Алгоритм диагностики инфаркта миокарда

Размещено на http://www.allbest.ru/

УДК 681.518

Алгоритм диагностики инфаркта миокарда

Петрухин А.В.

Московский Государственный Технический Университет имени Н. Э. Баумана

E-mail: andrew.petrukhin.vlad@gmail.com

В статье рассматривается возможность диагностирования 1, 2 и 3 стадии инфаркта миокарда. Показано, что алгоритм, основанный на методе Пана-Томпкинса и алгоритма детектирования основных элементов кардиосигнала, позволяет детектировать нормальные и патологические ST-сегменты и T-зубцы, и выявлять наличие инфаркта миокарда.

Ключевые слова: электрокардиография, инфаркт миокарда, система поддержки принятия решения.

DIAGNOSIS ALGORITHM OF MYOCARDIAL INFARCTION

Petrukhin A.V.

The article discusses the possibility of diagnosing 1, 2 and 3 stages of Myocardial Infarction (MI).

It is shown that the algorithm based on the Pan-Tompkins method and «P and T waves annotation and detection in MIT-BIH arrhythmia database» allows detecting normal and pathological ST-segments and T-wave, and detecting the presence of MI.

Keywords: electrocardiography, myocardial infarction, the supports system of decision-making.

В соответствии с рекомендациями Всемирной организации здравоохранения процедура диагностирования инфаркта миокарда основывается на трех основных критериях:

1. Типичная клиническая картина - характерные болевые ощущения, обстоятельства способствующие возникновения ИМ;

2. Характерные изменения на электрокардиографическом сигнале - элевация или депрессия ST-сегмента, появление отрицательных T-зубцов (для 1-3 стадии ИМ);

3. Лабораторная диагностика - биохимические маркеры, лейкоциты, скорость оседания эритроцитов.

Детектирование значимых элементов кардиографического сигнала и анализа их формы, позволяет диагностировать ИМ.

Существует ряд алгоритмов предназначенных для детектирования элементов сигнала ЭКГ:

1. «Свёрточно-корреляционный алгоритм выделения QRS - комплекса» осуществляет детектирование QRS-комплекса, однако отсутствует возможность детектирования других значимых элементов кардиографического сигнала и выведения предварительного диагноза [2];

2. «Алгоритм порогового обнаружение Р и Т-зубцов» позволяет детектировать Р и Т - зубцы с точностью 96 %, но не осуществляется обработка сегментов, характерных для диагностирования инфаркта миокарда, также отсутствует возможность автоматизированной работы алгоритма [4];

3. «Алгоритм Пана-Томпкинса» предназначен для определения R - зубцов и расчета RRинтервалов;

4. «Early Detection of Myocardial Infarction Using WBAN» выполняет детектирование элевации ST-сегментов с точностью 73%, но не предусматривает детектирования депрессии и автоматизированной обработки параметров сигнала [5];

5. «A QT Interval Detection Algorithm Based on ECG Curve Length Transform» - алгоритм рассчитывающий конец Т-волны, автоматически выбирающий необходимое отведение, рассчитывает длительность PQ-сегмента [7]. инфаркт миокард томпкинс

Цель исследования

Работа посвящена разработке алгоритма для обработки электрокардиографического сигнала и постановке предварительного диагноза на предмет наличия инфаркта миокарда.

Алгоритм работает в совокупности с двенадцати канальным электрокардиографом, и, соответственно, подходит для использования всем пациентам.

Материал и методы исследования

В ходе исследований были использованы пакет прикладных программ MatLab R2015b и электрокардиографические сигналы, представленные в базе данных исследовательского ресурса PhysioNet. Выбранная группа электрокардиографических сигналов была распределена на обучающую базу данных (для обучения нейронной сети) и тестовую базу данных. Характеристики сигналов и составленных баз данных предоставлены в таблице 1.

Таблица 1 - Параметры сигналов обучающей и тестовой базы данных

На рисунке 1 представлен характерный сигнал, пациента с инфарктом миокарда.

Рисунок 1 - Исходный сигнал ЭКГ (слева) и спектр исходного сигнала (справа)

Наиболее информативные частоты сигнала ЭКГ находятся в диапазоне от 0,5 до 80 Гц [1].

Для фильтрации биологического сигнала был выбран класс эллиптических фильтров, так как они имеют самую узкую переходную область по сравнению с остальными [3]. Использовались следующие типы: эллиптические фильтры нижних и верхних частот, а также полоснозаграждающие фильтры. При расчёте фильтров были заданы начальные параметры амплитудночастотной характеристики фильтров: неравномерность передачи в полосе пропускания, минимальное затухание в полосе задерживания, частота среза и ширина переходной области (таблица 2).

Таблица 2 - Начальные параметры для эллиптических фильтров

Результат фильтрации с помощью эллиптического фильтра и спектр полученного сигнала представлены на рисунке 2.

Рисунок 2 - Электрокардиографический сигнал после фильтрации (слева) и спектр электрокардиографический сигнал после фильтрации (справа)

Из рисунка 2 видно, что в сигнале ЭКГ присутствует дрейф базовой линии. Использование дифференцирования позволяет убрать влияние дрейфа изолинии.

Размещено на http://www.allbest.ru/

Рисунок 3 - Производная сигнала после экспоненциального усреднения

Детекция R зубцов осуществляется пороговым методом на уровне 0,4 от максимального значения производной сигнала. На основании полученного массива данных определяется ЧСС и среднее значение RR - интервалов.

В полученном нормированном сигнале выделяются QRS - комплексы, Р и Т - волны, методом выделения событий на сигнале с помощью прямоугольных импульсов [4].

На первом этапе выделяются QRS комплексы и рассчитываются их длительности. Для детектирования Т зубцов используется условие, что длительность Т зубца должна находиться в конкретном диапазоне (0,35 от длительности RR интервала).

Импульсы, характеризующие Р зубцы, определяются из условия, что длительность зубца не превышает 0,2 от длительности RR интервала.

Для того, чтобы учитывать только положительно направленные зубцы ЭКГ сигнала, все отрицательные значения переводятся в положительные. Определение границ и длительностей QRS - комплексов, Р - волн и Т - волн, позволяет провести анализ для поиска изменений в сигналах, характерных для ИМ. Методика анализа сводится к расчёту отношения паталогических волн к общему их числу; определению SТ - сегментов, которые характерны для пациентов с заболеванием ИМ и расчету отношения паталогических сегментов к общему их числу.

Рисунок 4 - Работа программы: по вычислению отношения патологических Т - волн к общему числу (подчеркнуто зеленым цветом); по вычислению отношения патологических ST - сегментов к общему числу (подчеркнуто красным цветом)

Далее, рассчитанные показатели обрабатываются с помощью двухслойной искусственной нейронной сети (ИНС), персептрона. Вид активационной функции - функция единичного скачка или функция Хэвисайда. Обучение проводилось с помощью алгоритма Розенблатта.

Рисунок 5 - Иллюстрация работы программы

На рисунке 6 проиллюстрированы входные значения в виде массива «Р1» и выходные значения в виде массива «О2», которые выдает обученная ИНС.

Итоговым результатом является предварительный диагноз о наличии инфаркта миокарда у пациента.

Результаты

Разработанный алгоритм, который включает алгоритм детектирования основных элементов кардиосигнала [6], корректно детектирует элевацию и депрессию сегмента ST относительно изоэлектрической линии в ЭКГ - отведениях, противоположных месту некроза изменения ST сегмента.

Алгоритм основывается на расчете длительности сегмента ST и определении его формы.

Рисунок 6 - Пример элевации и депрессии сегмента ST

Двухфазность или инверсия T-волн также определяется алгоритмом программы с относительной погрешностью 81 %. В норме у Т волны он напоминает «зашумленную синусоиду» с положительным знаком, для патологической Т волны будет характерно наличие «зашумленной синусоиды» с отрицательным знаком. При детектировании такой синусоиды на интервале, характерном для Т волны, вся волна определяется как патологическая и фиксируется алгоритмом программы.

Обработка показателей электрокардиографического сигнала при помощи ИНС осуществляется с точностью 88,5 %, специфичностью 100 %, чувствительностью 85,7 %.

Заключение

Исследования показали возможность анализа электрокардиографического сигнала на наличие патологических ST-сегментов и T-волн. Для этого необходимо провести цифровую фильтрацию, для устранения гармонических составляющих, лежащих вне диапазона частот от 0,5 до 80 Гц, дифференцирование, для вычисления временных интервалов основных значимых элементов кардиографического сигнала и алгоритмами анализа ST-сегментов и T-волн по дифференцированному сигналу.

Был предложен новый метод обработки электрокардиографичекого сигнала, который отличается возможностью детектирования элевации и депрессии ST-сегментов, двухфазности или инверсии T-зубцов. Также, предложен метод анализа параметров кардиографического сигнала, способный рассчитывать предварительный диагноз о наличии инфаркта миокарда.

Список литературы

1. Методы анализа биосигналов. Курс лекций для студентов факультета: БМТ / А.А. Морозов -М.:Факультет: Биомедицинская техника. Кафедра: Медико-технические информационные технологии, 2003.-99 с.

2. Сверточно-корреляционный алгоритм выделения QRS комплекса: публикация. [Электронный ресурс]. Режим доступа: http://tredexcompany.com/ru/svertochno-korrelyatsionnyjalgoritm-vydeleniya-qrs-kompleksa/ (дата обращения: 05.04.2017).

3. Справочник по активным фильтрам: Пер. с англ/ Д. Джонсон, Дж. Джонсон, Г. Мур. -

М.: Энергоатомиздат, 1983. - 128 с.

4. Chouhan V.S., Mehta S.S. Threshold-based Detection of P and T-wave in ECG using New Feature Signal / Department of Electronics & Communication Engineering Department of Electrical

Engineering J.N. Vyas University, Jodhpur, India-342 001 IJCSNS International Journal of Computer Science and Network Security, VOL.8 No.2, February 2008

5. Medina Hadjem, Osman Salem, Farid Naпt Abdesselam and Ahmed Mehaoua. Early Detection of Myocardial Infarction Using WBAN / LIPADE Laboratory, University of Paris Descartes, France. 2013 IEEE 15th International Conference on e-Health Networking, Applications and Services (Healthcom 2013).

6. Mohamed E. P and T waves annotation and detection in MIT-BIH arrhythmia database / E. Mohamed -:Department of Computing Science, University of Alberta, Canada. E-mail: moe.elgendi@gmail.com.

7. W Zong, M Saeed, T Heldt. A QT Interval Detection Algorithm Based on ECG Curve Length Transform / Philips Research North America, Briarcliff Manor, NY, USA.

Размещено на Allbest.ru