Модификация алгоритма распознавания QRS комплексов в реальном времени Пана-Томпкинсона

Основой программного обеспечения широкого круга диагностических и терапевтических систем поддержки деятельности Сердечнососудистой системы (ССС) человека является программный модуль регистрации и распознавания элементов электрокардиосигнала (ЭКС). От качества его работы в максимальной степени зависит качество диагностики состояния ССС и эффективность проводимой терапии. Современные аппаратно-программные комплексы регистрации ЭКС оперируют с длительностями регистрации порядка 24 и более часов, что соответствует 10⁵ и более количествам QRS. При таком большом количестве анализируемых элементов сигнала качество распознавания должно быть очень высоким, например, 0, 1 процента неверно распознанных QRS соответствует 100 комплексам, которые придется обрабатывать вручную. Существующие алгоритмы имеют качество распознавания даже ниже 0, 1 процента, поэтому весьма актуальной является задача распознавания QRS — комплексов с высоким уровнем чувствительности и специфичности.

Постановка задачи

Задача обнаружения QRS комплексов в ЭКС изучена достаточно хорошо, существует множество разработанных методов и способов, отличающихся различной погрешностью и временем обработки [1][2][3]. Из множества методов был выбран алгоритм Пана-Томпкинсона, как один из наиболее простых в реализации, быстрых по выполнению и дающих погрешность достаточно низкую, для проведения качественного анализа записей ЭКС [4][5][6].

Оригинальный алгоритм Пана-Томпкинсона при проверке на базе данных MIT-BIH дает погрешность в 0.675 процентов ложно обнаруженных и пропущенных комплексов[7]. Как сказано выше, это соответствует 600 — 800 комплексам в зависимости от ЧСС пациента при 24-часовом периоде наблюдения. Требуется улучшить чувствительность и специфичность алгоритма хотя бы до уровня 0, 2 процента. Для этого необходимо более внимательно отнестись к участкам ЭКС, искаженным артефактами движения и электромагнитными наводками.

Кроме того, состояние ССС не является стационарным процессом, а подвержено изменениям, поэтому базовая форма QRS — комплекса претерпевает определенные суточные изменения. Алгоритм должен это учитывать и адаптировать свои пороги и уставки в соответствии с этими изменениями. Для решения этой задачи необходимо выявить основные причины ложного распознавания и пропуска QRS — комплексов и разработать дополнения к алгоритму, реагирующие на эти причины.

Анализ ошибок и модификация алгоритма распознавания QRS

мобильный томпкинсон алгоритм эргонометрия В результате работы было выявлено несколько способов по повышению качества анализа оригинального алгоритма [8].

При использовании данного алгоритма на практике, при анализе записей ЭКГ на ПК, был выявлен ряд недостатков, а именно:

• 1) Большой объем требуемой оперативной памяти при частоте дискретизации 400 Гц и выше [9];
• 2) Сильное влияние артефактов на качество распознавания [10];

Наибольший вклад в ошибку, при распознавании комплексов с помощью оригинального алгоритма, вносили артефакты и сильные шумы[11]. Для снижения влияния артефактов и шумов на распознавание комплексов было принято решение о необходимости обнаружения артефактов до анализа, а их границы учитывать при анализе [12]. Алгоритм обнаружения артефактных участков следующий:

• 3) На неартефактном участке, границы которого должны быть заданы, к fe отсчетам применить БПФ, проанализировать спектральную мощность сигнала в частотах 5 — 11 Гц, принять это значение как нормальное;
• 4) Принять текущий отсчет равным 0;
• 5) Начиная с текущего отсчета, к fe отсчетам сигнала применить БПФ, подсчитать спектральную мощность сигнала в частотах 5 — 11 Гц, если спектральная мощность превышает нормальную более чем в 2.3 раза, то принять данный отрезок длинной в fi отсчетов как артефактный [13][14];
• 6) Нарастить текущий отсчет на fi;
• 7) Перейти к пункту 3.

Переменные fe и fi вычисляются экспериментально, fe должна быть наиболее близкой степенью двойки не меньше fi. Разница в 2.3 раза получена опытным путем.

После вычисления артефактных участков, необходимо произвести фильтрацию сигнала [15][16]. В оригинальном алгоритме использовался полосовой фильтр 5−11 Гц 2го порядка, разработанный для применения в режиме реального времени. Вместо этого, было принято решение использовать полосовой фильтр Чебышева 1го типа, 4го порядка [17][18].

Модифицированная версия алгоритма содержит следующие этапы:

• 1) Вычисление 32-х значений производной и квадрата функции [19]
• (1)
• 2) Вычисление первого значения интегрирующей функции

• (2)
• 3) Вычисление последующих значений интегрирующей функции
• (3)
• 4) Сдвиг функции производной и квадрата функции на 1 элемент
• (4)
• 5) Вычисление нового 32-го значения функции производной и квадрата функции по формуле 1
• 6) Если конец записи, то перейти к шагу 7, иначе, перейти к шагу 3
• 7) На неартефактном участке сигнала, длительностью от 8 до 16 секунд [20], вычислить максимальные и минимальные значения функции интегрирования, вычислить порог распознавания
• (5)

где min это минимальное значение функции на данном участке, max максимальное значение функции на данном участке.

• 8) Принять PEAKI, равный текущему отсчету Х
• 9) Если текущий отсчет Х > TRESHHOLD перейти к пункту 10, иначе, к пункту 20.
• 10) Проверить, не принадлежит ли данный отсчет к артефактному участку сигнала, в случае его принадлежности к артефактному участку пропустить N отсчетов и перейти к пункту 8, иначе, перейти к пункту 11. N — длительность данного артефактного участка [21]
• 11) Найти в точке сигнала, соответствующей текущему отсчету интегрирующей функции, локальный максимум, радиус поиска не должен превышать количество отсчетов, соответствующее 0.1 секунде реального времени.
• 12) Принять данный максимум как точку R пика QRS комплекса
• 13) Найти локальные минимумы слева и справа от точки R пика, радиус поиска принимать исходя из частоты дискретизации, должен соответствовать 0.03 — 0.05 секундам реального времени сигнала [22]
• 14) Принять данные локальные максимумы как Q и S пики QRS комплекса
• 15) Принять в качестве текущего RR интервала разницу между текущим и предыдущим R пиком
• 16) Принять в качестве среднего RR интервала среднее арифметическое от последних 8ми RR интервалов
• 17) Принять в качестве PEAKI точку интегрирующей функции, соответствующую точке R пика данного комплекса
• 18) Рассчитать новые значения SPKI по формуле 6 и TRESHHOLD по формуле 7
• (6)
• (7)

Пропустить Z отсчетов и перейти к пункту 8. Z вычисляется экспериментально, должна обеспечивать пропуск оставшейся части комплекса и Т пика

• 19) Рассчитать новые значения NPKI по формуле 8 и TRESHHOLD по формуле 7
• (8)
• 20) Если с момента последнего комплекса прошло время превышающее значение 2*RRMean, где RRMean это последнее значение среднеарифметической длительности RR интервала, то провести повторный анализ участка с точки i — RRMean до текущей точки i, с использованием порогового значения
• (9)
• 21) Если выполняется условие
• (10)

То вычислить новое значение как.

• (11)
• 22) Перейти к пункту 8

В формулах используются следующие переменные:

• · PEAKI — локальный максимум;
• · SPKI текущая оценка максимума сигнала;
• · NPKI текущая оценка максимума шума;
• · TRESHHOLD базовый порог распознавания ;
• · TRESHHOLD2 вторичный порог распознавания.

Проверка качества работы модифицированного алгоритма

Для испытания алгоритма были проанализированы записи из базы данных MIT/BIH. База данных содержит 48 получасовых записей по 2 канала каждый, те же самые, которые использовались при испытании оригинального алгоритма Пана-Томпкинсона. В таблице 1 приведены результаты анализа этих файлов[23, 24].

Таблица № 1. Результаты анализа файлов базы данных MIT/BIH.

Заключение

К оригинальному алгоритму добавилась функция анализа артефактных участков, изменился фильтр, были изменены коэффициенты. В результате испытаний на записях базы данных MIT/BIH была получена ошибка 0.09%, что в 7 раз меньше ошибки оригинального алгоритма, которая составляла 0.67%. Так же, по сравнению с оригинальным алгоритмом снизилось время анализа. Проверка проводилась на ПК, путем реализации оригинального и модифицированного алгоритмов на языке С++ и последующим запуском синтезированных программ для анализа одинаковых записей.

Оригинальный алгоритм обрабатывает запись длительностью 0.5 часа в течение 36 секунд в среднем за 48 записей. Запись длительностью 24 часа обрабатывается 14 минут. Время анализа одной записи модифицированным алгоритмом, длительностью 0.5 часа, происходит за 8 секунд, запись длительностью 24 часа обрабатывается за 7.5 минут, что в 2 раза меньше времени работы оригинального алгоритма.

Достоинства модифицированного алгоритма:

Сокращение требуемого количества времени для анализа записи ЭКГ, предварительный полуавтоматический анализ артефактных участков позволяет избежать их влияния на работу алгоритма, повышение точности анализа.

Недостатки модифицированного алгоритма:

Необходимость использования более сложной функции фильтрации и БПФ для анализа артефактов.

Результаты исследований, изложенные в данной статье, получены при финансовой поддержке Минобрнауки РФ в рамках реализации проекта «Создание высокотехнологичного производства по изготовлению мобильного многофункционального аппаратно-программного комплекса длительного кардиомониторирования и эргометрии» по постановлению правительства № 218 от 09.04.2010 г. Исследования проводились в ФГАОУ ВО ЮФУ.

• 1. Pan J., Tompkins W.J. A real time QRS detection algorithm. IEEE Trans. Biomed. Eng., Vol. BME-32, 1985. — pp. 230−236.
• 2. Шлее М. Qt 4.5 Профессиональное программирование на С++. Санкт-Петербург: БХВ-Петербург, 2010. — 883 с.
• 3. Барановский А. Л., Калиниченко А. Н., Манило Л. А. и др. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ: Учеб. пособие для вузов / Под ред. А. Л. Барановского и А. П. Немирко. — М.: Радио и связь, 1993. — 247 с.: ил.
• 4. Ладяев, Д. А. Алгоритм обнаружения QRS-комплексов ЭКГ-сигналов на основе вейвлетпреобразования: автореф. дисс. на соиск. учен. степ. канд. техн. наук. — Саранск, 2007. — 22 с.
• 5. Diery A., Rowlands D., James D.A., Cutmore T. Nonlinear processing techniques for P-wave detection and classification: a review of current methods and applications. URL: aprs.org.au/anziis2003/Papers/paper173.pdf. (handling date: 25.03.2015).
• 6. Кривоногов Л. Ю. Методы и алгоритмы помехоустойчивой обработки электрокардиографической информации: Дисс… канд. техн. наук. — Пенза, 2003. — 231 с.
• 7. Reza Sameni, Gari D. Clifford, Christian Jutten, Mohammad B. Shamsollahil Multichannel ECG and noise modeling: application to maternal and fetal ECG signals // EURASIP Journal on Applied Signal Processing. — Vol. 2007. — № 1. — pp. 94−110.
• 8. Нагин В. А. Распределенная компьютерная система сбора и математической обработки электрофизиологических сигналов: автореф. дис. канд. техн. наук. — М., 2002. — 27с.
• 9. Thakor N. V., Webster J. G., and Tompkins W. J. Design, implementation, and evaluation of a microcomputer-based portable arrhythmia monitor. — Med. Biol. Eng. Comput., vol. 22, pp. 151−159, 1984.
• 10. Valtino X. Afonso. ECG QRS Detection. URL: physik. uni-freiburg.de/~severin/ECG_QRS_Detection.pdf (handling date: 27.03.2015).
• 11. Савостин А. А. Преимущества методов оптимальной фильтрации при электрокардиологических исследованиях. URL: rusnauka.com/10_NPE_2010/Tecnic/62 994.doc.htm (дата обращения: 27.03.2015).
• 12. Natalia M. Arzeno. Analysis of First-Derivative Based QRS Detection Algorithms. URL: ncbi.nlm.nih.gov/pmc/articles/PMC2532677 (handling date: 01.04.2015).
• 13. Robbert J. de Winter. A New ECG Sign of Proximal LAD Occlusion. URL: nejm.org/doi/full/10.1056/NEJMc0804737 (handling date: 01.04.2015).
• 14. Michael P. Somers. The prominant T wave: Electrocardiographic differential diagnosis. URL: ajemjournal.com/article/S0735−6757(02)92193−5/abstract (handling date: 01.04.2015).
• 15. Истомина Т. В., Чувыкин Б. В., Щеголев В. Е. Применение wavelet-преобразования для задач обработки информации. — Пенза: Изд-во ПГУ, 2002. — 228c.
• 16. Diery A., Rowlands D., James D.A., Cutmore T. Nonlinear processing techniques for P-wave detection and classification: a review of current methods and applications. URL: aprs.org.au/anziis2003/Papers/paper173.pdf (handling date: 02.04.2015).
• 17. Torrence C., Combo G.P. A Practical Guide to Wavelet Analysis // Bulletin of the American Meteorological Society, 1998. — № 1. Vol. 79. pp. 61−78.
• 18. Дремин И. М., Иванов О. В. Вейвлеты и их применение // Успехи физических наук, 2001. — № 5. — c. 465−501.
• 19. Гусев В. Г. Получение информации о параметрах и характеристиках организма и физические методы воздействия на него: Учебное пособие. — М.: Машиностроение, 2004. -597 с.
• 20. Breme N., Oggero E., Pagnacco G. Power spectrum characteristics of physiologic and pathologic tremor // Acta of Bioengeneering and Biomechanics. — 1999. — Vol. 1, No. 1. — pp. 71−88.
• 21. Коваль В. Т., Окунь Б. В., Татаркина Н. Д., Коваль Е. В., Хорошун Р. М., Конорева Н. А. Техногенная этиология сердечно-сосудистых заболеваний // Здоровье. Медицинская экология. Наука. — 2002. — № 1−2. — c. 47.
• 22. Джанашия П. Х., Шевченко Е. М., Олившенко А. В. Неотложная кардиология. — М.: Изд-во БИНОМ, 2010. — 288 с.
• 23. Ковтун Д. Г., Синютин С. А. Анализ алгоритмов подстройки порога срабатывания для QRS комплексов // Инженерный вестник Дона, 2014, № 3 URL: ivdon.ru/ru/magazine/archive/n3y2014/2547.
• 24. Тарасова И. А., Леонова А. В., Синютин С. А. Алгоритмы фильтрации сигналов биоэлектрической природы // Инженерный вестник Дона, 2012, № 4 (часть 2) URL: ivdon.ru/ru/magazine/archive/n4p2y2012/1481.