Введение

Роль электрофизиологических сигналов в современной диагностике трудно переоценить. Однако имеющиеся в клинике аппаратные комплексы записи и анализа электрофизиологических сигналов обладают рядом погрешностей различного происхождения.

Метрологическая теория не поспевает за развитием современных медицинских информационно-измерительных систем, таких как компьютерные электрокардиографы и электроэнцефалографы, эхокардиографы, ангиографические комплексы, томокомпьютеры и др. Это приводит к тому, что контроль одного и того же физиологического процесса, проводимый различными общепризнанными приборами, дает различные значения контролируемых параметров.

Качество оценки состояния больного зависит от того, насколько эти погрешности будут скомпенсированы. Учитывая, что автоматические способы мониторинга состояния больного постоянно развиваются, очевидно, что точность записи и обработки биологического сигнала приобретает принципиальное значение.

Автоматическая диагностика    нарушений    ритма    сердечной    деятельности    является    традиционной    задачей    медицинской    кибернетики.   К   настоящему  времени  в  этой  области  накоплен    значительный  опыт,  который  свидетельствует,  в   частности,   о    несостоятельности на сегодняшний день попыток полной автоматизации    диагностики ритма сердца.  Решение задачи базируется в основном на    врачебном  опыте, с одной стороны, и на статистической обработке - с  другой.  Однако,  как  известно,  врачебный   опыт   далек   от необходимой формализации, точнее, формализации поддается некоторая часть устойчивых знаний,  разделяемых большинством специалистов, в то  время  как  другая  часть  врачебного  опыта  носит нечеткий и субъективный  характер,  который   часто   неотделим   от   самого специалиста.  Статистический  же  подход носит слишком абстрактный характер,  мало учитывая  специфику  задачи.  Поэтому  большинство существующих автоматизированных систем или не обладает достаточной степенью убедительности,  или является малоэффективными, охватывая лишь небольшой круг патологий.[2]

Постановка задачи

Анализ электрокардиограммы предполагает создание экспертной системы, которая на основании соотношений графических параметров ЭКГ давала бы определенные рекомендации к постановке диагноза.

Интерпретация ЭКГ содержит заключения по контуру и ритму с использованием элементарных заключений. Номенклатура заключений разработана с учетом существующих методических рекомендаций, состоит из словаря заключений (основных терминов), сформулированных согласно требованиям ВОЗ. Предусмотрена диагностика нарушений ритма сердца, блокад пучков Гиса и других нарушений проводимости, гипертрофии. Врачу предоставляется возможность проконтролировать и отредактировать заключение.

Принцип построения компьютерной системы. 

Программное обеспечение (ПО)

Программное обеспечение (ПО) проектируется таким образом, чтобы обеспечить высокую достоверность выявления и измерения параметров элементов ЭКГ (интервалов, сегментов, комплексов), на основании которых осуществляется постановку диагностического заключения. Условно работу ПО разделяют на следующие три этапа:

1.                  Сглаживание и фильтрация ЭКГ.

2.                  Обнаружение и измерение характерных элементов ЭКГ.

3.                  Постановка диагностических заключений.

Более подробно это выглядит таким образом. Экспертная система строится по принципу последовательности расшифровки ЭКГ и постановки диагноза:

I. Анализ сердечного ритма

1)оценка регулярности сердечных сокращений,

2) подсчет числа сердечных сокращении,

II. Определение поворотов сердца вокруг переднезадней продольной и поперечной осей

1) определение положения электрической оси сердца во фронтальной плоскости,

2) определение поворотов сердца вокруг продольной оси,

3) определение поворотов сердца вокруг поперечной оси

III Анализ предсердного зубца Р

IV Анализ желудочкового комплекса QRST

 1) анализ комплекса QRS,

2) анализ сегмента RS—Т,

3) анализ зубца Т,

4) анализ интервала Q—Т

 V. Электрокардиографическое заключение.

В заключении указывается:

1) регулярность ритма

2) ЧСС

3) положение электрической оси сердца

4) наличие ЭКГ синдромов

Исходные данные

Исходными данными являются таблицы, к которым приведены нормальные значения длительности интервалов сердечного цикла, в зависимости от ЧСС.

Рис.1. Компоненты ЭКГ и их нормальные величины.

Наиболее важным этапом обработки ЭКГ является распознавание важнейших ее элементов, заключающееся в обнаружении QRS-комплекса, выделении его характерных точек (вершин зубцов Q, R, S, границ комплекса и зубцов), определении некоторой опорной точки, относительно которой измеряются длительности RR-интервалов. Здесь можно выделить целую группу методов, основными из которых являются следующие: •
— методы, использующие анализ первой производной сигнала;
— структурные методы, основанные на предварительной сегментации сигнала, представляющие его в виде последовательности простейших элементов и последующем грамматическом разборе получаемой при этом цепочки символов;
— корреляционные методы, использующие анализ корреляционной функции между входной ЭКГ и несколькими образцами желудочкового комплекса. «
Последующие этапы автоматического анализа ЭКГ определяются конечной целью исследования и реализуются с использованием различных методов цифровой обработки сигнала.
При анализе ЭКГ первостепенный интерес для врача представляют временная эволюция и статистика распределения структурных параметров: временных интервалов (RR, PQ, QRS, ST) и амплитуд (Р, R, ST, Т). Поэтому важную группу составляют методы обработки ЭКГ, основанные на измерении параметров, используемых врачом при расшифровке ЭКГ. К ним относятся значения амплитуд и длительность зубцов ЭКГ, интервалы между ними. Алгоритмы классификации сердечных аритмий, строящиеся посредством формализации врачебной логики, используют огромное число параметров и отличаются высокой степенью сложности.
В этой группе важное место занимает оценка смещения ST-сег-мента относительно изолинии, позволяющая определить степень ишемии. Для улучшения измерений в области ST-сегмента используют усреднение сигнала.
Другой класс задач связан с непрерывной обработкой ЭКГ с целью обнаружения ранних аритмий и предотвращения более тяжелых состояний больного. Особенность используемых методов анализа ЭКГ определяется тем, что признаки нарушений ритма и проводимости сердца заключены как в изменении длительности RR-интервалов, так и в изменении формы желудочковых комплексов ЭКГ.
Первая группа методов предполагает анализ морфологических свойств QRS-комплекса при описании его в виде последовательности дискретных отсчетов или их производных. Алгоритмы распознавания аномальных форм желудочкового комплекса основаны, как правило, на сравнении каждого обнаруженного комплекса с некоторым эталоном, хранящимся в памяти ЭВМ. Они используют либо корреляционные методы анализа, либо программы, основанные на измерении расстояния между векторами отсчетов сравниваемых комплексов. Вычисленные коэффициенты взаимной корреляции либо расстояния сравниваются с некоторыми порогами, задающими меру отклонения анализируемого комплекса относительно эталона. В большинстве алгоритмов обнаружения аритмий используются логические решающие правила, объединяющие признаки изменения формы желудочкового комплекса и длительности соответствующих RR-интервалов.
Вторая группа методов строит описание формы желудочкового комплекса в виде признаков, которые вычисляются по характерным точкам кардиоцикла, получаемым на этапе распознавания основных элементов ЭКГ. Классификация комплексов осуществляется методами кластерного анализа с использованием различных мер близости между ними. Эти методы проще реализуются и в то же время обеспечивают достаточно высокое качество распознавания аритмий.
При решении задач контроля состояния организма под воздействием различных факторов почти всегда исследуют ритм сердечных сокращений, осуществляя математическую обработку RR-ин-тервалов. Чаще всего применяют структурный анализ ритмограййм, анализ гистограмм, а для выделения периодических составляющих ритмограммы — методы корреляционного и спектрального анализа. Использование всех этих методов преследует в основном одну цель: дать меру изменчивости ритма сердечных сокращений в различных состояниях организма, под которыми понимают состояние покоя, различные нагрузки (умственные и физические) или разные виды патологии.

На этапе вычислительного анализа создаются таблицы амплитудно-временных характеристик всех элементов ЭКГ с кодами конфигурации формы зубцов (PI, P2, Q, R, S, Rl, Sl, Tl, T2, Jv, ST, FP, FST, FT, PQ, QRS, QT). Кроме того, по 40-секундной записи определяются статистические характеристики RR-интервалов.
Оформление заключения осуществляется автоматически — в виде машинной интерпретации ЭКГ, как электрофизиологического синдромального заключения (для взрослого или детского возраста), представленного в привычной для врача форме. Интерпретация ЭКГ содержит заключения по контуру и ритму с использованием более 100 элементарных заключений. Номенклатура заключений разработана с учетом существующих методических рекомендаций, состоит из словаря заключений (основных терминов), сформулированных согласно требованиям ВОЗ, и включает 10 диагностических классов. Предусмотрена диагностика нарушений ритма сердца, инфарктов миокарда, (включая стадии и лока-' лизацию), блокад пучков Гиса и других нарушений проводимости (в том числе блокад AV-соединения), гипертрофии и т. д; Врачу предоставляется возможность проконтролировать и отредактировать заключение.
В системе предусмотрена работа с архивом, причем в архиве хранятся как автоматическая интерпретация, так и сформированное врачебное заключение. Система позволяет вывести на экран кривые, записанные ранее, и осуществить оценку динамики ЭКГ наложением кривых, записанных в разное время. Архивная запись одного наблюдения занимает на диске объем около 20 Кбайт.
К недостаткам системы может быть отнесены жесткая заданность проведения обследования и ограниченность методов вычислительного анализа ЭКГ.

Применяемые методы математического моделирования. Подходы к анализу сигналов со сложными частотно-временными характеристиками.

Традиционным подходом к исследованию числовых рядов является преобразование Фурье, в результате которого получается частотный спектр сигнала. Недостатком преобразования Фурье является то, что частотные компоненты не могут быть локализованы во времени, в связи с чем иногда невозможно получить исчерпывающей информации о сигнале. В таких случаях для анализа сигнала целесообразно применять вейвлет преобразование (ВП), которое позволяет получить частотно-временную развертку сигнала,  дающую существенно больше информации, чем  в случае Фурье-анализа.[3]

 Методы  обработки нестационарных сигналов

Вейвлет преобразование стремительно завоевывает популярность в столь разных областях, как телекоммуникации, компьютерная графика, биология, астрофизика  и медицина. Благодаря хорошей приспособленности к анализу нестационарных сигналов  оно стало мощной альтернативой преобразованию Фурье в ряде медицинских приложений. Так как многие медицинские сигналы нестационарны, методы вейвлет анализа используются для распознавания и обнаружения ключевых диагностических признаков.

          Однако, прежде чем ставить перед собой задачу отбора подходящих методов анализа сигнала, необходимо ответить на следующие вопросы:

·         Является ли сигнал стационарным ?

·         Какие характеристики сигнала исследуются ?

          В данной работе изучаются частотно-временные характеристики нестационарных сигналов, что и определяет особый подход к выбору метода.

Преобразование Фурье представляет сигнал, заданный во временной области, в виде разложения по ортогональным базисным функциям (синусам  и косинусам), выделяя таким образом частотные компоненты. Недостаток преобразования Фурье заключается в том, что частотные компоненты не могут быть локализованы во времени, что накладывает ограничения на применимость данного метода к ряду задач (например, в случае изучения динамики изменения частотных параметров сигнала на временном интервале).

Большинство медицинских сигналов имеет сложные частотно-временные характеристики. Как правило, такие сигналы состоят из близких по времени, короткоживущих высокочастотных компонент и долговременных, близких по частоте низкочастотных компонент.

Для анализа таких сигналов нужен метод, способный обеспечить хорошее разрешение и по частоте, и по времени. Первое требуется для локализации низкочастотных составляющих, второе – для разрешения компонент высокой частоты.

Существует два подхода к анализу нестационарных сигналов такого типа. Первый – локальное преобразование Фурье (short-time Fourier transform). Следуя по этому пути, мы работаем с нестационарным сигналом, как со стационарным, предварительно разбив его на сегменты (окна), статистика которых не меняется со временем. Второй подход – вейвлет преобразование. В этом случае нестационарный сигнал анализируется путем разложения по базисным функциям, полученным из некоторого прототипа путем сжатий, растяжений и сдвигов. Функция прототип называется материнским, или анализирующим вейвлетом.

Реализация алгоритма.

 Методы вычисления непрерывного вейвлет преобразования и их сравнение с точки зрения реализации

Существует два разных пути проведения вейвлет преобразования. Речь идет о расчетах во временной и частотной областях. При работе во временной области мы имеем дело с функциями, аргументами которых являются временные параметры, а в случае частотной – частотные. В частотной области используется механизм быстрого преобразования Фурье.        

Частотная область дает возможность использовать готовые программные продукты для вычисления быстрого преобразования Фурье. В случае отсутствия таковых частотный метод существенно усложняется. Алгоритм, реализованный в частотной области, работает быстрее. К достоинствам алгоритма во временной области можно отнести относительную простоту в реализации (программировании). При выполнении работы была выбрана временная область.

Реализация во временной области

 Прежде всего, нам необходимо определить материнский вейвлет. Допустим, мы выбрали некоторую функцию, удовлетворяющую необходимым условиям: ψ₀(η), где η – безразмерный период. В данной работе рассматривается случай непрерывного вейвлет преобразования для дискретного сигнала.

Итак, нам дана временная серия X, со значениями x_n, в моменты времени nÎ[0,N-1], где N – количество измерений. Каждая величина разделена по времени на постоянную величину dt. Получив основную формулу для материнского вейвлета, необходимо иметь возможность изменять размеры вейвлета. Для этого строится так называемый "масштабированный" вейвлет который будет иметь вид:

                                             (3)

 s – параметр, обратный частоте.

Вычисление вейвлет преобразования является сверткой искомой временной серии с функцией-вейвлетом.  Основная формула имеет вид :

                                            (4)

 в данном случае (*) – означает комплексно-сопряженное.

Результатом расчета W_n(s) по формуле (4)  будет комплексное число. В качестве конечного результата берется абсолютное значение полученного комплексного числа.[4,5]

Стандартный подход к ЭКГ

Стандартными считаются следующие условия: 1 мВ соответствует 10 мм, скорость бумажной ленты 25 мм/с (каждая клеточка = 0,04 с).

Число сердечных сокращений

Число сердечных сокращений (ЧСС),в уд./мин равно 300, деленным на число больших клеток (5 мм каждая) между соседними комплексами QRS. При высокой ЧСС делят 1500 на число малых клеток (по 1 мм) между двумя (Ж^-комплексами.

Ритм

Синусовый ритм определяют, когда каждый комплекс QRS следует за зубцом Р, интервал PR > 0,12 с, комплексу QRS предшествует зубец Р и последний положителен в I, II и III отведениях.

Электрическая ось сердца

Ось считают нормальной, если комплекс QRS положителен (выше изолинии) в I и II стандартных отведениях. Находят отведение, в котором QRS наиболее изо-электричен (R=S). Средняя ось является перпендикуляром к этому отведению . Если комплекс QRSположителен, средняя ось совпадает с его направлением; если отрицателен, средняя ось указывает противоположное отведению направление.

В нашем случае рассматриваются варианты нарушения параметров ЭКГ при наличии гипертрофии различных отделов сердца. Характерные патологические признаки гипертрофии приведены ниже.

Электрическая ось сердца

Отклонение оси вправо (>90°) имеет место при гипертрофии правого желудочка (R>S' в V, и левом заднем полублоке (qR в отведениях II, III и aVF). Незначительное отклонение оси вправо наблюдается у здоровых людей с тонкой грудной стенкой (до 110°).

Гипертрофия

• Правого предсердия: зубец Р> 2,5 мм во II отведении.

• Левого предсердия: Р двухфазный (±) в V, с окончательной отрицательной фазой > 0,04 с.

• Правого желудочка: R>S в Vj и R в V,>5 мм, глубокий 5 в V₆; отклонение оси вправо.

• Левого желудочка: S в V₁ плюс R в V₅ или V₆ > 35 мм, или R в aVL > 11 мм.

• Депрессия ST-Т: влияние дигиталиса, наследственная особенность (вследствие гипертрофии желудочка), ишемия или нетрансмуральный ИМ. [5]

На ЭКГ регистрируются признаки гипертрофии пораженных отделов сердца. Часто регистрируются патологический зубец Q, снижение сегмента ST и инверсия зубца Т.

ЭКГ- признаки при гипертрофии левого желудочка

80% Увеличение зубца RI > 15 мм.

80% Увеличение зубца RavL > 13 мм.

80% Увеличение зубца Rv5 > 26 мм.

80% Соотношение зубцов Rv6 > Rv5 > Rv4.

80% Отклонение электрической оси сердца влево.

ЭКГ признаки гипертрофии левого предсердия

80% Уширение зубцов РI, II, avL, v5-6.

80% Двугорбые зубцы РI, II, avL, v5-6.

80% Отклонение электрической оси зубца Р влево.

80% Зубец Pv1 двухфазный с преобладанием амплитуды и продолжительности отрицательной фазы над положительной.

80% Высокая амплитуда зубцов РI, II, avL, v5-6.

Изменения ЭКГ показателей при гипертрофии отделов сердца

80% Увеличение амплитуды зубцов ЭКГ, отражающих деполяризацию миокарда отделов сердца?

80% Изменения положения электрической оси и позиции сердца.

80% Вторичное замедление процесса деполяризации миокарда гипертрофированного отдела сердца.

80% Удлинение времени внутреннего отклонения.

80% Изменения процесса реполяризации.

Прямые признаки гипертрофии миокарда желудочков

100% Увеличение амплитуды зубцов R и S.

В v5 грудном отведении удлинение времени внутреннего отклонения до 0,06 с. может регистрироваться при гипертрофии левого желудочка.

В v1,2 грудных отведениях удлинение времени внутреннего отклонения до 0,06 с. может отмечаться при гипертрофии правого желудочка.

при ЭКГ диагностике гипертрофии правого желудочка

80% Зубцы Rv1 > или равны 7 мм.

80% Зубцы Rv5,6 > или равны 7 мм.

80% Поворот сердца вокруг продольной оси по часовой стрелке.

Диагностические признаки гипертрофической кардиомиопатии.

Электрокардиографическими признаками гипертрофии левого желудочка являются:

1.    Увеличение амплитуды зубца R в левых грудных отведениях (V₅, V₆) и амплитуды зубца S — в правых грудных отведениях (V₁, V₂). При этом RV₄ Ј RV₅ или RV₄ < RV₆; RV_5,6 > 25 мм или RV_{5, 6} + SV_{1, 2} >= 35 мм (на ЭКГ лиц старше 40 лет) и >= 45 мм (на ЭКГ молодых лиц) или RaVL + SV3 > 28 мм у мужчин и > 20 мм у женщин.
2.    Признаки поворота сердца вокруг продольной оси против часовой стрелки: а) смещение переходной зоны вправо — в отведение V₂; б) углубление зубца QV_{5, 6}; в) исчезновение или резкое уменьшение амплитуды зубцов S в левых грудных отведениях (V₅, V₆).
3.    Смещение электрической оси сердца влево. При этом R_I >= 15 мм, R_aVL >= 11 мм или R_I + R_III >= 25 мм.
4.    Смещение сегмента R–ST в отведениях V₅, V₆, I, aVL ниже изоэлектрической линии и формирование отрицательного или двухфазного (–+) зубца Т в отведениях I, aVL, V₅ и V₆.
5.    Увеличение длительности интервала внутреннего отклонения QRS в левых грудных отведениях (V₅, V₆) более 0,05 с.

Из приведенных количественных электрокардиографических признаков гипертрофии ЛЖ наиболее популярными являются два признака:

1. Индекс Соколова–Лайона: RV_{5, 6} + SV_1,2 >= 35 мм (у пациентов старше 40 лет) и >= 45 мм (у пациентов моложе 40 лет).

Специфичность индекса Соколова–Лайона достигает 100%, хотя чувствительность не превышает 22%.

2. Корнельский вольтажный индекс: RaVL + SV3 > 28 мм у мужчин и RaVL + SV3 > 20 мм у женщин.

Чувствительность этого индекса несколько выше (42%), чем индекса Соколова–Лайона, а специфичность составляет 96%.

На рис. 7.22 приведена электрокардиограмма больного ГБ с признаками гипертрофии ЛЖ.

Признаки коронарной недостаточности у больных ГБ лучше всего выявляются с помощью функциональных нагрузочных проб (при отсутствии противопоказаний) и суточного мониторирования ЭКГ по Холтеру (см. выше). Для выявления рубцовых изменений миокарда, а также нарушений ритма и проводимости показано стандартное ЭКГ-исследование в покое и холтеровское мониторирование ЭКГ. [1,4]

 Рис. 2. ЭКГ при гипертрофии левого желудочка.

Обобщение результатов научного поиска и анализа

Результаты выявления элементов ЭКГ и измерения их параметров используются для интерпретации с цель постановки правильного диагноза. В настоящее время известны две основные категории алгоритмов, применяемых в различных системах автоматической диагностики. К первой категории относятся алгоритмы, моделирующие логику врача-диагноста. Естественно, в них используются признаки заболеваний, диагностическая значимость которых установлена всем предшествующим опытом медицины. Применительно к задачам электрокардиографии это связано, в частности, с обязательным использованием параметром медицинского описания электрокардиограммы. Алгоритмы второй категории, как правило, основаны на методах многомерного статистического анализа и теории вероятностей. При этом отказываются не только от медицинской логики, но и от принятых в медицине обозначений элементов электрокардиограммы и способов измерения.

Обе названные категории алгоритмов имеют свои достоинства и недостатки. Безусловное достоинство медицинских алгоритмов - в возможности их быстрой реализации. Это определяется тем, что они концентрируют опыт диагностики, накопленный в медицине, и не требуют предварительных обучающих выборок. Предел диагностических возможностей таких алгоритмов ограничивается современным уровнем развития медицины, а качество конкретных алгоритмов - компетентностью лиц, их составляющих. Главным недостатком медицинских алгоритмов является то, что они ограничиваются лишь формализацией диагностической логики врача. Основное преимущество компьютера перед человеком, неизмеримо большие вычислительные возможности, используется при этом лишь в самой малой мере. Поэтому при применении медицинских алгоритмов остается неиспользованной важная информация, например, о взаимных фазовых соотношениях электрокардиографических отведений, которую человек из электрокардиограммы извлечь не может.

Достоинством немедицинских диагностических алгоритмов является то, что они могут использовать любые параметры описания электрокардиограммы. Благодаря этому им оказываются доступны резервы информации, которые в клинической практике остаются неиспользованными. Недостатком этих алгоритмов является неудобность их обучения. Это представляет существенные трудности, так как связано с подбором хорошо исследованных больных с заболеваниями, различать которые должен научиться автомат. Тем не менее, алгоритмы второй категории считаются более перспективными, так доступная им новая информация даст возможность сделать диагностику более эффективной.