Система определения диагностических параметров сигнала ЭКГ в программной среде LabVIEW

Н.Т. Абдуллаев; А.Ш. Хидиров; Ш.И. Самедова; Х.З. Самедова

doi:10.18127/j15604136-202401-07

Система определения диагностических параметров сигнала ЭКГ в программной среде LabVIEW

Н.Т. Абдуллаев¹, А.Ш. Хидиров², Ш.И. Самедова³, Х.З. Самедова⁴

научная статья УДК 004.616-07 Страницы: 54-63 doi.org/10.18127/j15604136-202401-07

^1,4 Азербайджанский технический университет (г. Баку, Азербайджанская республика)
^2,3 Азербайджанский государственный университет нефти и промышленности

Ключевые слова: Электрокардиографический сигнал аритмия вариабельность сердечного ритма фазовый портрет сигнала ЭКГ желудочковая экстрасистолия

Аннотация

Постановка проблемы. Определение границ комплексов QRS в сигналах электрокардиограммы (ЭКГ) имеет принципиальное значение в диагностике аритмий и в распознавании сигналов при клинических проявлениях в целом. Описание ЭКГ в координатах фазового пространства является одним из современных методов анализа данных ЭКГ. Эффективность этого метода заключается в том, что он дает дополнительную информацию, содержащуюся в скоростных характеристиках проводящей системы сердца. При различных поражениях сердца изменяется как последовательность пути, так и скорость распространения волны деполяризации и реполяризации, визуализация которых в фазовом пространстве позволяет обнаружить отклонения, скрытые при анализе в амплитудно-временно́м пространстве. Разработка и программная реализация алгоритмов обработки и анализа сигналов ЭКГ для диагностики аритмий на основе современных компьютерных технологий и инновационных методов является одной из актуальных задач.

Цель. Разработать системы определения информативных параметров сигнала ЭКГ в фазовом пространстве и пространстве реального времени для диагностики желудочковой экстрасистолии и параметров вариабельности сердечного ритма.

Результаты. В программной среде Labview разработана виртуальная система для обработки и анализа сигналов ЭКГ с целью определения информативных параметров, выявления и распознавания желудочковой экстрасистолии. В системе предусмотрены возможности обработки сигналов ЭКГ как классическими методами, так и в фазовом пространстве. Предложен алгоритм распознавания желудочковой экстрасистолии. Проведены тестирование алгоритма, анализ фазовых портретов и вариабельности сердечного ритма с использованием файлов ЭКГ, взятых из международных баз данных.

Практическая значимость. Разработанная система позволяет в комплексном виде анализировать сигнал ЭКГ, оценивать информативные параметры, распознавать желудочковые экстрасистолии, и на основе фазового портрета определять дополнительные диагностические признаки для повышения достоверности диагностики ЭКГ.

Поступила: 28.11.2023
Одобрена: 12.12.2023
Принята: 15.01.2024

Для цитирования

Абдуллаев Н.Т., Хидиров А.Ш., Самедова Ш.И., Самедова Х.З. Система определения диагностических параметров сигнала ЭКГ в программной среде LabVIEW // Биомедицинская радиоэлектроника. 2024. T. 27. № 1. С. 54-63. DOI: https://doi.org/10.18127/ j15604136-202401-07

Список источников

Миронов Н.Ю., Голицын С.П. Новые клинические рекомендации Американской ассоциации сердца / Американской коллегии кардиологов / Общества специалистов по нарушениям ритма сердца (AHA / ACC / HRS) по лечению больных с желудочковыми аритмиями и предотвращению внезапной сердечной смерти от 2017 г. // Кардиология. 2018. № 58(11). С. 94–100.
Файнзильберг Л.С. Компьютерная диагностика по фазовому портрету электрокардиограммы. Киев: «Освита Украины». 2013. 192 с.
Минина Е.Н., Файнзильберг Л.С. Фазовый портрет одноканальной ЭКГ в оценке функциональных резервов сердечно‐сосудистой системы // Вестник новых медицинских технологий. 2014. Т. 21. № 3. С. 22–27.
Полосин В.Г. Построение фазовых траекторий в пространстве энтропийно-параметрического потенциала для исследования динамических характеристик сердца // Измерение. Мониторинг. Управление. Контроль. 2017. № 3 (21). С. 124–132.
http://ecg.mit.edu/george/publications/mitdb-embs-2001.pdf.
https://physionet.org/content/edb/1.0.0/
Clifford G.D. Signal processing methods for heart rate variability analysis. PhD Thesis michaelmas Term. 2002. 244 p.
Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход. М.: Физматлит. 2007. 440 с.
Luz E.J.S. et. al. ECG-based heartbeat classification for arrhythmia detection: A survey // Computer methods and programs in biomedicine. 2016. V. 127. Р. 144–164.
Khalaydzhi A.K., Muchnik I.B. Methods for classifying cardiac arrhythmias based on coding sequences of RR-intervals of the ECG signal // Proceedings of NSTU R.E. Alekseeva. 2021. № 1 (132). P. 38–53.
Kadambe S., Murray R., Boudreaux-Bartels G.F. Wavelet transform-based QRS complex detector // IEEE Trans. Biomed. Eng. 1999. V. 46. P. 838–848.
Li C., Zheng C., Tai C. Detection of ECG characteristic points using wavelet transforms // IEEE Trans. Biomed. Eng. 1995. V. 42. P. 21–28.
Xiang et al. Automatic QRS complex detection using two‑level convolutional neural network // BioMed EngOnLine https://biomedical-engineering-online.biomedcentral.com/track/pdf/10.1186/s12938-018-0441-4.pdf
Hu Y.H., Tompkins W.J., UrrustiJ.L., Afonso V.X. Applications of artificial neuralnetworks for ECG signal detection and classification // J. Electrocardiology. 1993. V. 26 (Suppl.). P. 66–73.
Татаринцев П.Б., Молчанова Ж.И., Радыш И.В., Рагозин О.Н., Кокорина Н.В., Эволюция математических методов анализа вариабельности сердечного ритма: достижения и перспективы //Технологии живых систем. 2019. № 2, с.40-50.
Северин А.Е., Торшин В.И., Мансур Н., Берсенева И.А. Показатели вариабельности сердечного ритма у лиц из разных климатогеографических регионов при локальном охлаждении // Технологии живых систем, 2015 №1, с.69-71.
Köhler B.-U., Hennig C., Orglmeister R. QRS detection using zero crossing counts // Applied genomics and proteomics. 2003. V. 2. № 2. P. 138–145.
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 (28). С. 122–130.
Чупов А.А., Жданов А.Е., Князев С.Р., Рахматуллов Ф.Т., Рахматуллов Ф.К., Долганов А.Ю. Обработка сигналов ЭКГ с помощью вейвлет-анализа:диагностические возможности // UralRadio Engineering Journal. 2021. №5(4). С. 337–352.
Леонова А.В., Агейченко А.А. Модификация алгоритма распознавания QRS комплексов в реальном времени Пана-Томпкинсона // Инженерный вестник Дона. 2015. № 2. Ч. 2. http://ivdon.ru/ru/magazine/archive/n2p2y2015/3058
Хохлов И.О., Калиниченко А.Н. Алгоритм предсказания параметров кардиокомплексов ЭКГ для помехоустойчивого обнаружения R-зубца // Известия СПбГЭТУ «ЛЭТИ». 2017. № 1. С. 72–77.
Петров С.П., Епишина Е.В., Воронин В.В. Оценка алгоритмов распознавания образов для задач автоматического анализа электрокардиограмм // Евразийский Союз Ученых (ЕСУ) Технические науки. 2014. Т. VIII. С. 27–29.

[1] Миронов Н.Ю., Голицын С.П. Новые клинические рекомендации Американской ассоциации сердца / Американской коллегии кардиологов / Общества специалистов по нарушениям ритма сердца (AHA / ACC / HRS) по лечению больных с желудочковыми аритмиями и предотвращению внезапной сердечной смерти от 2017 г. // Кардиология. 2018. № 58(11). С. 94–100.

[2] Файнзильберг Л.С. Компьютерная диагностика по фазовому портрету электрокардиограммы. Киев: «Освита Украины». 2013. 192 с.

[3] Минина Е.Н., Файнзильберг Л.С. Фазовый портрет одноканальной ЭКГ в оценке функциональных резервов сердечно‐сосудистой системы // Вестник новых медицинских технологий. 2014. Т. 21. № 3. С. 22–27.

[4] Полосин В.Г. Построение фазовых траекторий в пространстве энтропийно-параметрического потенциала для исследования динамических характеристик сердца // Измерение. Мониторинг. Управление. Контроль. 2017. № 3 (21). С. 124–132.

[5] http://ecg.mit.edu/george/publications/mitdb-embs-2001.pdf.

[6] https://physionet.org/content/edb/1.0.0/

[7] Clifford G.D. Signal processing methods for heart rate variability analysis. PhD Thesis michaelmas Term. 2002. 244 p.

[8] Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход. М.: Физматлит. 2007. 440 с.

[9] Luz E.J.S. et. al. ECG-based heartbeat classification for arrhythmia detection: A survey // Computer methods and programs in biomedicine. 2016. V. 127. Р. 144–164.

[10] Khalaydzhi A.K., Muchnik I.B. Methods for classifying cardiac arrhythmias based on coding sequences of RR-intervals of the ECG signal // Proceedings of NSTU R.E. Alekseeva. 2021. № 1 (132). P. 38–53.

[11] Kadambe S., Murray R., Boudreaux-Bartels G.F. Wavelet transform-based QRS complex detector // IEEE Trans. Biomed. Eng. 1999. V. 46. P. 838–848.

[12] Li C., Zheng C., Tai C. Detection of ECG characteristic points using wavelet transforms // IEEE Trans. Biomed. Eng. 1995. V. 42. P. 21–28.

[13] Xiang et al. Automatic QRS complex detection using two‑level convolutional neural network // BioMed EngOnLine https://biomedical-engineering-online.biomedcentral.com/track/pdf/10.1186/s12938-018-0441-4.pdf

[14] Hu Y.H., Tompkins W.J., UrrustiJ.L., Afonso V.X. Applications of artificial neuralnetworks for ECG signal detection and classification // J. Electrocardiology. 1993. V. 26 (Suppl.). P. 66–73.

[15] Татаринцев П.Б., Молчанова Ж.И., Радыш И.В., Рагозин О.Н., Кокорина Н.В., Эволюция математических методов анализа вариабельности сердечного ритма: достижения и перспективы //Технологии живых систем. 2019. № 2, с.40-50.

[16] Северин А.Е., Торшин В.И., Мансур Н., Берсенева И.А. Показатели вариабельности сердечного ритма у лиц из разных климатогеографических регионов при локальном охлаждении // Технологии живых систем, 2015 №1, с.69-71.

[17] Köhler B.-U., Hennig C., Orglmeister R. QRS detection using zero crossing counts // Applied genomics and proteomics. 2003. V. 2. № 2. P. 138–145.

[18] 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 (28). С. 122–130.

[19] Чупов А.А., Жданов А.Е., Князев С.Р., Рахматуллов Ф.Т., Рахматуллов Ф.К., Долганов А.Ю. Обработка сигналов ЭКГ с помощью вейвлет-анализа:диагностические возможности // UralRadio Engineering Journal. 2021. №5(4). С. 337–352.

[20] Леонова А.В., Агейченко А.А. Модификация алгоритма распознавания QRS комплексов в реальном времени Пана-Томпкинсона // Инженерный вестник Дона. 2015. № 2. Ч. 2. http://ivdon.ru/ru/magazine/archive/n2p2y2015/3058

[21] Хохлов И.О., Калиниченко А.Н. Алгоритм предсказания параметров кардиокомплексов ЭКГ для помехоустойчивого обнаружения R-зубца // Известия СПбГЭТУ «ЛЭТИ». 2017. № 1. С. 72–77.

[22] Петров С.П., Епишина Е.В., Воронин В.В. Оценка алгоритмов распознавания образов для задач автоматического анализа электрокардиограмм // Евразийский Союз Ученых (ЕСУ) Технические науки. 2014. Т. VIII. С. 27–29.

Аннотация

Для цитирования

Похожие статьи