Обработка данных в электрокардиограммах методом вейвлетного преобразования для исследования раннего прогнозирования пароксизмальной мерцательной аритми
DOI:
https://doi.org/10.26577/jmmcs-2018-1-489Ключевые слова:
электрокардиограмма, вейвлетное преобразование, пароксизмальная мерцательная аритмияАннотация
являются основной причиной смертности в разных странах. Качество сигнала ЭКГ может
быть затронут и ухудшен различными источниками, такими как состояние пациента, базовое
блуждание, контакт электродов ЭКГ и другие. Кроме того, если ЭКГ контролируется
визуально, вероятность получения человеческой ошибки высок, каждый 10-результат
интерпретируется с ошибкой (Brikena Xhaja, 2015: 305-312). А также по многим ЭКГ снимкам
просто не возможно провести визуальный анализ частотных данных сигнала. Морфология
низкоамплитудных высокочастотных сигналов, так называемых Р волн, скрывает ценную
информацию для раннего доклинического прогнозирования болезней. То есть необходимость
поиска новых методов ранней доклинической диагностики все еще актуальна. Поскольку
большая часть клинически полезной информации в ЭКГ обнаруживается в интервалах и амплитудах, определяемых ее значимыми точками (характерные пики и границы
волн), разработка точных и надежных методов автоматического разграничения ЭКГ
является предметом серьезной важности, особенно для анализа длинных записей
(Juan Pablo Martinez, 2014: 570-581). Проблемы извлечения из электрофизиологического
сигнала информации, которую невозможно получить при визуальном анализе записи, а
также проблемы автоматизации традиционных алгоритмов врачебного анализа являются
актуальными в связи с недостатком исследований в данной области. Целью исследования
является поиск новых областей применения метода вейвлетного преобразования в
обработке сигналов. Получившее широкое распространение в 2000 годах в исследовании
свойств сигналов вейвлетное преобразование позволяет с помощью аппроксимирующих
и детализирующих коэффициентов «разглядеть» скрытые частотно-временные данные
сигнала. Полученные результаты показывают, что предлагаемый алгоритм обеспечивает
реальную эффективность в обработке первичных сигналов для задачи выделения
детализирующих коэффициентов ЭКГ сигнала. Наше исследование показывает, что вейвлет-
анализ Морлета интервалов Р, который применять легко и недорого, может достоверно
предсказать частоту симптоматических эпизодов пароксизмальной мерцательной аритмии
у пациентов без клинически и эхокардиографически выраженной болезни сердца. Вейвлет
анализ может способствовать нашему пониманию электрофизиологических механизмов,
лежащих в основе генерации и рецидивов пароксизмальной мерцательной аритмии, и
может позволить идентифицировать пациентов с высоким риском увеличения рецидивов
пароксизмальной мерцательной аритмии, тем самым создавая перспективу раннего
применения неинвазивных и инвазивных терапевтических стратегий для предотвращения
будущих событий пароксизмальной мерцательной аритмии.
Библиографические ссылки
transform data) in healthy and IHD patients //Herald of arrhythmology. - 2001. Vol.23, - P. 32-34.
[2] Brikena Xhaja, Eglantina Kalluci, Ligor Nikolla Wavelet transform applied in ecg signal processing //European Scientific
Journal . -2015. -Vol.12, -P.305-312.
[3] Chazov M. 6. Guide to Cardiology in four volumes. "Practice 2014.
[4] Dobesi I. Ten lectures on wavelets. Izhevsk. - 2001. - P.464.
[5] Gautam Apoorv, Maninder Kaur ECG Analysis using Continuous Wavelet Transform (CWT). // IOSR Journal of Engineering.
-2012. -Vol.2(4), - P. 632-635.
[6] D.S. Grigoriev, V.G. Spitsyn The application of a neural network and discrete wavelet transform for the analysis and
classification of electrocardiograms // Proceedings of Tomsk Polytechnic University. - 2012. Vol.321, - P. 57-61.
[7] Ivanko E.O. , Ivanushkina N.G.,Synecop Yu.S. Multi-level analysis of electrocardiograms for the detection of late atrial
potentials //Electronics and communications. - 2009. Vol.2, - P. 160-164.
[8] Martinez Juan Pablo , Almeida Rute, Salvador Olmos A Wavelet-Based ECG Delineator: Evaluation on Standard
Databases// IEEE Transactions on biomedical engineering. -2004. -Vol.51, - P. 570-581.
[9] Open MIT ECG Database 2012. - http://www.physionet. org/cgi-bin/atm/ATM (date of the application 14.11.2017).
[10] Rob MacLeod, Brian Birchler ECG Measurement and Analysis //Electronics and communications. - 2014.
[11] Sasikala P., R.S.D. WahidaBanu Extraction of P wave and T wave in Electrocardiogram using Wavelet Transform //
International Journal of Computer Science and Information Technologies. - 2011. Vol.2(1), - P. 489-493.
[12] K.Venkata Lakshmi Narayana Wavelet based QRS detection in ECG using MATLAB // Innovative Systems Design and
Engineering. - 2011. Vol.2, - P. 60-69.
[13] www.okardio.com.
