицинская и биологическая инженерия и вычислительная техника 30: 253–256.
    144. ​​
    145. 73. Laguna P, Thakor N, Caminal P, Jane R (1990) Дифференциаторы нижних частот для биологических сигналов с известными спектрами: применение к обработке сигналов ЭКГ. Протоколы IEEE по биомедицинской инженерии 37: 420–425.
    146. ​​
    147. 74.Thakor NV, Webster JG, Tompkins WJ (1984) Оценка спектров мощности комплекса QRS для разработки фильтра QRS. Протоколы IEEE по биомедицинской инженерии 31: 702–6.
    148. ​​
    149. 75. Thakor N, Zhu Y (1991) Применение адаптивной фильтрации к анализу ЭКГ: шумоподавление и обнаружение аритмии. Протоколы IEEE по биомедицинской инженерии 38: 785–794.
    150. ​​
    151. 76. Chen H, Chen S (2003) Система фильтрации на основе скользящего среднего с ее приложением для обнаружения QRS в реальном времени.В: Proc. Компьютеры IEEE в кардиологии. С. 585–588. DOI: https://doi.org/10.1109/CIC.2003.12.
    152. ​​
    153. 77. Sun Y, Suppappola S, Wrublewski T (1992) Обнаружение QRS в реальном времени на основе микроконтроллера. Биомедицинские приборы и технологии 26: 477–484.
    154. ​​
    155. 78. Suppappola S, Sun Y (1994) Нелинейные преобразования сигналов ЭКГ для определения цифрового QRS: количественный анализ. Биомедицинская инженерия, IEEE Transactions on 41: 397–400.
    156. ​​
    157. 79. Trahanias P (1993) Подход к обнаружению комплекса QRS с использованием математической морфологии.Протоколы IEEE по биомедицинской инженерии 40: 201–205.
    158. ​​
    159. 80. Chu C, Delp E (1989) Подавление импульсного шума и фоновая нормализация сигналов электрокардиограммы с использованием морфологических операторов. Протоколы IEEE по биомедицинской инженерии 36: 262–273.
    160. ​​
    161. 81. Huang N, Shen Z, Long S, Wu M, Shih H, et al .. (1998) Разложение эмпирических мод и гильбертовый спектр для нелинейного и нестационарного анализа временных рядов. Proc Roy Soc Lond A: 903–995.
    162. ​​
    163. 82. Oukhellou L, Aknin P, Delechelle E (2006) Диагностика систем железнодорожной инфраструктуры с использованием эмпирической декомпозиции мод и преобразования Гильберта. В: В: Учеб. IEEE Int. Конф. Акустика, обработка речи и сигналов (ICASSP), Тулуза, Франция. том 3, с. III.
    164. ​​
    165. 83. Damerval C, Meignen S, Perrier V (2005) Быстрый алгоритм для двумерного EMD. Письма об обработке сигналов, IEEE 12: 701–704.
    166. ​​
    167. 84. Zhou SK, Wang JT, Xu JR (1988) Обнаружение комплекса QRS в реальном времени с использованием конверта ЭКГ.В: Ежегодная международная конференция общества инженеров IEEE в медицине и биологии.
    168. ​​
    169. 85. Nygards M, Sörnmo L (1983) Определение комплекса QRS с использованием конверта ЭКГ. Med Biol Eng Comput 21: 538–547.
    170. ​​
    171. 86. Дойл ТЛА, Дуган Э.Л., Хамфрис Б., Ньютон РУ (2004) Различение пожилых и молодых людей с использованием анализа фрактальной размерности центра давления. Международный журнал медицинских наук 1: 11–20.
    172. ​​
    173. 87. Burrus CS, Gopinath RA, Guo H (1998) Введение в вейвлеты и вейвлет-преобразования.Нью-Джерси: Прентис-Холл.
    174. ​​
    175. 88. Strang G, Nguyen T (1997) Вейвлеты и банки фильтров. Уэлсли, Массачусетс, США: Wellesley- Cambridge Press.
    176. ​​
    177. 89. Elgendi M, Jonkman M, De Boer F (2009) Обнаружение зубца R с использованием вейвлетов Койфлета. В: Proc. IEEE 35-я ежегодная северо-восточная конференция по биоинженерии, Бостон, Массачусетс, США. С. 1–2.
    178. ​​
    179. 90. Krimi S, Ouni K, Ellouze N (2008) Подход, сочетающий вейвлет-преобразование и скрытые марковские модели для сегментации ЭКГ.В: Proc. 3-й IEEE Int. Конф. Информационные и коммуникационные технологии: от теории к приложениям, Дамаск, Сирия. С. 1–6.
    180. ​​
    181. 91. Xue Q, Hu Y, Tompkins W (1992) Адаптивная согласованная фильтрация на основе нейронных сетей для обнаружения QRS. Протоколы IEEE по биомедицинской инженерии 39: 317–329.
    182. ​​
    183. 92. Клиффорд Г.Д., Азуайе Ф., Макшарри П. (2006) Расширенные методы и инструменты для анализа данных ЭКГ. Норвуд, Массачусетс, США: Artech House, Inc.
    184. ​​
    185. 93. Гарка-Бердонс С., Нарвез Дж., Фернндез У., Сандовальм Ф. (1997) Новый детектор QRS, основанный на нейронной сети.Springer-Verlag 1240: 1260–1269.
    186. ​​
    187. 94. Докур З., Лмез Т. (2001) Классификация сердечных сокращений с помощью новой гибридной нейронной сети. Компьютерные методы и программы в биомедицине 66: 167–181.
    188. ​​
    189. 95. Coast A, Cano G (1989) Обнаружение QRS на основе скрытого марковского моделирования. В: Proc. Ежегодная международная конференция IEEE Engineering in Medicine and Biology Society, Сиэтл, Вашингтон, США. С. 34–35.
    190. ​​
    191. 96. Coast D, Stern R, Cano G, Briller S (1990) Подход к анализу сердечной аритмии с использованием скрытых марковских моделей.Протоколы IEEE по биомедицинской инженерии: 826–836.
    192. ​​
    193. 97. Cheng W, Chan K (1998) Классификация электрокардиограммы с использованием скрытых марковских моделей. В: Proc. 20-е ежегодное международное мероприятие. Конф. IEEE Engineering in Medicine and Biology Society, Гонконг. Том 1. С. 143–146.
    194. ​​
    195. 98. Кост Д.А. (1993) Сегментация ЭКГ высокого разрешения с использованием скрытых марковских моделей. В: Proc. IEEE Conf. Акустика, речь и обработка сигналов (ICASSP-93), Миннеаполис, Миннесота, США. том 1, стр.67–70.
    196. ​​
    197. 99. Каплан Д. (1990) Одновременное обнаружение QRS и извлечение признаков с использованием простых функций согласованного фильтра. В: Proc. Компьютеры IEEE в кардиологии. С. 503–506.
    198. ​​
    199. 100. Ruha A, Sallinen S, Nissila S (1997) Микропроцессорная система детектора QRS в реальном времени с точностью до 1 мс для измерения амбулаторной ВСР. IEEE Trans Biomedical Engineering 44: 159–167.
    200. ​​
    201. 101. Гамильтон П.С., Томпкинс В.Дж. (1988) Адаптивная согласованная фильтрация для обнаружения QRS.В: Proc. Ежегодный Int. Конф. IEEE Engineering in Medicine and Biology Society, Новый Орлеан, Луизиана, США, Vol. 1. С. 14–18.
    202. ​​
    203. 102. Yaosheng L, Ying X, Jiongfeng C, Zeguang Z (2008) Сравнительное исследование для извлечения сигнала диафрагмальной электромиограммы. В: Proc. Int. Конф. IEEE BioMedical Engineering and Informatics (BMEI 2008), Санья, Китай, Vol. 2. С. 315–319.
    204. ​​
    205. 103. Eskofier B, Kornhuber J, Hornegger J (2008) Встроенное обнаружение QRS для зашумленных данных датчика ЭКГ с использованием согласованного фильтра и направленного поиска по графу.В: Proc. 4-я Российско-Баварская конференция по биомедицинской инженерии, Зеленоград, Москва, Россия, стр. 48–52.
    206. ​​
    207. 104. Belforte G, De Mori R, Ferraris F (1979) Вклад в автоматическую обработку электрокардиограмм с использованием синтаксических методов. Протоколы IEEE по биомедицинской инженерии 26: 125–136.
    208. ​​
    209. 105. Ciaccio E, Dunn S, Akay M (1993) Системы распознавания и интерпретации биосигнальных образов. IEEE Engineering in Medicine and Biology Magazine 12: 106–113.
    210. ​​
    211. 106. Trahanias P, Skordalakis E (1990) Синтаксическое распознавание паттернов ЭКГ. Транзакции IEEE по анализу шаблонов и машинному интеллекту 12: 648–657.
    212. ​​
    213. 107. Köhler B, Hennig C, Orglmeister R (2003) Обнаружение QRS с использованием нулевого счетчика пересечений. Прогресс в биомедицинских исследованиях 8: 138–145.
    214. ​​
    215. 108. Маллат С., Хванг В. (1992) Обнаружение и обработка сингулярностей с помощью вейвлетов. IEEE Transactions по теории информации 38: 617–643.
    216. ​​
    217. 109. Ayat M, Shamsollahi MB, Mozaffari B, Kharabian S (2009) Удаление шума ЭКГ с использованием максимумов модуля вейвлет-преобразования. В: Proc. Ежегодный Int. Конф. Общество инженеров IEEE в медицине и биологии, Миннеаполис, Миннесота, США, стр. 416–419.
    218. ​​
    219. 110. Moraes JCTB, Freitas MM, Vilani FN, Costa EV (2002) Алгоритм обнаружения комплекса QRS с использованием отведений электрокардиограммы. В: Proc. Компьютеры IEEE в кардиологии. С. 205–208. DOI: https://doi.org/10.1109/CIC.2002.1166743.
    220. ​​
    221. 111. Chouhan V, Mehta S (2008) Обнаружение комплексов QRS на ЭКГ с 12 отведениями с использованием адаптивного квантованного порога. Международный журнал компьютерных наук и сетевой безопасности 8: 155–163.
    222. ​​
    223. 112. Виджая Г., Кумар В., Верма Н. (1998) Анализ ЭКГ на основе комплекса QRS на основе ИНС. Журнал медицинской инженерии и технологий 4: 160–167.
    224. ​​
    225. 113. Hu Y, Tompkins W, Urrusti J, Afonso V (1993) Применение искусственных нейронных сетей для обнаружения и классификации сигналов ЭКГ.Электрокардиология 26 (Приложение): 66–73.
    226. ​​
    227. 114. Strintzis M, Stalidis G, Magnisalis X, Maglaveras N (1992) Использование нейронных сетей для извлечения, распознавания и классификации характеристик электрокардиограммы (ЭКГ). Мир нейронной сети 3: 313–327.
    228. ​​
    229. 115. Доббс С., Шмитт Н., Оземек Х. (1984) Обнаружение QRS путем сопоставления шаблонов с использованием корреляции в реальном времени на микрокомпьютере. Журнал клинической инженерии 9: 197–212.
    230. ​​
    231. 116. Эбенезер Д., Кришнамурти В. (1993) Волновой цифровой согласованный фильтр для предварительной обработки электрокардиограммы.Журнал биомедицинской инженерии 15: 132–134.
    232. ​​
    233. 117. Ди Вирджилио V, Francaiancia C, Lino S, Cerutti S (1995) Обнаружение реперных точек ЭКГ с помощью вейвлет-преобразования. В: Proc. IEEE 17-я ежегодная конференция. Общество инженерии в медицине и биологии, Монреаль, Квебек, Канада, том 2, стр. 1051–1052. DOI: https://doi.org/10.1109/IEMBS.1995.579466.
    234. ​​
    235. 118. Rao K (1997) Обнаружение R-пиков и сжатие данных сигналов ЭКГ на основе Dwt. IETE Jouranl of Research 43: 345–349.
    236. ​​
    237. 119. Kadambe S, Murray R, Boudreaux-Bartels G (1999) Детектор комплекса QRS на основе вейвлет-преобразования. Протоколы IEEE по биомедицинской инженерии 46: 838–848.
    238. ​​
    239. 120. Chen HC S, Chan H (2006) Метод обнаружения QRS в реальном времени, основанный на скользящем усреднении с использованием вейвлет-шумоподавления. Компьютерные методы и программы в биомедицине 82: 187–195.
    240. ​​
    241. 121. Ghaffari A, Golbayani H, Ghasemi M (2008) Новый детектор QRS на математической основе, использующий непрерывное вейвлет-преобразование.Компьютеры и электротехника 34: 81–91.
    242. ​​
    243. 122. Чжэн Х., Ву Дж. (2008) Метод обнаружения QRS в реальном времени. В: Proc. IEEE 10th Int. Конф. Метод обнаружения QRS в реальном времени, Сеть электронного здравоохранения, приложения и услуги (HealthCom 2008), Сингапур, стр. 169–170. DOI: https://doi.org/10.1109/HEALTH.2008.4600130.
    244. ​​
    245. 123. Фард П., Моради М., Тайвиди М. (2007) Новый подход к обнаружению пика R с использованием гибридного комплексного вейвлета (HCW). Международный кардиологический журнал 124: 250–253.
    246. ​​
    247. 124. Христов И.И. (2004) Выявление QRS на электрокардиограмме в реальном времени с использованием комбинированного адаптивного порога. Биомедицинская инженерия Интернет 3: 28.
    248. ​​
    249. 125. Elgendi M, Mahalingam S, Jonkman M, De Boer F (2008) Надежный алгоритм обнаружения комплекса QRS с использованием динамических пороговых значений. В: Proc. IEEE Int. Symp. Компьютерные науки и их приложения (CSA’08), Хобарт, Тасмания, Австралия, стр. 153–158.
    250. ​​
    251. 126. Elgendi M, Jonkman M, De Boer F (2009) Улучшенный алгоритм обнаружения QRS с использованием динамических пороговых значений.Международный журнал гибридных информационных технологий (IJHT) 2: 56–80.
    252. ​​
    253. 127. Li C, Zheng C, Tai C (1995) Обнаружение характерных точек ЭКГ с использованием вейвлет-преобразований. Протоколы IEEE по биомедицинской инженерии 42: 21–28.
    254. ​​
    255. 128. Sameni R, Shamsollahi MB, Jutten C, Clifford G (2007) Структура нелинейной байесовской фильтрации для шумоподавления ЭКГ. Протоколы IEEE по биомедицинской инженерии 54: 2172–2185.
    256. ​​
    257. 129. Elgendi M, Jonkman M, De Boer F (2010) Влияние частотных диапазонов на обнаружение QRS.В: Proc. Международная совместная конференция по биомедицинским инженерным системам и технологиям, BIOSIGNALS 2010, Валенсия, Испания. С. 428–431.
    258. ​​
    259. 130. Elgendi M, Jonkman M, De Boer F (2009) Демаркация зубца P на электрокардиограмме. В: Proc. IEEE 35-я ежегодная северо-восточная конференция по биоинженерии, Бостон, Массачусетс, США. С. 1–2.
    260. ​​
    261. 131. Elgendi M, Jonkman M, De Boer F (2009) Распознавание зубцов T в сигналах ЭКГ. В: Proc. IEEE 35-я ежегодная северо-восточная конференция по биоинженерии, Бостон, Массачусетс, США.С. 1–2.
    262. ​​
    263. 132. Уидроу Б., Гловер Дж. Дж. Р., МакКул Дж., Кауниц Дж., Уильямс С. и др. (1975) Адаптивное шумоподавление: принципы и приложения. Протоколы IEEE 63: 1692–1716.
    264. ​​
    265. 133. Донохо Д. (1995) Снижение шума с помощью мягкого порогового значения. IEEE Transactions по теории информации 41: 613–627.
    266. ​​
    267. 134. Messer SR, Agzarian J, Abbott D (2001) Оптимальное шумоподавление для фонокардиограмм. Журнал микроэлектроники 32: 931–941.
    268. ​​
    269. 135.Шарма Л., Дандапат С., Маханта А. (2013) Оценка шума на основе эксцесса и многомасштабная энергия для шумоподавления сигнала ЭКГ. Обработка сигналов, изображений и видео 7: 235–245.
    270. ​​
    271. 136. Chiarugi F, Sakkalis V, Emmanouilidou D, Krontiris T., Varanini M, et al .. (2007) Адаптивный пороговый детектор qrs с лучшим выбором канала на основе системы оценки шума. В: Proc. Компьютеры IEEE в кардиологии. С. 157–160. DOI: https: //doi.org/10.1109/CIC.2007.4745445.
    272. ​​
    273. 137. Elgendi M (2013) Быстрое обнаружение QRS с помощью оптимизированного метода, основанного на знаниях: оценка по 11 стандартным базам данных ЭКГ.PLoS ONE 8: e73557.
    274. ​​
    275. 138. Зиделмаль З., Амироу А., Аднане М., Белушрани А. (2012) Обнаружение QRS на основе вейвлет-коэффициентов. Компьютерные методы и программы в биомедицине 107: 490–496.
    276. ​​
    277. 139. Chouakri SA, Bereksi-Reguig F, Taleb-Ahmed A (2011) Обнаружение комплекса QRS на основе разложения мультивейвлетных пакетов. Прикладная математика и вычисления 217: 9508–9525.
    278. ​​
    279. 140. Lee J, Jeong K, Yoon J, Lee JH (1996) Простой алгоритм обнаружения QRS в реальном времени.В: Proc. 18-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии, 1996. Дисциплины для биомедицины. том 4, стр. 1396–1398. DOI: https://doi.org/10.1109/IEMBS.1996.647473.
    280. ​​
    281. 141. Afonso VX, Tompkins WJ, Nguyen TQ, Luo S (1996) Обнаружение сердечных сокращений на основе банка фильтров. В: Proc. 18-я ежегодная международная конференция Конф. Общество инженерии IEEE в медицине и биологии; Соединяющие дисциплины для биомедицины, Амстердам, Нидерланды, Vol. 3: 1037–1038.DOI: https: //doi.org/10.1109/IEMBS.1996.652698.
    282. ​​
    283. 142. Hii PC, Chung WY (2011) Комплексное повсеместное решение для здравоохранения на мобильном устройстве Android ™. Сенсоры 11: 6799–6815.
    284. ​​
    285. 143. Solar H, Fernndez E, Tartarisco G, Pioggia G, Cvetkovi B и др .. (2012) Неинвазивная переносная сенсорная платформа для многопараметрического дистанционного мониторинга у пациентов с ХСН. В: Donnelly M, Paggetti C, Nugent C, Mokhtari M, редакторы, Анализ воздействия решений для профилактики и лечения хронических заболеваний, Publ: Springer, Berlin, Heidelberg, volume 7251 of Lecture Notes in Computer Science .С. 140–147.
    286. ​​
    287. 144. Муньос Рамос О., Старостенко О., Аларкон-Акино В., Крус-Перес С. (2013) Система реального времени для мониторинга и анализа электрокардиограммы на сотовом телефоне. В: Elleithy K, Sobh T., редакторы. Инновации и достижения в области компьютеров, информации, системных наук и инженерии, Publ: Springer, New York, volume 152 of Lecture Notes in Electrical Engineering . С. 327–338.
    288. ​​
    289. 145. Hyejung K, Yazicioglu RF, Merken P, Van Hoof C, Hoi-Jun Y (2010) Алгоритм сжатия и классификации сигнала ЭКГ с четырехуровневым вектором для системы Холтера ЭКГ.Протоколы IEEE по информационным технологиям в биомедицине 14: 93–100.
    290. ​​
    291. 146. Benitez D, Gaydecki PA, Zaidi A, Fitzpatrick AP (2001) Использование преобразования Гильберта в анализе сигналов ЭКГ. Компьютеры в биологии и медицине 31: 399–406.
    292. ​​
    293. 147. Jasemian Y, Arendt-Nielsen L (2005) Оценка системы телемедицины с удаленным мониторингом в реальном времени с использованием протокола Bluetooth и сети мобильной связи. Журнал телемедицины и телемедицины 11: 256–260.
    294. ​​
    295. 148.Юрик А.Д., Уивер А.С. (2008) Дистанционный медицинский мониторинг. Компьютер 41: 96–99.
    296. ​​
    297. 149. Baig M, Gholamhosseini H, Connolly M (2013) Комплексный обзор носимых и беспроводных систем мониторинга ЭКГ для пожилых людей. Медицинская и биологическая инженерия и вычисления: 1–11.
    298. ​​
    299. 150. Паолетти М., Марчези С. (2006) Обнаружение опасных паттернов в долгосрочных амбулаторных записях ЭКГ с использованием быстрого алгоритма обнаружения QRS и исследовательского анализа данных.Компьютерные методы и программы в биомедицине 82: 20–30.
    300. ​​
    301. 151. Martin-Clemente R, Camargo-Olivares JL, Hornillo-Mellado S, Elena M, Roman I (2011) Быстрая техника неинвазивного извлечения ЭКГ плода. Протоколы IEEE по биомедицинской инженерии 58: 227–230.
    302. ​​
    303. 152. Чжан К.Ф., Тэ-Вук Б. (2012) Детектор комплекса QRS, совместимый с СБИС, для сетей датчиков тела. Журнал IEEE по новым и избранным темам в схемах и системах 2: 52–59.
    304. ​​
    305. 153.Ян Л., Шипенг Л., Хуйфэн С. (2011) Виртуализированный экран: третий элемент конвергенции облачных и мобильных устройств. IEEE Multimedia 18: 4–11.
    306. ​​

    Классификация сигналов ЭКГ с использованием скрытой марковской модели и искусственной нейронной сети — IJERT

    Классификация сигналов ЭКГ с использованием скрытой марковской модели и искусственной нейронной сети

    Г-н Анкит Сангви

    PG Scholar,

    Институт инженерии и технологий Аламури Ратнамала,

    Мумбаи, Индия

    Проф.Сачин М. Божевар

    Асс. Профессор,

    Институт инженерии и технологий Видьяланкара, Мумбаи, Индия

    Abstract Аномальная активность сердца анализируется с помощью электрокардиограммы (ЭКГ). Аритмию сердца распознают по электрическим сигналам ЭКГ. Могут быть проанализированы суправентрикулярная тахикардия, желудочковая тахикардия, тахикардия и брадикардия. Здесь мы используем нейронную сеть для программирования с аналоговыми данными, а затем тестируем для проверки набора данных. Гиперкалиемия и ишемия миокарда могут быть обнаружены при исследовании зубца Т, а гипокальциемия — при вычислении интервала QRS.Обнаружение аномалий становится важным в телекардиальной системе. Данные будут извлечены из суправентрикулярной базы данных MIT-BIH и ЭКГ-аппарата опытного врача. В течение последних пятнадцати лет вейвлет-преобразование оказалось ценным инструментом во многих областях применения нестационарных сигналов, таких как биомедицинские сигналы и, в частности, ЭКГ. Преимущество использования вейвлет-преобразования заключается в том, что оно разделяет характеристики ЭКГ на разные шкалы с различным разрешением. Это помогает любому выделить основные характеристики сигнала ЭКГ для целей анализа, удалив высокочастотный шум

    Ключевые слова Электрокардиограмма, сердечная аритмия, MATLAB, нейронная сеть, телекардиальная система,

    1. ВВЕДЕНИЕ

      Аномальную деятельность сердца, называемую аритмией, можно проанализировать с помощью электрокардиограммы (ЭКГ).Эти аритмии классифицируются с использованием деталей электрических сигналов и анализа свойств волны PQRST. Были считаны несколько выборок данных нормальных характеристик ЭКГ и проанализированы различия между нормальным и нерегулярным сигналами. Данные будут извлечены из суправентрикулярной базы данных MIT-BIH и ЭКГ-аппарата опытного врача. Здесь мы будем анализировать в основном хаотические и стохастические сигналы, хотя мы знаем, что хаотическое и стохастическое поведение имеет ограничения. Здесь мы попытаемся классифицировать, которые прямо или косвенно связаны с сердечными аритмиями.Для анализа сигналов используется скрытая марковская модель (HMT) и искусственная нейронная сеть (ANN), для распознавания образов будет использоваться инструмент MATLAB.

    2. МОТИВАЦИЯ

      На рисунке показаны сегменты волны PQRST ЭКГ

      .

      Обнаружение ЭКГ — это первый шаг в обеспечении точности предупреждения о сердечном риске. Например, Метод вейвлет-преобразования на основе пороговых значений используется для обнаружения комплекса QRS. Распознавание биений ЭКГ может быть выполнено с помощью искусственной нейронной сети (ИНС).Если сигналы ЭКГ чистые и точные, информация о состоянии здоровья может быть понятна правильно. Зубец T и сегмент ST содержат обширную информацию о сердечных заболеваниях, таких как инфаркт миокарда, сердечно-сосудистые заболевания высокого риска, вызывающие изменения формы волны ST. Также такие заболевания, как синусовая брадикардия, синусовая тахикардия, респираторная синусовая аритмия, болезнь синусового узла, предсердная тахикардия.

      Стресс и беспокойство во время беременности могут повлиять на развитие плода.Стресс влияет на сердечную систему, поэтому ЭКГ помогает его обнаружить.

    3. ОБЗОР ЛИТЕРАТУРЫ

      1. Заголовок:

        Новый алгоритм SVM с несколькими разрешениями (MR-SVM) для обнаружения аномалии сигнала ЭКГ в проекте WE-CARE

        волна PQRST дает много информации, например

        Зубец P — Во время деполяризации предсердий главный электрический вектор направлен от синопредсердного (SA) узла к атриовентрикулярному (AV) узлу и распространяется от правого предсердия к левому предсердию, превращаясь в P-волну.

        QRS-комплекс — чтобы отразить быструю деполяризацию правого и левого желудочков, которые имеют большую мышечную массу по сравнению с предсердиями, их передний QRS-комплекс обычно имеет гораздо большую амплитуду.

        ST-сегмент — чтобы соединить комплекс QRS и зубец T, сегмент ST отражает период, когда желудочки деполяризованы. Он изоэлектрический, когда его морфология нормальная.

        Зубец Т Чтобы представить реполяризацию (или восстановление) желудочков, интервал от начала комплекса QRS до вершины зубца Т отображается как период абсолютного восстановления.А последняя половина зубца T называется относительным рефрактерным периодом (или уязвимым периодом).

        Метод

        : алгоритм MR-SVM (машина опорных векторов с несколькими разрешениями). Основная идея состоит в том, чтобы разложить сигналы по базисной функции ортогональных вейвлетов и получить полезную информацию. Вывод: алгоритм сильно подвержен шумовым воздействиям, поэтому производительность снижена.

        Название: Новый алгоритм SVM с несколькими разрешениями (MR-SVM) для обнаружения аномалии сигнала ЭКГ в проекте WE-CARE

        волна PQRST дает много информации, например

        Зубец P — Во время деполяризации предсердий главный электрический вектор направлен от синопредсердного (SA) узла к атриовентрикулярному (AV) узлу и распространяется от правого предсердия к левому предсердию, превращаясь в P-волну.

        QRS-комплекс — чтобы отразить быструю деполяризацию правого и левого желудочков, которые имеют большую мышечную массу по сравнению с предсердиями, их передний QRS-комплекс обычно имеет гораздо большую амплитуду.

        ST-сегмент — чтобы соединить комплекс QRS и зубец T, сегмент ST отражает период, когда желудочки деполяризованы. Он изоэлектрический, когда его морфология нормальная.

        Зубец Т Чтобы представить реполяризацию (или восстановление) желудочков, интервал от начала комплекса QRS до вершины зубца Т отображается как период абсолютного восстановления.А последняя половина зубца T называется относительным рефрактерным периодом (или уязвимым периодом).

        Метод

        : алгоритм MR-SVM (машина опорных векторов с несколькими разрешениями). Основная идея состоит в том, чтобы разложить сигналы по базисной функции ортогональных вейвлетов и получить полезную информацию. Вывод: алгоритм сильно подвержен шумовым воздействиям, поэтому производительность снижена.

      2. Заголовок:

        Журнал распознавания реальных пиков сигналов электрокардиограммы (ЭКГ) с использованием нейронной сети Когда сигналы ЭКГ были выбраны с использованием метода ИНС с помощью программного обеспечения MATLAB, этот подход полезен для распознавания реальных пиков, поскольку он предоставляет врачам ценную информацию о диагностике сердца и также указывают на состояние сердца.

        Техника: сигнал ЭКГ был выбран с помощью метода нейронной сети через программное обеспечение Matlab.

        Заключение: Распознавание образов нейронной сети — подходящее программное обеспечение с высокой способностью классифицировать входные шаблоны в соответствующие выходные объекты с высокой эффективностью. Реальный пик сигналов ЭКГ можно определить, обучив сеть соответствующим образом.

      3. Заголовок:

        Классификация сигналов ЭКГ с использованием анализа главных компонентов с нейронной сетью в приложениях интерфейса сердца и компьютера. Характеристики характеристик ЭКГ, такие как QRS-комплекс, продолжительность QRS, высота R-пика, T-пик, T-начало и точки T-смещения, T. высота пика, продолжительность сегмента ST и QT помогает клиническому персоналу в диагностике заболевания.

        Метод

        : искусственная нейронная сеть (ИНС) — это метод классификации функциональных шаблонов, который обучается на всем протяжении алгоритма обратного распространения ошибок.

        Заключение. Основная классификация входных данных нейронной сети была улучшена за счет использования анализа главных компонентов с нейронной сетью и других методов мягких вычислений, таких как нечеткая логика.

      4. Заголовок:

        Справочная система для медицинской диагностики электрокардиографа Сердце человека непрерывно бьется примерно 60 раз в минуту до конца жизни, заболевание можно определить как синусовая радикардия (частота <60 ударов в минуту), синусовая тахикардия (частота от 80 до 90 ударов в минуту). ), Заболевание синусового узла (сигнал ЭКГ будет медленным и может содержать паузы), предсердная тахикардия (деформация зубца P) и т. Д.

        Техника: Используется код Matlab фильтра среднего, фильтр состоит в том, чтобы удалить линейный тренд вектора с помощью преобразования Фурье. Заключение: алгоритм будет улучшен, чтобы он мог работать с любым типом сигнала ЭКГ.

      5. Заголовок:

      Исследование и классификация сердечных сокращений ЭКГ с использованием входных и выходных дополнительных взвешенных нейронных сетей с прямой связью. Единичный нормальный цикл ЭКГ представляет собой последовательную артериальную деполяризацию и реполяризацию желудочков, которые происходят при каждом сердечном сокращении.Они могут быть приблизительно связаны с пиками и другими кривыми ЭКГ, обозначенными буквами P, Q, R, S и T.

      Техника: для классификации ЭКГ используются методы мягких вычислений. Характеристики извлекаются с помощью дискретного косинусного преобразования (DCT). Радиальная базовая функция (RBF), Многослойная нейронная сеть персептрона (MLP-NN), Многослойная сеть прямого распространения (FF-NN), которая обеспечивает дополнительные веса между входным и выходным слоями.

      Заключение: Использование предложенного метода в некоторой степени повышает точность классификации.Дальнейшая работа должна быть проделана в области оптимизации, чтобы выбрать лучшую скорость обучения и импульс.

    4. ПЛАН ПРОЕКТНЫХ РАБОТ

      В соответствии с предыдущими работами, проделанными в этой области, необходимо проделать большую работу в этой области. С моей точки зрения, сердечно-сосудистые заболевания (сердечно-сосудистые заболевания) можно отлично оценить, если мы используем метод вейвлет-преобразования с помощью скрытой марковской модели и искусственной нейронной сети.

      Примерная структура предлагаемых работ, которые необходимо выполнить в этой области, выглядит следующим образом:

      Метод

      подходит для реализаций в реальном времени и может использоваться для диагностики.

      Кривые ЭКГ сердца человека

      Вейвлет-преобразование

      Извлечение признаков

      ANN \ HMM

      ……… ..

      (классификация по CVD) APC / PVC / SVT / VT / VF и т. Д.

      Электрокардиограмма, т. Е. Данные ЭКГ для анализа и классификации, будут получены из базы данных аритмий MIT-BIH, базы данных желудочковых аритмий MIT-BIH и базы данных суправентрикулярных аритмий MIT-BIH или необходимые сигналы могут быть получены из местных специализированных больниц.Из баз данных будут выбраны различные сегменты ЭКГ для моделирования и классификации. Набор данных включал около 200 сегментов нормальной ЭКГ, APC, PVC, SVT, VT и VF. Данные из баз данных об аритмии и наджелудочковой аритмии MIT-BIH могут быть повторно дискретизированы, чтобы все данные, используемые в анализе, имели одинаковую частоту дискретизации (скажем, 250 Гц). Перед моделированием сигналы ЭКГ могут быть предварительно обработаны для удаления шума из-за помех в электросети, дыхания, тремора мышц, скачков напряжения и т. д.Таким образом, после удаления шума данные будут проанализированы, а особенности извлечены с помощью вейвлет-преобразования. Затем для идентификации и классификации будут использоваться классификаторы, такие как нейронные сети и система HMM.

    5. ЗАКЛЮЧЕНИЕ

    Если этот запланированный метод классификации и обнаружения был реализован безупречно, он очень полезен для классификации сердечных аритмий у тяжелобольных пациентов и помогает эффективно диагностировать сердечные заболевания.Это

    ССЫЛКИ

    [1]. Цянь Чжэн, Чао Чен, Чжинан Ли Новый алгоритм SVM с несколькими разрешениями (MR-SVM) для обнаружения аномалий сигналов ЭКГ в Центре беспроводной связи и обработки сигналов проекта WE-CARE. Том 04, № 02, март 2012. [2]. Изза Амани Тармизи, доктор Сайед Сахал Назли Альхади Сайед Хассан Журнал реального распознавания пиков сигнала электрокардиограммы (ЭКГ) с использованием нейронной сети 978-1-4673-0734-5 / 12 / $ 31.00 © 2012 IEEE. Стр. 504-510. [3]. Kottaimalai R, Pallikonda Rajasekaran M, Selvam V, Kannapiran B (2013) Классификация сигналов ЭКГ с использованием анализа главных компонентов с помощью нейронной сети в приложениях сердечного компьютерного интерфейса 978-1-4673-5036-5 / 13 / $ 31.00 © 2013 IEEE. Стр. 227-230. [4]. Сарикал, стр., И Вахидабану, Р. (2010) Справочная система для медицинской диагностики электрокардиографа (IJACSA) Международный журнал передовых приложений компьютерных наук, 1 (6), 48-53. [5]. R Ganesh Kumar, Y S. Kumaraswamy (2013) Исследование и классификация сердечных сокращений ЭКГ с использованием входных и выходных дополнительных взвешенных нейронных сетей прямого распространения — Международная конференция по обработке сигналов и распознаванию образов в 2013 г. [ICSIPR], 978-1-4673-4862-1 / 13 /

    31,00 $ © 2013 IEEE.

    [6]. Готвал Х., Кедават С. и Кумар Р. (2011). Обнаружение сердечных аритмий в сигнале сердечных сокращений ЭКГ с использованием быстрого преобразования Фурье и искусственной нейронной сети. Журнал биомедицинских наук и инженерии, 4 (4), 289-296. [7]. Виджая, В., Рао, К., и Рама, В. (2011). Обнаружение аритмии посредством извлечения признаков ЭКГ с использованием вейвлет-анализа, Европейский журнал научных исследований, 66 (3), 441-448,7 стр. [8]. Жаклин Вийсман и др., На пути к обнаружению психического стресса с помощью носимых физиологических датчиков, 33-я ежегодная международная конференция IEEE EMBS, 2011 г.[9]. Веб-сайт по адресу http: / biology.about.com/ library / sizes / heart / blatrionode.htm, изображение любезно предоставлено Carolina Biology Supply / Access Excellence. [10]. Элиф Туба Челик, Богдан Хурезяну, А. 978-1-4673-1740-5 / 12 / © 2012IEEE. [11]. Хари Мохан Рай, Анураг Триведи, Классификация сигналов ЭКГ с использованием волнового преобразования и нейронной сети обратной обработки, 2012 5-я Международная конференция по компьютерам и устройствам для связи (CODER).[12]. С. Бехбахани и Н. Дж. Дабанлоо, Обнаружение комплексов QRS в сигнале ЭКГ с использованием вейвлета с несколькими разрешениями и метода пороговой обработки IEEE Computing in Cardiology, стр. 805-808, 2011.

    Г-н Анкит С. Сангхави

    Получил B.E. В 2009 году получил степень магистра компьютерных наук и инженерии Университета Сант Гадж Баба Амравати, Махараштра. В настоящее время он получает степень магистра компьютерной инженерии под руководством профессора Сачина М. Боджевара.

    «Сегментация ЭКГ в сети датчиков тела с использованием адаптивного скрытого Маркова» Хуаминг Ли и Цзиньдун Тан

    Название

    Сегментация ЭКГ в сети датчиков тела с использованием адаптивных скрытых марковских моделей

    Отделение

    Кафедра электротехники и вычислительной техники

    Абстрактные

    В этой статье представлен новый подход к сегментации сигнала ЭКГ в сети датчиков тела.Используется метод скрытого марковского моделирования (HMM). Адаптация параметров в традиционных методах HMM консервативна и медленно реагирует на эти изменения интервала биений. Поскольку частота сердечных сокращений у людей сильно различается, соответствующие интервалы и продолжительность характерных кривых также меняются со временем. Более того, у пациентов с сердечными заболеваниями, такими как аритмия, интервал сердечных сокращений может даже меняться резко и нерегулярно. Поэтому неадекватная и медленная адаптация параметров в значительной степени ответственна за низкий уровень положительной предсказуемости (+ P).Чтобы решить эту проблему, мы вводим активный алгоритм адаптации параметров HMM и сегментации ЭКГ, который включает три части: предварительную сегментацию и классификацию, обучение модели HMM и детальную сегментацию. Сети датчиков тела используются для предварительного сегментирования необработанных данных ЭКГ путем определения QRS. Затем извлекается информация об интервале R-R, которая непосредственно отражает изменение интервала сердечных сокращений, и используется для классификации необработанных данных ЭКГ на несколько групп. Для каждой группы обучается один конкретный HMM.Следовательно, вместо одной общей HMM настраивается несколько индивидуализированных HMM. При детальной сегментации каждый HMM отвечает только за извлечение характерных форм сигналов ЭКГ с аналогичными временными характеристиками из одной и той же группы, так что адаптация временных параметров может быть достигнута естественным образом.

    Рекомендуемое цитирование

    Ли, Х., & Тан, Дж. (2011). Сегментация ЭКГ в сети датчиков тела с использованием адаптивных скрытых марковских моделей. BODYNETS 2008 — 3-я Международная конференция ИККТ по ​​телесным сетям . http://doi.org/10.4108/ICST.BODYNETS2008.2966
    Получено с: https://digitalcommons.mtu.edu/michigantech-p/14219

    Сегментация ЭКГ в сети датчиков тела с использованием адаптивных скрытых марковских моделей

    3-я международная конференция ICST по локальным сетям тела

    Research Article

    Загрузки 245 загрузок
    Процитировать
    BibTeX Plain Text
    •  @INPROCEEDINGS {10.4108 / ICST.BODYNETS2008.2966,
          автор = {Хуамин Ли и Цзиньдун Тан},
          title = {Сегментация ЭКГ в сети датчиков тела с использованием адаптивных скрытых марковских моделей},
          протоколы = {3-я Международная конференция ИККТ по ​​телесно-вычислительным сетям},
          publisher = {ICST},
          procedure_a = {BODYNETS},
          год = {2010},
          месяц = ​​{5},
          ключевые слова = {Сети датчиков тела (BSN) Сегментация ЭКГ Адаптация параметров скрытых марковских моделей (HMM).},
          doi = {10.4108 / ICST.BODYNETS2008.2966}
      }
       
    • ​​
    • Huaming Li
      Jindong Tan
      Год: 2010
      Сегментация ЭКГ в сети датчиков тела с использованием адаптивных скрытых марковских моделей
      BODYNETS
      ICST
      DOI: 10.4108 / ICST.BODYNETS2008.2966

    • ​​
    Huaming Li 1 , * , Jindong Tan 1 , *
    • 1: Департамент электротехники и вычислительной техники, Технологический университет Мичигана, Хаутон, Мичиган, 49931
    • * Контактный адрес электронной почты: [email protected], [email protected]

      Abstract

      В этой статье представлен новый подход к сегментации сигнала ЭКГ в сети датчиков тела. Используется метод скрытого марковского моделирования (HMM).Адаптация параметров в традиционных методах HMM консервативна и медленно реагирует на эти изменения интервала биений. Поскольку частота сердечных сокращений у людей сильно различается, соответствующие интервалы и продолжительность характерных кривых также меняются со временем. Более того, у пациентов с сердечными заболеваниями, такими как аритмия, интервал сердечных сокращений может даже меняться резко и нерегулярно. Поэтому неадекватная и медленная адаптация параметров в значительной степени ответственна за низкий уровень положительной предсказуемости (+ P).Чтобы решить эту проблему, мы вводим активный алгоритм адаптации параметров HMM и сегментации ЭКГ, который включает три части: предварительную сегментацию и классификацию, обучение модели HMM и детальную сегментацию. Сети датчиков тела используются для предварительного сегментирования необработанных данных ЭКГ путем определения QRS.

  • Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *