На данный момент крайне актуальна тема обеспечения кардиологических центров, лечебных стационаров, отделений поликлиник и экипажей скорой помощи современным высокотехнологичным оборудованием. Для мониторинга и диагностики состояния больных сердечно-сосудистыми заболеваниями используются беспроводные технологии трансляция в режиме реального времени. Сигналы ЭКГ являются одними из наиболее информативных биомедицинских данных, описывающих деятельность сердца и системы кровообращения.
Основной целью работы сердца является перекачка крови из вен в артерии. Данный орган состоит из камер — двух предсердий и двух желудочков, разделённых клапанами. Он функционирует по принципу насоса — выбрасывает кровь в артерии (систола) и заполняется кровью из вен (диастола).
Электрокардиограмма (ЭКГ) — это запись электрической активности сердца с поверхности тела. ЭКГ полезна для определения пути прохождения волны возбуждения. Сигнал позволяет выявить и локализовать патологические источники возбуждения и участки блокад проведения, обнаружить гипертрофии камер сердца и т. п. [1, с. 297].
Рисунок 1. ЭКГ. Зубцы, интервалы и сегменты [1, с. 298]
QRS комплекс характеризует электрическую активность внутри сердца во время желудочкового сокращения, сигнализирует о моменте данного явления, а также его форма несёт большой объём информации о текущем состоянии органа. Благодаря своей характерной геометрии QRS комплекс часто служит в качестве основы для определения частоты сердцебиений [2].
Мотивирующим фактором для изучения длительности комплекса QRS является его информативность об опасности серьёзных нарушений биомеханики сердца, определяющих клиническое течение и исходов сердечно-сосудистых заболеваний [3, c.75].
Рисунок 2. Результаты исследования VEST: выживаемость в зависимости от комплекса QRS у пациентов с сердечной недостаточностью [4]
Улучшение массогабаритных характеристик, максимизация отказоустойчивости и улучшение помехозащищённости являются основными задачами для мобильных устройств регистрации ЭКГ. Для холтеровского монитора наилучшим решением может стать использование т.н. интерфейсных микросхем (AFE – Analog Front End), включающих в себя входной аналоговый блок, блок оцифровки и первичной обработки биомедицинских сигналов, а также множество других блоков. В [5] подробно рассмотрено устройство и функционирование AFE ADAS1000 от AnalogDevices.
Структурная схема разработанной на базе ADAS1000 системы представлена на рисунке 3. Полученные сигналы с электродов оцифровываются в аналогово-цифровых преобразователях (АЦПи), фильтруются при помощи встроенных фильтров нижних частот (ФНЧ), передаются в микроконтроллер. Передача результатов анализа осуществляется при помощи модуля беспроводной передачи данных (МБПД).
Рисунок 3. Структурная схема системы дистанционного холтеровского ЭКГ мониторинга
Для разработки алгоритма детекции в данной работе был выбран метод анализа во временной области в виду простоты его применения для распознавания комплекса QRS ЭКГ в режиме реального времени.
В своём большинстве программные детекторы обычно включают в себя три или более видов шагов по обработке: линейную цифровую фильтрацию, нелинейные преобразования, и алгоритмы правил принятия решений [6]. Данный в [7] метод использует все три.
Рисунок 4. Блок-схема системы по детекции QRSкомплексов
Детекция комплекса QRS ЭКГ выполняется следующим образом. Сначала, запись ЭКГ проходит обработку в линейном ФВЧ для того, чтобы выделить комплекс QRS ЭКГ и в то же время подавить нежелательные зубцы ЭКГ, такие, как P и Т зубцы, и дрейф изолинии. После этого, для того, чтобы гарантировать, что высокочастотные, низкоамплитудные артефакты могут быть сглажены до определённого уровня, в то время как QRS комплекс должен быть сохранён, выход линейного ФВЧ обрабатывается при помощи двухполупериодного выпрямления и нелинейного усиления, далее следует скользящее окно суммирования. Все действия, указанные выше, можно назвать процессом нелинейного ФНЧ преобразования. В конце применяется пороговый уровень для принятия решений и завершения детекции QRS комплекса.
Для анализа, разработанного на языке ”C”, ПО микроконтроллера, использовалось 25 одноминутных записей ЭКГ с частотой дискретизации 360 Гц из базы MIT-BIH Arrhythmia Database [8, 9]. Для выхода на режим согласно [7] требуется некоторое время. Анализ сигнала был проведён после одноминутной адаптации ПО.
Рисунок 5. Результат применения алгоритма реального времени для детекции комплекса QRS ЭКГ на сигнале №100 из базы MIT-BIH Arrhythmia Database. 1 – исходный сигнал ЭКГ; 2 – отфильтрованный ФВЧ сигнал; 3 – сигнал на выходе из цифрового ФНЧ (сплошная линия) и пороговый уровень (прерывистая линия); 4 – результат детекции комплексов QRSЭКГ
Таблица 1 – Результаты эффективности ПО детекции QRS комплексов
Номер записи ЭКГ |
Количество комплексов |
Ложно положительные комплексы |
Ложно отрицательные комплексы |
Ненайденные комплексы |
Ненайденные комплексы в % |
100 |
74 |
0 |
0 |
0 |
0 |
101 |
71 |
2 |
0 |
2 |
2.74 |
103 |
70 |
0 |
0 |
0 |
0 |
109 |
91 |
2 |
0 |
2 |
2.15 |
113 |
58 |
0 |
0 |
0 |
0 |
114 |
54 |
0 |
0 |
0 |
0 |
115 |
63 |
0 |
0 |
0 |
0 |
116 |
78 |
0 |
0 |
0 |
0 |
117 |
50 |
0 |
0 |
0 |
0 |
119 |
65 |
0 |
0 |
0 |
0 |
122 |
87 |
0 |
0 |
0 |
0 |
123 |
49 |
0 |
0 |
0 |
0 |
124 |
49 |
0 |
0 |
0 |
0 |
201 |
90 |
0 |
0 |
0 |
0 |
202 |
53 |
1 |
0 |
1 |
1.85 |
205 |
90 |
0 |
1 |
1 |
1.11 |
209 |
93 |
0 |
0 |
0 |
0 |
213 |
111 |
0 |
0 |
0 |
0 |
219 |
74 |
0 |
0 |
0 |
0 |
220 |
72 |
0 |
0 |
0 |
0 |
221 |
78 |
0 |
0 |
0 |
0 |
222 |
75 |
0 |
0 |
0 |
0 |
230 |
79 |
0 |
0 |
0 |
0 |
231 |
63 |
0 |
0 |
0 |
0 |
234 |
92 |
0 |
0 |
0 |
0 |
25 пациен-тов |
1829 |
5 |
1 |
6 |
0.27 |
Точность после адаптации составила 99.73 %.
Для вычисления длительности QRS комплексов ПО было модифицировано. При прохождении сигнала через пороговый уровень начинается отсчёт времени, а после повторного — прекращается.
В качестве тестового сигнала ЭКГ на рисунке 6 использовалась база данных ЭКГ сигналов, полученная с модуля ADAS1000 в [10]. ЭКГ сигналы были сгенерированы симулятором аритмий HKP (Heidelberger Praxisklinik). Использовался следующий режим Program1 – P01: sinus rhythm (SR). Полученный в данной работе сигнал p01_16_PacePulse_01_Kp=0.03125.dat был прорежен с 32 кГц до частоты дискретизации 200 Гц для ускорения тестирования алгоритма и избавления от артефактов кардиостимулятора.
Рисунок 6. Результат вычисления длительности QRSЭКГ. 1 – исходный сигнал ЭКГ; 2 – сигнал на выходе из цифрового ФНЧ (сплошная линия) и пороговый уровень (прерывистая линия); 3 – результат детекции длительности комплексов QRSЭКГ
С использованием разработанного ПО на базе системы дистанционного холтеровского ЭКГ мониторинга, включающей интерфейсные микросхемы специального назначения, можно выполнить исследование комплекса QRS ЭКГ и других параметров в дистанционном режиме.
Библиографический список
- Алипов Н.Н. Основы медицинской физиологии. Учебное пособие. М.: Практика. 2013.
- Kohler B.U, Henning C., Orglmeister. The Principles of Software QRS Detection. IEEE Engineering in Medicine and Biology Magazine (Volume: 21, Issue: 1). 2002. С42.
- Бурда И.Ю., Лысенко Н.В., Яблучанский Н.И. Значение продолжительности комплекса QRSЭКГ в клиническом течении и исходах сердечно-сосудистых заболеваний. Вестник Харьковского национального университета имени В.Н. Каразина. Серия «Медицина». 2009. С 75.
- Бокерия Л. А., Ступаков С.И. Значение длительности QRSи полной блокады левой ножки пучка Гиса в развитии и течении застойной сердечной недостаточности. АННАЛЫ АРИТМОЛОГИИ, № 1. ФГБУ «Научный центр сердечно-сосудистой хирургии им. А. Н. Бакулева» (директор – академик РАН и РАМН Л. А. Бокерия) РАМН, Москва. 2012. С. 21.
- Бредерс Й.Х. Интерфейсная микросхема ADAS1000. Оптимальное решение для приборов ЭКГ. М.: Медицинская техника. 2012. С. 70-75.
- Pan J., Tompkins W.J. A Real-Time QRS Detection Algorithm. IEE Transactions on Biomedical Engineering, Vol. BME-32, No. 3. 1985. С. 230
- Chen H.C., Chen S.W. A Moving Average based Filtering System with its Application to Real-time QRS Detection. Computers in Cardiology. 2003.
- Moody G.B., Mark R.G. The impact of the MIT-BIH Arrhythmia Database. IEEE Eng in Med and Biol 20(3). 2001. С. 45-50.
- Goldberger A.L., Amaral L.A.N., Glass L., Hausdorff J.M., Ivanov P.Ch., Mark R.G., Mietus J.E., Moody G.B., Peng C-K., Stanley H.E. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals.2000.URL: http://circ.ahajournals.org/content/101/23/e215.full(дата обращения: 29.06.2018).
- Jekova I., Tsibulko V., Iliev I. ECG Database Applicable for Development and Testing of Pace Detection Algorithms. Int.J. BIOautomation. Institute of Biophysics and Biomedical Engineering Bulgarian Academy of Sciences. 2014.