Обработка сигналов ЭКГ с помощью вейвлет-анализа: диагностические возможности
Аннотация
Задача распознавания и классификации биомедицинских сигналов является комплексной задачей, относящейся к междисциплинарной области компьютерных наук и медицины. В рамках реализации проекта по разработке нового деффибрилляционного оборудования необходимо решить задачи анализа биомедицинских сигналов электрокардиограммы для получения диагностического решения с возможностью отнесения конкретного состояния к патологическому состоянию пациента. В настоящей статье представлен анализ сигналов электрокардиограммы, учитывающий технические аспекты анализа многокомпонентных сигналов, также описана диагностическая возможность вейвлет-анализа сигналов. Учитывая ограниченный инструментарий анализа сигнала электрокардиограммы с точки зрения набора параметрических данных, вейвлет-анализ позволяет значительно расширить анализ сигналов и перейти в частотно-временную область. Таким образом, использование различных базисных функций вейвлет-преобразования позволяет определить дополнительную диагностически значимую информацию, формализованную в параметрах, извлекаемых из вейвлет-скалограм.
Чупов А. А., Жданов А. Е., Князев С. Т., Рахматуллов Ф. К., Рахматуллов Р. Ф., Долганов А. Ю. Обработка сигналов ЭКГ с помощью вейвлет-анализа: диагностические возможности. Ural Radio Engineering Journal. 2021;5(4):337–352. DOI: 10.15826/urej.2021.5.4.001.
Ключевые слова
Полный текст:
Без имениЛитература
Салтыкова М. М. Основные механизмы, обусловливающие изменения амплитуды зубцов комплекса QRS на электрокардиограмме при нагрузочном тестировании практически здоровых лиц. Физиология человека. 2015;41(1):74–82. DOI: 10.7868/S0131164614060101
Шехян Г. Г., Задионченко В. С., Снеткова А. А., Щикота А. М., Ялымов А. А. Дифференциальный диагноз заболеваний, сопровождающихся подъемом сегмента ST на электрокардиограмме. Справочник поликлинического врача. 2012;(7):33–36.
Бодин О. Н., Крамм М. Н., Кривоногов Л. Ю., Полосин В. Г., Шилов Н. С. Новая технология подавления помех в электрокардиосигналах. Вестник кибернетики. 2017;(4):122–130. Режим доступа: https://jc.surgu.ru/jour/article/view/170/208
Бибарсова А. М., Вечкина В. В., Рахматуллов Ф. К. Сравнительный анализ эффективности реабилитационных программ у больных ИБС с постинфарктным кардиосклерозом в амбулаторных условиях. В: Волчихин В. И., Печерская Р. М. (ред.) Университетское образование (МКУО-2013): сб. ст. 17-й Междунар. науч.-метод. конф., Пенза, 11–12 апреля 2013 г. Пенза: Пензенский государственный университет; 2013. C. 167–169.
Савина О. В., Бурмистрова Л. Ф., Рахматуллов Ф. К., Сисина О. Н. Кардио- и нефропротективная эффективность комбинированной терапии кординормом и валзом при артериальной гипертензии. Современные проблемы науки и образования. 2014;(6):1202–1202. Режим доступа: https://science-education.ru/ru/article/view?id=16859
Zhdanov A. E., Dolganov A. Y., Kazajkin V. N., Ponomarev V. O., Lizunov A. V., Borisov V. I., Lucian E., Bao X., Dorosinskiy L. G. OculusGraphy: Literature Review on Electrophysiological Research Methods in Ophthalmology and Electroretinograms Processing Using Wavelet Transform. In 2020 International Conference on e-Health and Bioengineering (EHB), Iasi, Romania, 29–30 Oct. 2020. P. 1–6. DOI: 10.1109/EHB50910.2020.9280221
Zhdanov A. E., Borisov V. I., Dolganov A. Y., Lucian E., Bao X., Kazaijkin V. N. OculusGraphy: Filtering of Electroretinography Response in Adults. In: 2021 IEEE 22nd International Conference of Young Professionals in Electron Devices and Materials (EDM), Souzga, 30 June–4 July 2021. P. 395–398. DOI: 10.1109/EDM52169.2021.9507654
Afonso V. X., Tomkins W. J., Nguyen T. Q., Luo S. ECG beat detection using filter banks. IEEE Transactions on Biomedical Engineering. 1999;46(2):192–202. DOI: 10.1109/10.740882
Benitez D., Gaydecki P. A., Zaidi A., Fitzpatrick A. P. The use of the Hilbert transform in ECG signal analysis. Computers in Biology and Medicine. 2001;31(5):399–406. DOI: 10.1016/s0010-4825(01)00009-9
Christov I., Gómez-Herrero G., Krasteva V., Jekova I., Gotchev A., Egiazarian K. Comparative study of morphological and time-frequency ECG descriptors for heartbeat classification. Medical Engineering & Physics. 2006;28(9):876–887. DOI: 10.1016/j.medengphy.2005.12.010
Chazal P., O’Dwyer M., Reilly R. B. Automatic classification of heart-beats using ECG morphology and heartbeat interval features. IEEE Transactions on Biomedical Engineering. 2004;51(7):1196–1206. DOI: 10.1109/TBME.2004.827359
Yeh Y. C., Wang W. J., Chiou C. W. Heartbeat Case Determination Using Fuzzy Logic Method on ECG Signals. International Journal of Fuzzy Systems. 2009;11:250–261.
Dokur Z., Olmez T. ECG beat classification by a novel hybrid neural network. Computer Methods and Programs in Biomedicine. 2001;66(2-3):167–181. DOI: 10.1016/s0169-2607(00)00133-4
Jolliffe I. T. Principal Component Analysis. New York: Springer Verlag; 1986. 488 p. DOI: 10.1007/b98835
Wang X., Paliwal K. K. Feature extraction and dimensionality reduction algorithms and their applications in vowel recognition. Pattern Recognition. 2003;36(10):2429–2439. DOI: 10.1016/S0031-3203(03)00044-X
Li C. W., Zheng C. X., Tai C. F. Detection of ECG characteristic points using wavelet transform. IEEE Transactions on Biomedical Engineering. 1995;42(1):21–28. DOI: 10.1109/10.362922
Lagerholm M., Peterson G., Braccini G., Edenbrandt L., Sornmo L. Clustering ECG complex using Hermite functions and self-organizing maps. IEEE Transactions on Biomedical Engineering. 2000;47(7):838–848. DOI: 10.1109/10.846677
Clifford G. D., Liu C., Moody B., Lehman L. H., Silva I., Li Q., Johnson A. E., Mark R. G. AF classification from a short single lead ECG recording: The PhysioNet/computing in cardiology challenge 2017. Computing in Cardiology. 2017;44. DOI: 10.22489/CinC.2017.065-469
Zihlmann M., Perekrestenko D., Tschannen M. Convolutional recurrent neural networks for electrocardiogram classification. Computing in Cardiology. 2017;44. DOI: 10.22489/CinC.2017.070-060