АЛГОРИТМ АВТОМАТИЧНОГО РОЗПІЗНАВАННЯ ПОРУШЕНЬ РИТМУ СЕРЦЯ
Ключові слова:
електрокардіографічний сигнал, аритмія, шлуночкова екстрасистолія, фазовий простір, фазовий портрет, RR-інтервалі, програма LabVIEW, частота серцевих скорочень
Анотація
Постановка проблеми: Серцево-судинні захворювання нині залишаються однією з провідних причин смертності. Важливо стежити за станом серцево-судинної системи на ранніх стадіях патології, щоб своєчасно діагностувати ці захворювання. Особливе місце серед захворювань серцево-судинної системи посідають різні аритмії. Найбільш частими з різних аритмій є екстрасистолі. Шлуночкові екстрасистоли вважаються найбільш небезпечними для життя екстрасистолами. Для діагностики шлункових екстрасистол на ранній стадії їх розвитку потрібна обробка та аналіз великих обсягів електрокардіографічних даних. У зв'язку з цим розробка та програмна реалізація алгоритмів автоматичного розпізнавання шлуночкових аритмій на основі даних електрокардіографії за допомогою сучасних комп'ютерних технологій є актуальним завданням. Мета роботи – розробка алгоритму автоматичного розпізнавання шлуночкових аритмій та його програмна реалізація. Результати: Розроблено алгоритм автоматичного розпізнавання шлуночкових екстрасистол, що відрізняється простотою реалізації та мінімальними вимогами до обчислювальних ресурсів. У той же час високі значення чутливості та специфічності зберігаються для сигналів ЕКГ з одиничними шлуночковими екстрасистолами. Алгоритм реалізований у програмній середовищі LabVIEW та протестований з використанням файлів ЕКГ, взятих із міжнародних баз даних за сердечними аритміями, а також із використанням моделей стимульованих сигналів ЕКГ. Практична значущість: Розроблений алгоритм може бути використаний для автоматичної обробки та аналізу тривалих записів ЕКГ та розпізнавання шлуночкових аритмій.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Guide to cardiology/edited by V.N. Kovalenko. — K.: MORION, 2008. — 1424 p.
2. G. D.Clifford Signal processing methods for heart rate variability analysis / G. D. Clifford. –PhD Thesis michaelmas Term., 2002. – 244 p.
3. Rangayyan, P. M. Analysis of biomedical signals. Practical Approach/ Р. М. Rangayyan. – M. : Fizmatlit, 2007. – 440 p.
4. Luz E.J.S. et. al. ECG-based heartbeat classification for arrhythmia detection: A survey //Computer methods and programs in biomedicine. – 2016. – Т. 127. – Р. 144-164.
5. Khalaydzhi A.K., Muchnik1 I.B. Methods for classifying cardiac arrhythmias based on coding sequences of RR-intervals of the ECG signal. Proceedings of NSTU im. R.E. Alekseeva 2021. No. 1 (132), pp. 38-53.
6. Kadambe S., Murray R. and Boudreaux-Bartels G. F. Wavelet transform-based QRS complex detector // IEEE Trans. Biomed. Eng. – 1999. – Vol. 46. – P. 838-848.
7. Li C., Zheng C. and Tai C. Detection of ECG characteristic points using wavelet transforms // IEEE Trans. Biomed. Eng. – 1995. – Vol. 42. – P. 21-28.
8. Xiang et al. Automatic QRS complex detection using two‑level convolutional neural network // BioMed Eng OnLine https://biomedical-engineering-online.biomedcentral.com/track/pdf/10.1186/s12938-018-0441-4.pdf
9. Hu Y.H., Tompkins W.J., Urrusti J.L., and Afonso V.X. Applications of artificial neuralnetworks for ECG signal detection and classification // J. Electrocardiology. – 1993. Vol. 26 (Suppl.). p. 66-73.
10. Poli R., Cagnoni S. and Valli G. Genetic design of optimum linear and nonlinear QRS detectors // IEEE Trans. Biomed. Eng. – 1995. – Vol. 42. – P. 1137-1141.
11. Afonso V.X., Tompkins W.J., Nguyen T.Q., Luo S. ECG beat detection using filter banks // IEEE Transactions on Biomedical Engineering. – 1999. – Vol. 46. – No. 2. – P. 192-202.
12. Köhler B.-U., Hennig C. and Orglmeister R. QRS detection using zero crossing counts // Applied genomics and proteomics. – 2003. – Т. 2. – №. 2. – P. 138-145.
13. O. N. Bodin, M. N. Kramm, L. Yu. Krivonogov, V. G. Polosin, N. S. Shilov A new technology for noise interference in electrocardiosignals//Bulletin of Cybernetics. 2017. № 4 (28), p.122-130.
14. А. A. Chupov, A. E. Jdanov, S. T. Knyazev, F. K. Rakhmatullov, R. F. Rakhmatullov, A. Y. Dolganov. Processing of ECG signals using wavelet analysis: diagnostic possibilities//Ural Radio Engineering Journal. 2021;5(4): pp 337–352.
15. A.V. Leonova, A.A. Ageichenko Modification of Pan-Tompkins on Real-Time QRS Complex Recognition Algorithm //Engineering Bulletin of Don, №2, p.2 (2015) http://ivdon.ru/ru/magazine/archive/n2p2y2015/3058
16. I. O. Khokhlov, A. N. Kalinichenko. Algorithm for predicting the parameters of ECG cardiocomplexes for noise-interference detection of R-wave // News of St. Petersburg Electrotechnical University “LETI” № 1/2017, pp.72-77.
17. Petrov S.P., Epishina E.V., Voronin V.V. Evaluation of pattern recognition algorithms for tasks of automatic analysis of electrocardiograms // Eurasian Union of Scientists (ESU) # VIII, 2014 | Technical sciences, pp.27-29.
18. D. A. Lipchak, A. A. Chupov Review of methods for automatic diagnosis of cardiac arrhythmia for making decisions on the need for defibrillation, Ural Radio Engineering Journal. 2021;5(4):380–409.
19. https://medspecial.ru (date of the application 03.01.2023).
20. http://ecg.mit.edu/george/publications/mitdb-embs-2001.pdf
21. ANSI/AAMI EC57:2012 (ANSI/AAMI EC 57:2012). Testing And Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement Algorithms. URL: https://webstore.ansi.org/Standards/AAMI/ansiaamiec572012ec57
22. https://physionet.org/content/edb/1.0.0/
2. G. D.Clifford Signal processing methods for heart rate variability analysis / G. D. Clifford. –PhD Thesis michaelmas Term., 2002. – 244 p.
3. Rangayyan, P. M. Analysis of biomedical signals. Practical Approach/ Р. М. Rangayyan. – M. : Fizmatlit, 2007. – 440 p.
4. Luz E.J.S. et. al. ECG-based heartbeat classification for arrhythmia detection: A survey //Computer methods and programs in biomedicine. – 2016. – Т. 127. – Р. 144-164.
5. Khalaydzhi A.K., Muchnik1 I.B. Methods for classifying cardiac arrhythmias based on coding sequences of RR-intervals of the ECG signal. Proceedings of NSTU im. R.E. Alekseeva 2021. No. 1 (132), pp. 38-53.
6. Kadambe S., Murray R. and Boudreaux-Bartels G. F. Wavelet transform-based QRS complex detector // IEEE Trans. Biomed. Eng. – 1999. – Vol. 46. – P. 838-848.
7. Li C., Zheng C. and Tai C. Detection of ECG characteristic points using wavelet transforms // IEEE Trans. Biomed. Eng. – 1995. – Vol. 42. – P. 21-28.
8. Xiang et al. Automatic QRS complex detection using two‑level convolutional neural network // BioMed Eng OnLine https://biomedical-engineering-online.biomedcentral.com/track/pdf/10.1186/s12938-018-0441-4.pdf
9. Hu Y.H., Tompkins W.J., Urrusti J.L., and Afonso V.X. Applications of artificial neuralnetworks for ECG signal detection and classification // J. Electrocardiology. – 1993. Vol. 26 (Suppl.). p. 66-73.
10. Poli R., Cagnoni S. and Valli G. Genetic design of optimum linear and nonlinear QRS detectors // IEEE Trans. Biomed. Eng. – 1995. – Vol. 42. – P. 1137-1141.
11. Afonso V.X., Tompkins W.J., Nguyen T.Q., Luo S. ECG beat detection using filter banks // IEEE Transactions on Biomedical Engineering. – 1999. – Vol. 46. – No. 2. – P. 192-202.
12. Köhler B.-U., Hennig C. and Orglmeister R. QRS detection using zero crossing counts // Applied genomics and proteomics. – 2003. – Т. 2. – №. 2. – P. 138-145.
13. O. N. Bodin, M. N. Kramm, L. Yu. Krivonogov, V. G. Polosin, N. S. Shilov A new technology for noise interference in electrocardiosignals//Bulletin of Cybernetics. 2017. № 4 (28), p.122-130.
14. А. A. Chupov, A. E. Jdanov, S. T. Knyazev, F. K. Rakhmatullov, R. F. Rakhmatullov, A. Y. Dolganov. Processing of ECG signals using wavelet analysis: diagnostic possibilities//Ural Radio Engineering Journal. 2021;5(4): pp 337–352.
15. A.V. Leonova, A.A. Ageichenko Modification of Pan-Tompkins on Real-Time QRS Complex Recognition Algorithm //Engineering Bulletin of Don, №2, p.2 (2015) http://ivdon.ru/ru/magazine/archive/n2p2y2015/3058
16. I. O. Khokhlov, A. N. Kalinichenko. Algorithm for predicting the parameters of ECG cardiocomplexes for noise-interference detection of R-wave // News of St. Petersburg Electrotechnical University “LETI” № 1/2017, pp.72-77.
17. Petrov S.P., Epishina E.V., Voronin V.V. Evaluation of pattern recognition algorithms for tasks of automatic analysis of electrocardiograms // Eurasian Union of Scientists (ESU) # VIII, 2014 | Technical sciences, pp.27-29.
18. D. A. Lipchak, A. A. Chupov Review of methods for automatic diagnosis of cardiac arrhythmia for making decisions on the need for defibrillation, Ural Radio Engineering Journal. 2021;5(4):380–409.
19. https://medspecial.ru (date of the application 03.01.2023).
20. http://ecg.mit.edu/george/publications/mitdb-embs-2001.pdf
21. ANSI/AAMI EC57:2012 (ANSI/AAMI EC 57:2012). Testing And Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement Algorithms. URL: https://webstore.ansi.org/Standards/AAMI/ansiaamiec572012ec57
22. https://physionet.org/content/edb/1.0.0/
Опубліковано
2023-06-09
Як цитувати
Samadova Shafag Алгоритм автоматичного розпізнавання порушень ритму серця / Shafag Samadova // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 2 (72). – С. 146-150. – doi:https://doi.org/10.26906/SUNZ.2023.2.146.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
