Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 28 · № 2 · 2023 сер 5, 2023 Електронні системи та сигнали

Метод попередньої обробки ЕКГ сигналів для виявлення пізніх потенціалів передсердь та шлуночків

АМ
Антон Володимирович Мневець Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
НІ
Наталія Георгіївна Іванушкіна Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
Сторінки281741.1-281741.13 Опублікованосер 5, 2023
PDF
ТОМ 28 · № 2 · 2023 до 125-річчя КПІ ім. Ігоря Сікорського Переглянути випуск

Анотація

Дана стаття націлена на аналіз та вдосконалення методів попередньої обробки електрокардіосигналів для задачі виявлення низькоамплітудних регулярних компонент. В даному дослідженні було проаналізовано основні переваги та недоліки існуючих підходів до попередньої обробки ЕКГ сигналу для задачі виявлення пізніх потенціалів шлуночків та передсердь. На основі проведеного аналізу, з метою підвищення точності виявлення пізніх потенціалів різними алгоритмами, та покращення якості попередньої обробки ЕКГ сигналу для виявлення низькоамплітудних компонент, було запропоновано удосконалений метод усереднення кардіоциклів. Головною особливістю запропонованого методу є розбиття великої кількості кардіоциклів для усереднення на менші сукупності (епохи), та подальше застосування лінійного матричного розкладання для придушення нерегулярних включень. Також за необхідності у разі розбиття на епохи можна використовувати перекриття. Це дозволить зменшити розбіжності між епохами, та збільшити кількість кардіоциклів. Використання даного підходу дає можливість мінімізувати нерегулярні включення в ЕКГ сигнал та підвищити точність виділення низькоамплітудних пізніх потенціалів. Крім того, розбиття на епохи та перекриття дозволяє уникати розмиття низькоамплітудних високочастотних компонент під час усереднення в результаті варіабельності серцевого ритму, а також покращувати якість усередненого сигналу при використанні зменшеної кількості кардіоциклів. Для тестування запропонованого методу використовувались різні підходи для оцінки попередньої обробки ЕКГ сигналу. Переважно було проведено порівняння кардіоциклів, які були отримані в результаті роботи різних алгоритмів усереднення та запропонованоого методу, з еталоном. Для тестування методу усереднення, було розроблено штучний ЕКГ сигнал з наявним шумом, наявними пізніми потенціалами шлуночків та передсердь, варіабельністю серцевого ритму, а також з високоамплітудною компонентою, яка виникає у випадковому місці через кожні два серцеві скорочення. Еталонний кардіоцикл було отримано з вихідного штучного сигналу без наявних спотворень та шуму. По перше, було проведено візуальне порівняння та оцінка різних методів усереднення з еталоном. По друге, було розраховано метрики подібності пізніх потенціалів на усередненому кардіоциклі з пізніми потенціалами на еталонному сигналі. На основі даних метрик було побудовано криві залежностей значень метрик подібності від амплітуди пізніх потенціалів на ЕКГ сигналі. По третє, було проведено оцінку впливу запропонованого методу усереднення на результати класифікації реальних ЕКГ сигналів з наявними пізніми потенціалами за допомогою різних алгоритмів машинного навчання. Загальний результат тестування показав, що запропоний метод усереднення за результатами дослідження здатний відтворювати морфологію низькоамплітудних регулярних складових на 10-30% точніше, та покращувати точність класифікації на 5-12%.

Ключові слова

#пізні потенціали шлуночків #пізні потенціали передсердь #електрокардіографія #обробка біомедичних сигналів #алгоритми обробки сигналів #усунення шумів сигналу #машинне навчання

Посилання

  1. D. C. Bauer, “Association of Major and Minor ECG Abnormalities With Coronary Heart Disease Events”, JAMA, vol. 307, no. 14, p. 1497, Apr. 2012, DOI: https://doi.org/10.1001/jama.2012.434
  2. D. Saito et al., “Atrial late potentials are associated with atrial fibrillation recurrence after catheter ablation,” J. Arrhythmia, vol. 38, no. 6, pp. 991–996, Dec. 2022, DOI: https://doi.org/10.1002/joa3.12786
  3. S. Narayanaswamy, “High resolution electrocardiography,” Indian Pacing Electrophysiol. J., vol. 2, no. 2, pp. 50–56, Apr. 2002, PMID: 17006557
  4. P. Gomis and P. Caminal, “Evaluation of very low amplitude intra-QRS potentials during the initial minutes of acute transmural myocardial ischemia,” J. Electrocardiol., vol. 47, no. 4, pp. 512–519, Jul. 2014, DOI: https://doi.org/10.1016/j.jelectrocard.2014.04.014
  5. B. Dinov et al., “Signal-Averaged Electrocardiography as a Noninvasive Tool for Evaluating the Outcomes After Radiofrequency Catheter Ablation of Ventricular Tachycardia in Patients With Ischemic Heart Disease,” Circ. Arrhythmia Electrophysiol., vol. 9, no. 9, Sep. 2016, DOI: https://doi.org/10.1161/CIRCEP.115.003673
  6. R. Jaros, R. Martinek, and L. Danys, “Comparison of Different Electrocardiography with Vectorcardiography Transformations,” Sensors, vol. 19, no. 14, p. 3072, Jul. 2019, DOI: https://doi.org/10.3390/s19143072
  7. G. Speranza, P. Bonato, and R. Antolini, “Analyzing late ventricular potentials,” IEEE Eng. Med. Biol. Mag., vol. 15, no. 3, pp. 88–94, 1996, DOI: https://doi.org/10.1109/51.499765
  8. E. Bou Assi, L. Gagliano, S. Rihana, D. K. Nguyen, and M. Sawan, “Bispectrum Features and Multilayer Perceptron Classifier to Enhance Seizure Prediction,” Sci. Rep., vol. 8, no. 1, p. 15491, Oct. 2018, DOI: https://doi.org/10.1038/s41598-018-33969-9
  9. A. R. Pérez-Riera, R. Barbosa-Barros, R. Daminello-Raimundo, and L. C. de Abreu, “Main artifacts in electrocardiography,” Ann. Noninvasive Electrocardiol., vol. 23, no. 2, p. e12494, Mar. 2018, DOI: https://doi.org/10.1111/anec.12494
  10. Giorgio, Rizzi, and Guaragnella, “Efficient Detection of Ventricular Late Potentials on ECG Signals Based on Wavelet Denoising and SVM Classification,” Information, vol. 10, no. 11, p. 328, Oct. 2019, DOI: https://doi.org/10.3390/info10110328
  11. Fagan, X., Ivanko, K., Ivanushkina, N. (2021). Detection of Ventricular Late Potentials in Electrocardiograms Using Machine Learning. In: Hu, Z., Petoukhov, S., Dychka, I., He, M. (eds) Advances in Computer Science for Engineering and Education III. ICCSEEA 2020. Advances in Intelligent Systems and Computing, vol 1247. Springer, Cham. https://doi.org/10.1007/978-3-030-55506-1_44
  12. J. H. Caltenco, J. L. Lopez-Bonilla, B. E. Carvajal-Gámez, and P. Lam-Estrada, “Singular Value Decomposition,” Bull. Soc. Math. Serv. Stand., vol. 11, pp. 13–20, Sep. 2014, DOI: https://doi.org/10.18052/www.scipress.com/BSMaSS.11.13
  13. Y. Biton et al., “Causality analysis of leading singular value decomposition modes identifies rotor as the dominant driving normal mode in fibrillation,” Chaos An Interdiscip. J. Nonlinear Sci., vol. 28, no. 1, p. 13128, Jan. 2018, DOI: https://doi.org/10.1063/1.5021261
  14. R. J. Martis, U. R. Acharya, and L. C. Min, “ECG beat classification using PCA, LDA, ICA and Discrete Wavelet Transform,” Biomed. Signal Process. Control, vol. 8, no. 5, pp. 437–448, Sep. 2013, DOI: https://doi.org/10.1016/j.bspc.2013.01.005
  15. T. Kurita, “Principal Component Analysis (PCA),” in Computer Vision, Boston, MA: Springer US, 2014, pp. 636–639, DOI: http://doi.org/10.1007/978-0-387-31439-6_649
  16. J. Dien, D. J. Beal, and P. Berg, “Optimizing principal components analysis of event-related potentials: Matrix type, factor loading weighting, extraction, and rotations,” Clin. Neurophysiol., vol. 116, no. 8, pp. 1808–1825, Aug. 2005, DOI: https://doi.org/10.1016/j.clinph.2004.11.025
  17. S. YU and K. CHOU, “Integration of independent component analysis and neural networks for ECG beat classification,” Expert Syst. Appl., vol. 34, no. 4, pp. 2841–2846, May 2008, DOI: https://doi.org/10.1016/j.eswa.2007.05.006
  18. P. E. McSharry, G. D. Clifford, L. Tarassenko, and L. A. Smith, “A dynamical model for generating synthetic electrocardiogram signals,” IEEE Trans. Biomed. Eng., vol. 50, no. 3, pp. 289–294, Mar. 2003, DOI: https://doi.org/10.1109/TBME.2003.808805
  19. T. Szél and C. Antzelevitch, “Abnormal Repolarization as the Basis for Late Potentials and Fractionated Electrograms Recorded From Epicardium in Experimental Models of Brugada Syndrome,” J. Am. Coll. Cardiol., vol. 63, no. 19, pp. 2037–2045, May 2014, DOI: https://doi.org/10.1016/j.jacc.2014.01.067
  20. S. Kaplan et al., “Filtering respiratory motion artifact from resting state fMRI data in infant and toddler populations,” Neuroimage, vol. 247, p. 118838, Feb. 2022, DOI: https://doi.org/10.1016/j.neuroimage.2021.118838
  21. M. Butt, N. Razzaq, I. Sadiq, M. Salman, and T. Zaidi, “Power Line Interference removal from ECG signal using SSRLS algorithm,” in 2013 IEEE 9th International Colloquium on Signal Processing and its Applications, 2013, pp. 95–98, DOI: https://doi.org/10.1109/CSPA.2013.6530021
  22. A. E. Cetin, O. N. Gerek, and Y. Yardimci, “Equiripple FIR filter design by the FFT algorithm,” IEEE Signal Process. Mag., vol. 14, no. 2, pp. 60–64, Mar. 1997, DOI: https://doi.org/10.1109/79.581378
  23. V. Kalidas and L. Tamil, “Real-time QRS detector using Stationary Wavelet Transform for Automated ECG Analysis,” in 2017 IEEE 17th International Conference on Bioinformatics and Bioengineering (BIBE), 2017, pp. 457–461, DOI: https://doi.org/10.1109/BIBE.2017.00-12
  24. M. A. Z. Fariha, R. Ikeura, S. Hayakawa, and S. Tsutsumi, “Analysis of Pan-Tompkins Algorithm Performance with Noisy ECG Signals,” J. Phys. Conf. Ser., vol. 1532, no. 1, p. 12022, Jun. 2020, DOI: https://doi.org/10.1088/1742-6596/1532/1/012022
  25. C. Guaragnella, M. Rizzi, and A. Giorgio, “Marginal Component Analysis of ECG Signals for Beat-to-Beat Detection of Ventricular Late Potentials,” Electronics, vol. 8, no. 9, p. 1000, Sep. 2019, DOI: https://doi.org/10.3390/electronics8091000
  26. R. Bousseljot, D. Kreiseler, and A. Schnabel, “Nutzung der EKG-Signaldatenbank CARDIODAT der PTB uber das Internet [Usage of the ECG signal database CARDIODAT of PTB via the internet.],” Biomed. Tech. Eng., pp. 317–318, Jul. 2009, DOI: https://doi.org/10.1515/bmte.1995.40.s1.317
  27. G. Breithardt et al., “Standards for analysis of ventricular late potentials using high-resolution or signal-averaged electrocardiography. A statement by a Task Force Committee of the European Society of Cardiology, the American Heart Association, and the American College of Ca,” Circulation, vol. 83, no. 4, pp. 1481–1488, Apr. 1991, DOI: https://doi.org/10.1161/01.CIR.83.4.1481
  28. H. Takahashi, M. Takagi, T. Yoshio, M. Yoh, and I. Shiojima, “Analysis of site-specific late potentials using a novel Holter signal-averaged electrocardiography in patients with Brugada syndrome,” Hear. Rhythm, vol. 19, no. 10, pp. 1650–1658, Oct. 2022, DOI: https://doi.org/10.1016/j.hrthm.2022.05.005
  29. X. H. Cao, I. Stojkovic, and Z. Obradovic, “A robust data scaling algorithm to improve classification accuracies in biomedical data,” BMC Bioinformatics, vol. 17, no. 1, p. 359, Dec. 2016, DOI: https://doi.org/10.1186/s12859-016-1236-x
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої…

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел
с. 356487.1-356487.11
10.20535/2523-4455.mea.356487

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення
с. 361138.1-361138.6
10.20535/2523-4455.mea.361138

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 46

Ви також можете розпочати розширений пошук схожих статей для цієї статті.