Журналов:     Статей:        

Радиостроение. 2016; : 1-18

Автоматизированная система анализа и интерпретации электрокардиосигнала

Волосатова Т. М., Спасёнов А. Ю., Логунова А. О.

Аннотация

В статье рассматриваются алгоритмы выделения и классификации информативных признаков электрокардиосигнала. Исследован алгоритм Пана-Томпкинса, выполняющий предобработку и определение R -пика кардиосигнала. Задача достоверного определения информативных признаков ЭКГ, является наиболее актуальной в наше время. Решение данной проблемы позволит повысить точность автоматизированных систем анализа кардиосигналов. В качестве данных, подаваемых на вход классификатора, выступают параметры вариабельности сердечного ритма, найденные по Баевскому Р.М., а так же аппроксимирующие и детализирующие коэффициенты многоуровневого одномерного дискретного вейвлет -преобразования. Для классификации найденных информативных признаков используется метод опорных векторов (SVM). Представлена программная реализация вышеописанных алгоритмов, по результатам работы которой сделано заключение о ее работоспособности. DOI: 10.7463/rdopt.0116.0831932
Список литературы

1. Дубровин В.И., Твердохлеб Ю.В., Харченко В.В. Автоматизированная система анализа и интерпретации ЭКГ // Радиоэлектроника, информатика, управление. 2014. № 1. С. 150 - 157. DOI : 10.15588/1607-3274-2014-1-22

2. Волосатова Т.М., Чичварин Н.В. Исследования гемодинамики человека с применением спектральных методов // Сборник научных трудов по материалам II Международной научно-практической конференции «Современные тенденции развития науки и технологий». Часть 2. Белгород, 31 мая 2015. С . 57-63.

3. Afseen Naaz, Mrs Shikha Singh. Feature Extraction and Analysis of ECG signal for Cardiac Abnormalities - A Review // International Journal of Engineering Research & Technology. 2014, vol.3, no.11, pp . 23 - 30 .

4. Иванько Е.О., Иванушкина Н.Г., Синекоп Ю.С. Многоуровневый анализ электрокардиограмм для выявления поздних потенциалов предсердий // Электроника и Связь. Тематический выпуск "Электроника и нанотехнологии». 2009. №2. С. 160-164.

5. Meyer O., Bischi B., Weihs C. Data Analysis, Machine Learning and Knowledge Discovery. Ch . “ Support Vector Machines on Large Data Sets: Simple Parallel Approaches”. 2013, pp.87-95. DOI: 10.1007/978-3-319-01595-8_10

6. Калиниченко А.Н. Оценка точности вычисления спектральных показателей вариабельности сердечного ритма // Информационно-управляющие системы. 2007. № 6. С . 41 - 48.

7. Романова Т.Н., Плаксина М.В. Применение вейвлет-преобразования для анализа спектрограмм, полученных на Оже-спектрометре // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. № 4. С .1-10. DOI: 77-30560/355664

8. Карпенко А.П., Панков М.К. Статистическое моделирование быстродействия программ // Наука и образование. МГТУ им . Н . Э . Баумана . Электрон . журн . 2014. №1. С . 188-213. DOI: 10.7463/0114.0679688

9. Pan J., Tompkins W. A real - time QRS detection algorithm // IEEE Transactions on biomedical engineering. 1985, vol.BME-32, no.3, pp.230-236. DOI: 10.1109/TBME.1985.325532

10. MedUniver [Электронный ресурс] // URL :http://meduniver.com/Medical/Therapy/118.html (дата обращения 29.12.15).

11. Polikar R . The Wavelet Tutorial [Электронный ресурс] // URL :http://person.hst.aau.dk/enk/ST8/wavelet_tutotial.pdf (дата обращения 29.12.15).

Radio Engineering. 2016; : 1-18

Automated ECG Analysis and Interpretation System

Volosatova T. M., Spasenov A. Iu., Logunova A. O.

Abstract

Insufficient test validity is one of the problems in existing computer systems of electrocardio-signal diagnostics because an electro-cardio-signal is non-stationary and represents a mix of determined components and numerous noise types. A lack of reliable determination of informative ECG features is one of the most important problems for cardio-signal diagnostics systems. Solving this problem enables us to increase the accuracy of the computerized cardio-signal analysis systems. The paper reviews the available algorithms to select and classify the informative features of electro-cardio-signal. The Pan – Tompkins algorithm based on a sequence of filters and methods for preprocessing and locating the – cardio-signal peak has been investigated. As data, applied to the classifier input were used parameters of heart rate variability sensu Baevsky P.M., approximation and detail coefficients of discrete wavelet transform. The SVM (support vector machine) method was applied to classify the cardio-cycles according to found informative features. The electro-cardio-signals from MIT-BIH Arrhythmia Database and MITBIH Normal Sinus Rhythm Database of the PhysioNet - open Internet resource were used for research. The paper shows MATLAB program realization and its efficiency.
References

1. Dubrovin V.I., Tverdokhleb Yu.V., Kharchenko V.V. Avtomatizirovannaya sistema analiza i interpretatsii EKG // Radioelektronika, informatika, upravlenie. 2014. № 1. S. 150 - 157. DOI : 10.15588/1607-3274-2014-1-22

2. Volosatova T.M., Chichvarin N.V. Issledovaniya gemodinamiki cheloveka s primeneniem spektral'nykh metodov // Sbornik nauchnykh trudov po materialam II Mezhdunarodnoi nauchno-prakticheskoi konferentsii «Sovremennye tendentsii razvitiya nauki i tekhnologii». Chast' 2. Belgorod, 31 maya 2015. S . 57-63.

3. Afseen Naaz, Mrs Shikha Singh. Feature Extraction and Analysis of ECG signal for Cardiac Abnormalities - A Review // International Journal of Engineering Research & Technology. 2014, vol.3, no.11, pp . 23 - 30 .

4. Ivan'ko E.O., Ivanushkina N.G., Sinekop Yu.S. Mnogourovnevyi analiz elektrokardiogramm dlya vyyavleniya pozdnikh potentsialov predserdii // Elektronika i Svyaz'. Tematicheskii vypusk "Elektronika i nanotekhnologii». 2009. №2. S. 160-164.

5. Meyer O., Bischi B., Weihs C. Data Analysis, Machine Learning and Knowledge Discovery. Ch . “ Support Vector Machines on Large Data Sets: Simple Parallel Approaches”. 2013, pp.87-95. DOI: 10.1007/978-3-319-01595-8_10

6. Kalinichenko A.N. Otsenka tochnosti vychisleniya spektral'nykh pokazatelei variabel'nosti serdechnogo ritma // Informatsionno-upravlyayushchie sistemy. 2007. № 6. S . 41 - 48.

7. Romanova T.N., Plaksina M.V. Primenenie veivlet-preobrazovaniya dlya analiza spektrogramm, poluchennykh na Ozhe-spektrometre // Nauka i obrazovanie. MGTU im. N.E. Baumana. Elektron. zhurn. 2012. № 4. S .1-10. DOI: 77-30560/355664

8. Karpenko A.P., Pankov M.K. Statisticheskoe modelirovanie bystrodeistviya programm // Nauka i obrazovanie. MGTU im . N . E . Baumana . Elektron . zhurn . 2014. №1. S . 188-213. DOI: 10.7463/0114.0679688

9. Pan J., Tompkins W. A real - time QRS detection algorithm // IEEE Transactions on biomedical engineering. 1985, vol.BME-32, no.3, pp.230-236. DOI: 10.1109/TBME.1985.325532

10. MedUniver [Elektronnyi resurs] // URL :http://meduniver.com/Medical/Therapy/118.html (data obrashcheniya 29.12.15).

11. Polikar R . The Wavelet Tutorial [Elektronnyi resurs] // URL :http://person.hst.aau.dk/enk/ST8/wavelet_tutotial.pdf (data obrashcheniya 29.12.15).