Компьютерные методы автоматического анализа экг в системах кардиологического наблюдения
|
|
Скачать 0.55 Mb.
|
|
Четвертая глава I+ ii+iii Шестая глава Основные результаты работы Список опубликованных работ по теме диссертации |
1 2
|
Третья глава посвящена исследованию алгоритмов обнаружения QRS-комплекса ЭКГ. Рассмотрены и исследованы шесть различных вариантов цифровых дифференциаторов (как описанных в литературе, так и предложенных автором), служащих для выделения QRS-комплекса непосредственно на входе процедуры его обнаружения. При этом в качестве критериев оценки эффективности предложено использовать показатели, характеризующие как степень относительного ослабления зубцов Р и Т, так и эффективность выделения желудочковых комплексов на фоне широкополосных шумов. По результатам проведённых исследований предложено использовать сглаживающий дифференциатор, определяемый уравнением:  ,где  – соответственно отсчёты входного и выходного сигналов.Рассмотрен вариант простейшего порогового алгоритма обнаружения QRS-комплекса, на вход которого может быть подан взятый по модулю сигнал с выхода предложенного выделителя желудочкового комплекса. Показано, что при отсутствии существенных помех, а также низкоамплитудных QRS-комплексов, такой алгоритм способен эффективно обнаруживать желудочковые комплексы на фоне других компонентов ЭКГ. В то же время, для практического использования в системах кардиологического контроля необходимо применение более сложных алгоритмов, обладающих способностью к адаптации и учёту контекста электрокардиосигнала. С целью разработки практического алгоритма обнаружения QRS-комплекса, на основе статистического анализа реальных записей ЭКГ были определены соотношения, характеризующие зависимости длительностей некоторых интервалов кардиоцикла от величины RR-интервала  : ; ; .Здесь  – интервал от вершины R-зубца до вершины Т-зубца,  – соответственно нижняя и верхняя границы возможного разброса параметра ,  – интервал от вершины Р-зубца до вершины R-зубца.Ниже приводится краткое описание предложенного алгоритма обнаружения желудочкового комплекса. Предполагается, что к моменту начала поиска очередного желудочкового комплекса известны:
На первом этапе работы алгоритма вычисляются величины параметров, зависящих от текущих значений  и  , т. е. интервалы времени  , интервал  , а также  – тангенс угла наклона порога обнаружения  на его спадающем участке. Здесь  – эмпирически определенные постоянные коэффициенты алгоритма. Промежуток времени от исходной точки до момента  пропускается, так как предполагается, что на этом участке не может встретиться очередной комплекс. Начиная с отсчета, соответствующего моменту времени выставляется линейно спадающий порог , начальное значение которого равняется  . Наклон этого порога характеризуется параметром  и определяется точкой  , в которой его значение становится равным величине  (где  ). Спад порога продолжается до момента времени  , после чего порог остается неизменным до обнаружения следующего желудочкового комплекса и равняется  (где  ).Если, начиная с момента , абсолютное значение  некоторого отсчета  превысит текущее значение порога  , то предполагается наличие на соответствующем участке сигнала очередного желудочкового комплекса. Сигнал просматривается на 0,15 с вперед, и если зафиксированное значение текущего максимума не превышено, то комплекс считается предварительно обнаруженным. Если ранее, чем через 0,15 с от момента времени, соответствующего текущему максимуму, будет найден отсчет, значение которого больше или равно , то фиксируется новое значение переменной и процедура просмотра вперед повторяется до тех пор, пока не будет найден абсолютный максимум, превышающий текущее значение порога на интервале ±0,15 с.Далее, если значение зафиксированного максимума , ниже величины  (где  ), то предполагается, что этот максимум может принадлежать P-зубцу. На интервале от  до  выставляется новый порог, равный  (где  ). Если этот порог не превышен в пределах указанного интервала времени, то очередной комплекс считается обнаруженным, а точка, где зафиксировано значение последнего текущего максимума (отсчет с индексом  ) принимается за предварительную опорную точку найденного желудочкового комплекса. В противном случае, ранее найденный максимум считается принадлежащим P-зубцу и анализ сигнала продолжается уже для нового текущего максимума.После того как обнаружен желудочковый комплекс, выполняется определение его опорной точки  . Оценка RR-интервала, предшествующего  -му найденному комплексу, вычисляется, как промежуток времени между опорными точками двух последних комплексов: .Текущие средние значения и обновляются с учетом величин  и  , соответствующих вновь обнаруженному (-му) комплексу. За исходный момент времени принимается отсчет с индексом  и происходит возврат к процедуре поиска очередного желудочкового комплекса.В алгоритме, предложенном в предыдущем разделе, используются четыре постоянных коэффициента (  ), которые выбраны с учётом статистических оценок соответствующих характеристик электрокардиосигнала.Для уточнения опорной точки, определённой описанным выше алгоритмом, предложена процедура, основанная на вычислении площади под кривой сигнала на участке QRS-комплекса, обладающая более высокой устойчивостью к изменениям сигнала и помехам. Предложенный алгоритм обнаружения QRS-комплекса был положен в основу алгоритма, использующего два или три отведения ЭКГ. В качестве входного сигнала для этого алгоритма используется суммарный сигнал, получаемый соответственно из двух или трёх отведений ЭКГ, прошедших описанные выше процедуры предобработки и выделения QRS-комплекса. Логика работы алгоритма остаётся той же, но отличаются значения некоторых из используемых параметров. Кроме того, в алгоритм добавлена возможность его автоматической перестройки при внезапном изменении числа входных каналов, что отражает часто встречающуюся в ходе длительного наблюдения ЭКГ ситуацию, когда по каким-либо причинам сигнал на отдельных каналах может временно пропадать и потом восстанавливаться. Тестирование разработанных алгоритмов осуществлялось с использованием контрольного набора данных. При этом оценка качества выполнялась с использованием критериев, предложенных для тестирования детекторов QRS-комплексов с использованием стандартной базы данных аритмий MIT-BIH:  ,  .Показатель  носит название чувствительности и определяется как процент числа правильно обнаруженных комплексов  по отношению к сумме этой величины и числа пропущенных алгоритмом комплексов  . Показатель  называют положительной предсказательностью и определяют как процент по отношению к сумме и числа ошибочно обнаруженных комплексов  .Для сравнительной оценки качества разработанного алгоритма (алгоритма А) он сопоставлялся с разработанным ранее аналогичным по назначению алгоритмом (алгоритмом Б), который использовался в первоначальных версиях программного обеспечение мониторной системы «РИТМОН» и комплекса для функциональных исследований «Кардиометр-МТ» (см. главу 6). В таблице 1 приведены результаты оценки качества работы всех вариантов алгоритмов. Таблица 1. Оценки качества алгоритмов обнаружения QRS-комплексов, полученные на контрольном наборе записей ЭКГ.
Как видно из таблицы, наиболее существенное улучшение качества работы алгоритма достигается за счёт использования двух отведений вместо одного. Обработка сигнала одновременно по трём отведением даёт относительно небольшой прирост качества по сравнению с вариантом двух отведений. При отношении сигнал/шум ниже 15:1 качество всех алгоритмов резко ухудшается, хотя алгоритмы, использующие два или три отведения, оказываются более помехоустойчивыми. Оценки качества, полученные с использованием записей из базы данных MIT-BIH, приведены в таблице 2. Таблица 2. Оценки качества алгоритмов обнаружения QRS-комплексов, полученные с использованием записей из базы данных MIT-BIH.
^ посвящена исследованию проблемы классификация QRS-комплексов по характеру их морфологии. Задача классификации форм QRS-комплексов осложняется их разнообразием и изменчивостью, а также наличием помех. Наибольшее распространение находят следующие три основных типа методов:
Как показывают исследования и данные литературных источников, ни один из перечисленных подходов не позволяет достичь безошибочной классификации. С другой стороны, так как каждый из методов основан на использовании различных свойств сигнала, то можно предположить, что совместное применение этих методов может дать гораздо более высокую точность классификации, чем каждый из них, взятый в отдельности. Целью представленного исследования была оценка разделяющей способности и помехоустойчивости трёх перечисленных методов вычисления признаков формы QRS-комплексов, как при их раздельном использовании, так и в сочетании друг с другом. При проведении исследований были поставлены следующие основные задачи:
Исследование проводилось с использованием обучающего набора реальных записей ЭКГ и модели шумов, позволяющей выполнить оценку помехоустойчивости разрабатываемых алгоритмов. При этом оценивалась ошибка классификации, отражающая способность алгоритмов группировать QRS-комплексы одинакового класса морфологии и разделять комплексы, относящиеся к разным классам. Для каждого из трёх методов расчёта признаков формы исследовались зависимости ошибок классификации от отношения сигнал/шум. В качестве показателя ошибки классификации  использовалось значение относительной ошибки в точке пересечения кривых для ошибок I и II рода, полученных по нормализованным распределениям расстояний (значений показателей сходства) между QRS-комплексами, относящимися к одному и тому же классу формы, и комплексами, относящимися к разным классам.В случае использования параметров формы, вычисляемых во временной области (метод I) для каждого из QRS-комплексов анализируемой ЭКГ рассчитываются четыре признака формы: длительность  , с; размах , мВ; смещение относительно нулевой линии  , мВ и суммарная площадь волн  , мВ·с. Расчёт признаков выполняется по следующим формулам:    где  – число отсчётов сигнала в пределах QRS-комплекса,  – интервал дискретизации сигнала при частоте отсчётов  ,  – отсчёты сигнала в пределах данного QRS-комплекса ( ). При этом значение первого отсчёта соответствующего комплекса условно принимается за уровень нулевой линии.Сопоставление форм двух QRS-комплексов между собой выполняется с помощью показателя сходства  , рассчитываемого следующим образом: ,где признаки формы с индексами  и  относятся к соответствующим комплексам,  – это нормировочные коэффициенты, необходимые для приведения всех признаков формы к безразмерным единицам и для уравнивания их масштабов, а  – весовые коэффициенты, учитывающие значимость используемых параметров формы  . Нормировочные коэффициенты рассчитывались как средние значения модулей соответствующих признаков для всех QRS-комплексов экспериментального набора записей ЭКГ, а весовые – определены путём минимизации показателя ошибки классификации и имеют следующие значения:  .В случае использования корреляционного метода (метода II), для двух QRS-комплексов вычисляется взаимная корреляционная функция (ВКФ):  ,где  – значение сдвига,  – максимальный сдвиг,  и  – отсчёты двух сравниваемых комплексов (-го и -го),  – число отсчётов в каждом из образцов сигнала,  и  – соответствующие стандартные отклонения. Величина максимального сдвига  (или 20 мс) выбрана из тех соображений, чтобы учесть возможную ошибку в определении условной опорной точки QRS-комплекса, которая может приводить к неточному совмещению сопоставляемых сигналов. Показатель сходства форм двух QRS-комплексов (-го и -го) рассчитывается с использованием максимума из  для всех заданных значений сдвига по формуле: ,благодаря чему обеспечивается условие, что чем лучше коррелированны два сигнала, тем ближе к нулю будет значение показателя  , а случаю наихудшей корреляции ( ) будет соответствовать значение  . По результатам минимизации показателя ошибки классификации величина длительности фрагмента сигнала для расчёта ВКФ выбрана равной 45 отсчётам (180 мс).В случае подхода на основе спектральных методов (метода III), вычисляется дискретное преобразование Фурье (ДПФ) для участка сигнала, соответствующего QRS-комплексу:  ,где – отсчёты сигнала, а – размер фрагмента сигнала (окна), по которому рассчитывается ДПФ. Далее вычисляется амплитудный спектр: .Компоненты амплитудного спектра могут рассматриваться в качестве признаков формы QRS-комплекса. Так как большая часть энергии ЭКС в пределах QRS-комплекса сосредоточена в полосе частот от 4 Гц до 50 Гц, то для расчёта показателя сходства форм используются только спектральные компоненты, относящиеся к этому диапазону частот. Показатель сходства форм QRS-комплексов ( -го и -го) рассчитывается по формуле: ,где  и  – спектральные компоненты с номером  для соответствующих комплексов, – номер элемента разложения для частотного поддиапазона, включающего частоту 50 Гц, а и – соответствующие стандартные отклонения. Альтернативным подходом может служить использование не амплитудного спектра, а спектра мощности, однако сравнительный анализ ошибки классификации показал, что использование амплитудного спектра даёт лучшие результаты. По результатам минимизации показателя ошибки классификации размер окна для расчёта ДПФ выбран равным 64 отсчётам (256 мс).Оптимизация параметров каждого из методов позволила получить зависимости оценок показателя ошибки классификации от отношения сигнал/шум (см. ниже рис. 3). Логично предположить, что совместное использование исследованных методов может обеспечить более высокое качество классификации, чем каждый из них в отдельности. В то же время, не исключена возможность, что показатели сходства форм QRS-комплексов, получаемые с помощью этих методов, могут оказаться коррелированными между собой. В таком случае их совместное использование не даст заметного выигрыша. Попарная оценка коэффициентов корреляции между показателями сходства форм QRS-комплексов для этих методов показала, что наиболее коррелированны между собой методы I и III (до 0,57), а наименее – пара методов II и III (не более 0,32). С целью проверки предположения о возможном преимуществе совместного использования различных типов признаков, были получены совместные распределения значений используемых показателей сходства форм QRS-комплексов для всех трёх возможных пар методов при различных значениях отношения сигнал/шум. Анализ попарных распределений показателей сходства форм для трёх методов показал, что использование любой из трёх возможных пар методов способно дать лучший результат, чем каждый из методов в отдельности. Исходя из характера распределений, в качестве разделяющей линии предложено использовать дугу окружности с центром в начале координат. Минимизация показателя ошибки классификации позволила определить оптимальные значения радиуса этой окружности для каждой из трёх пар методов (см. рис. 2).  Рис. 2. Совместные распределения значений показателей сходства форм QRS-комплексов для трёх пар методов при значении отношения сигнал/шум 30:1, а также разделяющие линии (дуги), при которых достигаются наименьшие значения показателя ошибки классификации. Был также исследован вариант совместного использования всёх трёх методов. Для этого случая предложено использовать разделяющую поверхность в форме сегмента сферы с центром в начале координат. Минимизация показателя ошибки классификации позволила определить оптимальные значения радиуса этой сферы. На рис. 3 приведены графики зависимостей ошибки классификации от отношения сигнал/шум для каждого из трёх рассмотренных методов в отдельности (левый график), а также для случаев попарного использования методов и комбинации из всех трёх методов (правый график). Из приведённых зависимостей видно, что наилучший результат (ошибка классификации около 2%) достигается в случае совместного использования методов II и III, т.е. корреляционного и спектрального методов. Использование третьего метода в дополнение к данным двум даёт лишь незначительное снижение ошибки.
Рис. 3. Графики зависимостей ошибки классификации от отношения сигнал/шум. Для вариантов алгоритмов классификации, продемонстрировавших наилучшие результаты, было выполнено тестирование на контрольном наборе записей ЭКГ, результаты которого представлены в таблице 3. Таблица 3. Результаты тестирования методов классификации QRS-комплексов.
Пятая глава посвящена исследованию методов анализа вариабельности сердечного ритма (ВСР). В основе методик анализа вариабельности сердечного ритма лежит представление о том, что последовательность, образуемая величинами длительности интервалов времени между смежными сокращениями сердца фонового ритма (NN-интервалами), несёт информацию о регуляторных функциях вегетативной нервной системы организма. Одним из наиболее распространённых подходов к анализу ВСР является оценка спектральных параметров сигнала, образуемого этой последовательностью. При этом в первую очередь ставится задача определения суммарных мощностей, сосредоточенных в трёх частотных диапазонах: очень низких частот VLF (Very Low Frequency, 0,003-0,04 Гц), низких частот LF (Low Frequency, 0,04-0,15 Гц) и высоких частот HF (High Frequency, 0,15-0,4 Гц). Корректное решение данной задачи с использованием общепринятых методов частотного анализа сигналов затрудняется следующими факторами:
В работе была поставлена задача исследования предлагаемых методов получения оценок спектральных показателей ВСР с точки зрения точности и статистической состоятельности получаемых результатов. Рассматривались два альтернативных подхода:
В рамках первого из подходов были исследованы непараметрические методы на основе ДПФ (периодограммный с различными видами окон и метод Уэлча с окном фон Ханна), а также параметрические (авторегрессионное моделирование на основе методов Берга, ковариационного и модифицированного ковариационного). Для реализации второго подхода использовался периодограммный метод Ломба-Скаргле, представляющий собой обобщение ДПФ на случай описания процесса в виде последовательности точечных событий. Для исследования методов оценки спектральных показателей ВСР была разработана модель сигнала сердечного ритма, обладающая заданными частотными свойствами. В качестве отправной точки для построения модели использовалась функция СПМ, имеющая вид, характерный для сигнала ВСР в норме: приблизительно одинаковая концентрация мощности в диапазонах частот VLF, LF и HF при значениях суммарной мощности в данных диапазонах, имеющих порядок от 300 мс2 до 1000 мс2. В диапазонах частот VLF, LF и HF были сформированы три огибающие функции СПМ в форме гауссовых кривых, центр каждой из которых расположен в середине соответствующего диапазона частот, а значения на границах диапазона составляют приблизительно 1% от максимума для данной кривой. Масштаб каждой из трёх кривых был выбран так, чтобы величина площади под ней соответствовала 500 мс2. Выражение для отсчётов полученной функции имеет вид:  , мс2/Гц,где  – выбранное число отсчётов по частоте в диапазоне частот от 0 Гц до  Гц,  – шаг по частоте,  – номер диапазона частот (соответственно для диапазонов VLF, LF и HF),  – среднеквадратичное отклонение для соответствующей гауссовой кривой (здесь  и  – границы -го диапазона). По модельной СПМ были восстановлены значения модулей амплитудного спектра: , мс.Далее значения компонент амплитудного спектра были использованы для получения модельного сигнала функции управления сердечным ритмом:  , мс,где  – выбранное число отсчётов сигнала,  мс – интервал дискретизации (соответствует частоте дискретизации 100 Гц),  мс – произвольно выбранное среднее значение RR-интервала, а  – фазовый сдвиг для -ой синусоиды, полученный как случайное число с равномерным распределением в диапазоне от 0 до 1 (случайный фазовый сдвиг использован для предотвращения интерференции синусоид с частотами кратными  ). В результате была получена реализация модельного сигнала, имеющая длительность 1024 секунды (или 17 минут и 4 секунды), с частотой дискретизации 100 Гц.Модельная последовательность NN-интервалов была сгенерирована с использованием концепции модели порождения сигнала сердечного ритма, известной как IPFM (Integral Pulse Frequency Modulation, интегральная импульсно-частотная модуляция). Далее с помощью интерполяции кубическими сплайнами была восстановлена исходная функция управления в виде равномерно дискретизованного сигнала с частотой отсчётов  . Число отсчётов полученной реализации составило 4096. Расчёт СПМ по модельной реализации показал высокую степень её совпадения с изначально заданной (значение стандартного отклонения – около 0,9%). Таким образом, было показано, что модельный сигнал обладает заданными частотными свойствами и может рассматриваться в качестве образца реализации сигнала сердечного ритма, стационарного на всём его протяжении.Для получения оценок точности и статистической устойчивости результатов из модельной последовательности RR-интервалов случайным образом выбирались 20 фрагментов продолжительностью по 5 минут (300 секунд) каждый. Эти фрагменты были использованы для вычисления СПМ и спектральных параметров с помощью каждого из перечисленных методов. На рис. 4 приведены примеры графиков СПМ для одного и того же фрагмента сигнала, полученных с использованием различных методов, а также указаны рассчитанные значения оценок спектральных параметров ВСР.  Рис. 4. примеры графиков СПМ, полученных с использованием различных методов: а) периодограммный метод с прямоугольным окном; б) метод Уэлча с окном фон Ханна; в) модифицированный ковариационный метод с порядком равным 20; г) метод Ломба-Скаргле. На графиках также показана СПМ модельного сигнала и приведены значения оценок спектральных параметров ВСР. Как можно видеть из приведённых графиков, величины показателей ВСР, полученные разными методами, существенно отличаются как от теоретических значений, так и друг от друга. Статистический анализ ошибок показал, что точность и устойчивость результатов, получаемых с помощью простейшего периодограммного метода с использованием прямоугольного окна, оказывается не ниже, чем при использовании других методов, которые значительно сложнее в вычислительном отношении. Этот результат объясняется тем, что в самом принципе расчёта частотных параметров ВСР заложено усреднение по частоте, что избавляет от необходимости использования дополнительных процедур усреднения, а также нивелирует эффект спектральной утечки, свойственный прямоугольному окну. Наилучшие результаты продемонстрировали следующие варианты методов:
Оценки относительных среднеквадратичных ошибок расчёта параметров ВСР для диапазонов частот VLF, LF и HF оказались для этих вариантов примерно одинаковыми и составили соответственно: 30-32 %; 9-11 % и 5-6 %. В работе исследованы методы оценки стационарности сигнала сердечного ритма с целью решения задачи автоматической сегментации продолжительных реализаций сигнала на локально-стационарные фрагменты, что позволяет избежать получения заведомо ошибочных результатов на участках сигнала, содержащих переходные процессы или помехи. Исследование выполнено с использованием как специально предложенной модели сигнала, позволяющей получать реализации, включающие локально стационарные (с точки зрения спектрального описания) сегменты, разделённые переходными процессами, так и набора реальных записей сигнала, полученных при проведении ортостатических функциональных проб (36 реализаций длительностью от 12 до 15 минут каждая). Исследованы три различных подхода, которые по данным литературных источников позволяют наиболее эффективно осуществлять оценку стационарности сигналов:
В результате исследования с использованием модельных сигналов для каждого из методов была определена область значений параметров, при которых достигаются удовлетворительные результаты. Исследование на реальных записях позволило определить оптимальные значения данных параметров, при которых среднеквадратичная ошибка (СКО) определения границ локально стационарных участков оказывается наименьшей. Наилучшие результаты (относительная СКО около 15 %) продемонстрировал метод на основе обобщённого отношения правдоподобия, в котором используется принцип оценки средней ошибки предсказания авторегрессионной модели в скользящем окне. С появлением технической возможности одновременной регистрации сигналов сердечного ритма и мгновенного кровяного давления возникла необходимость разработки математических методов, позволяющих выявить и количественно оценить взаимосвязи между этими двумя сигналами. Использование традиционно применяемых методов, рассчитанных на обработку сигналов, имеющих физическое или техническое происхождение, не всегда позволяет получать статистически устойчивые результаты, что связано со спецификой биологических сигналов. Задача представленного в работе исследования состояла в том, чтобы используя как записи реальных сигналов, так и модели сигналов, обладающие свойствами, характерными для сигналов сердечного ритма и мгновенного кровяного давления, разработать методы их совместного анализа, которые позволяют получить корректные оценки параметров, характеризующих взаимосвязи данных сигналов. При этом наибольший интерес для физиологов представляют оценки взаимной спектральной плотности мощности (ВСПМ) сигналов и взаимных фазовых спектров (частотных зависимостей задержек). Рассмотрены следующие альтернативные подходы:
С целью оценки точности и статистической устойчивости рассчитываемых взаимных характеристик сигналов, была предложена модель двух рассматриваемых процессов, обладающая заданным видом как амплитудных, так и фазовых спектров, и имеющая частотные и статистические свойства, характерные для сигналов сердечного ритма и артериального давления. В результате исследований на модельных сигналах было показано, что первый из перечисленных методов позволяет получить точность, как оценок спектральной мощности, так и оценок фазовых сдвигов, в 3-10 раз выше, чем в случае использования двух других методов. Показано также, что статистически устойчивые оценки фазовых сдвигов удаётся получить только на тех участках частотного диапазона, где относительная взаимная мощность составляет не менее 3-5 % от общей взаимной мощности сигналов. В работе также предложен альтернативный метод получения оценок временного сдвига между сигналами сердечного ритма и мгновенного кровяного давления, основанный на анализе ВКФ двух сигналов, пропущенных через один и тот же полосовой фильтр. Значение временного сдвига непосредственно измеряется по ВКФ, как расстояние от первого положительного пика до точки, соответствующей нулевому сдвигу. Полоса пропускания фильтра выбирается на основании анализа предварительно полученной ВСПМ сигналов с целью выделить тот или иной частотный диапазон, в котором отчётливо выражено наличие когерентных колебаний. ^ посвящена вопросам реализации разработанных методов и алгоритмов автоматического анализа электрокардиосигнала в практических системах медицинского назначения. При реализации методов и алгоритмов обработки сигналов в системах кардиологического наблюдения неизбежно приходится учитывать ряд ограничений, связанных с необходимостью непрерывной обработки сигнала в реальном масштабе времени. В первую очередь это касается требующихся вычислительных ресурсов: быстродействия вычислителя и объёма доступной оперативной памяти. Наиболее остро данная проблема встаёт при реализации приборов и систем обработки сигналов на базе микропроцессоров. В работе рассмотрены возможные меры как алгоритмического, так и чисто технического характера, позволяющие снизить загрузку процессора и потребность в оперативной памяти при анализе сигналов в режиме реального времени. К таким мерам относятся следующие:
Предложенные методы и алгоритмы обработки электрокардиосигналов были внедрены в следующих компьютерных системах медицинского назначения:
Комплекс предназначен для круглосуточного мониторного контроля сердечной деятельности кардиологических пациентов в отделениях интенсивной терапии и реанимации клиник и рассчитан на одновременное наблюдение ЭКГ восьми пациентов. Комплекс «РИТМОН» выпускается ООО «Биосигнал» (Санкт-Петербург), и к настоящему времени эксплуатируется более чем в 100 клиниках России, а также более чем в 50 клиниках Польши. В составе программного обеспечения комплекса «РИТМОН» реализованы следующие разработанные автором методы и алгоритмы:
Пакет программ автоматической обработки электрокардиосигнала в комплексе «РИТМОН» официально зарегистрирован в РосАПО РФ.
Система «Кардиометр-МТ» выпускается ЗАО «Микард-Лана» (Санкт-Петербург) и к настоящему времени эксплуатируется более чем в 400 медицинских учреждениях России. Система предназначена для использования в кабинетах функциональной диагностики поликлиник и стационаров и рассчитана на проведение нескольких видов стандартных исследований:
В составе программного обеспечения системы «Кардиометр-МТ» реализованы следующие разработанные автором методы и алгоритмы:
Пакеты программ автоматической обработки электрокардиосигнала, используемые в компьютерной системе «Кардиометр-МТ» («КардиоКит – Стимуляция», «КардиоКит – Стресс-тест», «КардиоКит – Анализ ритма»), официально зарегистрированы в РОСПАТЕНТ РФ.
Пакет предназначен для проведения как клинических, так и научных исследований сердечно-сосудистой системы и проходит клиническую апробацию в ФГУ Федеральный центр сердца, крови и эндокринологии им. В.А. Алмазова (Санкт-Петербург). В составе данного программного пакета реализованы следующие разработанные автором методы и алгоритмы:
Пакет прикладных программ «Оценка вариабельности сердечного ритма и артериального давления, измеряемого методом непрерывной неинвазивной регистрации» официально зарегистрирован в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам РФ. Накопленный автором опыт научно-исследовательской и педагогической работы, связанной с проблемами автоматической обработки биомедицинских сигналов, позволил ему выполнить перевод на русский язык монографии известного канадского учёного профессора Р.М. Рангайяна, представляющей собой фундаментальное учебное пособие для студентов и аспирантов, обучающихся по данному направлению: Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход / Пер. с англ. А.Н. Калиниченко под ред. А.П. Немирко. М.: ФИЗМАТЛИТ, 2007. – 440 с. В заключении излагаются основные результаты теоретических исследований и практических разработок, представленных в диссертационной работе. ^ В результате проведения представленных в диссертации теоретических и экспериментальных исследований, был решен ряд проблем теоретического характера и создан комплекс методов цифровой обработки и анализа биомедицинских сигналов, что позволило расширить класс анализируемых показателей сердечной деятельности человека и повысить качество и надежность приборов и систем кардиологического наблюдения за счет реализации разработанных алгоритмов и методов в виде прикладных программных комплексов.
^ В изданиях, определённых ВАК Минобрнауки РФ:
и в других изданиях:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
)-го желудочкового комплекса 
, которая для удобства изложения далее будет принята за исходный момент времени (т.е. будет считаться, что 
);
1 2
Ваша оценка этого документа будет первой.
Ваша оценка:
Похожие:
База данных защищена авторским правом ©MedZnate 2000-2016
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям