Метод и программный комплекс обработки многоканальных записей электрокардиосигнала для диагностики ишемической болезни сердца тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Григорьев Евгений Борисович

• Григорьев Евгений Борисович
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Григорьев Евгений Борисович

ВВЕДЕНИЕ

ГЛАВА 1. ПРОБЛЕМЫ РАЗРАБОТКИ СИСТЕМ МНОГОКАНАЛЬНОГО

АНАЛИЗА ЭЛЕКТРОКАРДИОСИГНАЛА

1.1. Описание электрофизиологических процессов при развитии ишемии миокарда

1.2 Проблемы мониторинга и контроля пациентов с ИБС в условиях активной жизнедеятельности

1.3 Основные факторы, осложняющие анализ электрокардиосигнала

1.4. Основные проблемы, возникающие при анализе многоканальных записей электрокардиосигнала

1.5. Постановка целей и задач исследования

ГЛАВА 2. МНОГОМЕРНАЯ МОДЕЛЬ ЭЛЕКТРОКАРДИОСИГНАЛА ДЛЯ ЗАДАЧИ ВЫЯВЛЕНИЯ ЭПИЗОДОВ ИШЕМИИ МИОКАРДА

2.1 Выделение миографической помехи из наблюдаемой реализации электрокардиосигнала

2.2 Совместная функция распределения миографической помехи при

многоканальном анализе электрокардиосигнала

2.3. Исследование корреляционных связей миографической помехи между различными отведениями электрокардиосигнала

2.4 Статистическая модель миографической помехи

2.5 Модель изменения электрокардиосигнала при развитии эпизода ишемии миокарда

2.6 Выводы

ГЛАВА 3. АЛГОРИТМ ОБНАРУЖЕНИЯ ЭПИЗОДОВ ИШЕМИИ МИОКАРДА

3.1. Совместные оценки средней мощности миографической помехи при обработке многоканальных записей электрокардиосигнала

3.2 Алгоритм выявления эпизодов ишемии миокарда на основе анализа

многоканальных записей электрокардиосигнала

3.3 Выводы

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ И ЭКСПЕРИМЕНТАЛЬНАЯ АПРОБАЦИЯ ПРОГРАММНОГО КОМПЛЕКСА

4.1. Структура и программная реализация ПК

4.2. Результаты экспериментальной апробации ПК

4.3. Выводы

ЗАКЛЮЧЕНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Приложение

Приложение

Введение диссертации (часть автореферата) на тему «Метод и программный комплекс обработки многоканальных записей электрокардиосигнала для диагностики ишемической болезни сердца»

ВВЕДЕНИЕ

Ишемическая болезнь сердца (ИБС) является довольно распространённым заболеванием сердечно-сосудистой системы. При отсутствии должного лечения ИБС может привести к таким осложнениям как внезапная коронарная смерть, инфаркт миокарда, хроническая сердечная недостаточность [1].

Развитие эпизодов ишемии миокарда обычно связано с физической или эмоциональной нагрузкой и, как правило, сопровождается болевыми ощущениями, однако возможно протекание ИБС и в безболевой форме [2].

На сегодняшний день одним из самых простых и популярных методов диагностики ИБС является электрокардиография в условиях нагрузочных тестов или мониторирования электрокардиосигнала (ЭКС). Между тем, в процессе регистрации на электрокардиосигнал воздействуют различные виды шумов и искажений, которые затрудняют анализ ЭКС. Особенно актуальна данная проблема при обработке суточных мониторограмм, содержащих зашумлённые фрагменты электрокардиосигнала, зарегистрированные в процессе выполнения физической нагрузки, когда появление эпизодов ишемии наиболее вероятно.

На основании медицинских исследований установлено, что использование информации о структуре и параметрах ЭКС, регистрируемого в нескольких отведениях, может значительно повысить достоверность выявления эпизодов ишемии [3]. В настоящее время в медицинской практике при мониторировании электрокардиосигнала практически обязательным является использование многоканальных систем регистрации.

Значительный вклад в теорию обработки электрокардиосигнала внесли известные ученые К.В. Зайченко, А.Н. Калиниченко, Л.А. Манило, О. В. Мельник, А.П. Немирко, Т. Л. Сушкова, Y. Goletsis, S. Murugan, C. Papaloukas, J. Park, H. Rabbani, R. Silipo и др.

Несмотря на большое количество исследований, остаётся открытым

4

вопрос о разработке автоматизированных методов анализа многоканальных записей ЭКС в условиях сложной сигнально-помеховой обстановки. Следует отметить, что создание автоматизированных алгоритмов анализа многоканальных электрокардиограмм сдерживается сложностью модели совместного изменения электрокардиосигнала в различных каналах, необходимостью учёта совместного влияния шумов, в том числе и коррелированных между собой в различных отведениях.

Решение этих проблем требует новых методов и программных средств обработки многоканальных записей ЭКС.

Целью диссертационной работы является разработка метода и программного комплекса для обработки многоканальных записей электрокардиосигнала, обеспечивающих повышенную помехоустойчивость при выявлении эпизодов ишемии миокарда.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Исследовать корреляционные связи миографической помехи между различными отведениями электрокардиосигнала.

2. Разработать многомерную модель изменения электрокардиосигнала в различных отведениях при развитии эпизодов ишемии миокарда, в том числе описывающую воздействие миографической помехи.

3. Найти оценку средней мощности миографической помехи в различных отведениях для задачи обработки многоканальных записей электрокардиосигнала.

4. Разработать помехоустойчивый алгоритм автоматизированного выявления эпизодов ишемии миокарда на основе анализа многоканальных записей электрокардиосигнала.

5. Разработать программный комплекс для реализации предложенных алгоритмов обработки электрокардиосигнала.

6. Провести экспериментальную апробацию предложенных алгоритмов обработки электрокардиосигнала.

Новые научные результаты. Новизна научных результатов диссертации заключается в том, что:

1. Учёт выявленных корреляционных связей миографической помехи между различными отведениями регистрации электрокардиосигнала позволяет повысить точность оценок средней мощности миографической помехи (в различных отведениях) и помехоустойчивость алгоритмов выявления эпизодов ИБС.

2. Многомерная модель электрокардиосигнала, учитывающая совместное изменение электрокардиосигнала и коррелированность шумовых отсчётов в различных отведениях, позволяет описать взаимосвязи, в том числе и синхронные изменения электрокардиосигнала, между различными отведениями ЭКС как при развитии эпизодов ишемии миокарда, так и для нормального состояния больного ИБС. Предложенная модель является основой для синтеза помехоустойчивого алгоритма автоматизированного выявления эпизодов ишемии миокарда.

3. Алгоритм нахождения совместных оценок средней мощности миографической помехи в различных отведениях электрокардиосигнала, позволяет учесть влияние миографической помехи во всех отведениях и использовать для повышения эффективности выявления эпизодов ишемии миокарда решающее правило с адаптивной решающей статистикой и с адаптивным порогом сравнения.

4. Помехоустойчивый алгоритм автоматизированного выявления эпизодов ишемии миокарда, отличающийся использованием информации о развитии данной патологии, сосредоточенной в смежных отведениях электрокардиосигнала, с учетом влияния миографической помехи, позволяет повысить точность диагностики ишемической болезни сердца в условиях сложной сигнально-помеховой обстановки.

Методы исследования. При выполнении работы были использованы методы математической статистики и теории вероятностей, методы теории

принятия решений, методы математического анализа, методы матричного

6

анализа, методы математического моделирования, методы объектно-ориентированного программирования.

Теоретическая значимость работы заключается в развитии теоретических основ построения аппаратно-программных комплексов для обработки многоканальных записей электрокардиосигнала с целью диагностики ишемической болезни сердца, развитии методологических основ обработки многоканальных записей электрокардиосигнала.

Практическая значимость работы заключается в получении результатов для разработки программного комплекса обработки многоканальных записей электрокардиосигнала с целью автоматизированного выявления эпизодов ишемии миокарда, реализующего разработанные автором методы и подходы.

Основные научные положения, выносимые на защиту.

1. При разработке помехоустойчивых алгоритмов автоматизированного выявления эпизодов ишемии миокарда необходимо использовать многомерную модель изменения электрокардиосигнала, которая должна учитывать динамические изменения сигнала при развитии эпизодов ишемии, а также проявление миографической помехи в различных отведениях электрокардиосигнала.

2. Нахождение совместных оценок средней мощности миографической помехи в различных отведениях электрокардиосигнала позволяет уменьшить дисперсию данных оценок.

3. Для повышения помехоустойчивости алгоритма автоматизированного выявления эпизодов ишемии миокарда необходимо использовать информацию о развитии данной патологии, сосредоточенную в смежных отведениях электрокардиосигнала, с учетом влияния миографической помехи.

Степень достоверности

Достоверность и обоснованность научных положений и выводов,

содержащихся в работе, подтверждается соответствием полученных

7

выражений результатам математического моделирования, соответствия характеристик обнаружения, полученных на основе обработки архивных записей электрокардиосигнала, результатам, представленным в мировой литературе и экспертным оценкам.

Апробация результатов работы.

Основные результаты работы докладывались и обсуждались на следующих научно-технических конференциях: конференция профессорско-преподавательского состава СПбГЭТУ «ЛЭТИ» (СПб, 2015-2018 гг.), конференция Российского научно-технического общества радиотехники, электроники и связи им. А. С. Попова (СПб, 2013-2016 гг.), 1st Russian-Germany conference on biomedical engineering (1-я Российско-Немецкая конференция по биомедицинской инженерии), 2nd Russian-Germany conference on biomedical engineering (2-я Российско-Немецкая конференция по биомедицинской инженерии), XVL Научно-практическая конференция студентов, аспирантов и молодых учёных (2013, СПб), Национальный медицинский инновационный форум «Медицина XXI века - интеграция знаний на перекрестке наук» (СПб, 2018 г.), XIII Международная научная конференция «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ'2018) (Суздаль, 2018 г.)

Внедрение результатов работы.

Основные результаты работы получены в процессе выполнения НИР, в рамках

- базовой части государственного задания в сфере научной деятельности № 8.7130.2017/БЧ по теме «Теория создания и моделирования когнитивных технологий формирования и обработки информационных потоков в перспективных радиоэлектронных системах инфокоммуникации, локации и навигации», 2017-2019 г.

- проектной части государственного задания в сфере научной деятельности № 8.324.2014/К «Оптимизация технологий контроля и

управления состоянием объектов и сред различной физической природы на основе системного анализа», 2014-2016 г.;

- гранта РФФИ № 16-38-00738 «Разработка технологий автоматизированного выявления ранних стадий патологических изменений состояния сердечно-сосудистой системы человека на основе совместного анализа биомедицинских сигналов различной физической природы» (рук. Григорьев Е. Б.);

- гранта фонда содействия инновациям по программе «Умник» №11745ГУ/2017 «Разработка системы автоматизированного выявления патологических изменений состояния сердечно-сосудистой системы человека»;

- гранта фонда содействия инновациям по программе «Старт» № С1 -06860 «Разработка автоматизированной системы защиты миокарда человека от ишемического повреждения».

Разработанный в рамках исследования метод обнаружения эпизодов ишемии миокарда внедрен в лечебный процесс ПСПбГМУ им. акад. И.П. Павлова. Разработанные алгоритмы анализа многомерных записей электрокардиосигнала использованы при создании опытного образца аппаратно-программного комплекса экспресс оценки состояния сердечнососудистой системы «Кардиоскрин» (совместная разработка СПбГЭТУ «ЛЭТИ» и ООО «Научные приборы»).

Публикации.

По итогам диссертационной работы было опубликовано 18 научных работ, среди которых 4 научные статьи в рецензируемых изданиях, входящих в перечень рекомендованных ВАК РФ, 4 статьи были опубликованы в зарубежных изданиях, индексируемых в базах WoS и Scopus, 6 свидетельств программ ЭВМ, 4 - статьи, опубликованные в других изданиях и материалах конференций.

Структура и объем диссертации. Диссертация состоит из введения,

четырёх глав, заключения, списка литературы, включающего 102

9

наименований. Основная часть работы изложена на 133 страницах. Работа содержит 51 рисунок и 10 таблиц.

Краткое содержание работы

Во введении обоснована актуальность и приведена цель диссертации, представлены задачи и описаны новые научные результаты исследования, а также раскрыта теоретическая и практическая значимость работы.

Первая глава диссертации посвящена проблемам, возникающим при разработке систем анализа многоканальных записей электрокардиосигнала для диагностики ИБС. Приведено описание электрофизиологических процессов, происходящих при развитии ишемии миокарда. Из медицинской литературы и клинических рекомендаций следует, что при многоканальной регистрации ЭКС обнаружение ИБС считается достоверным, если изменение электрокардиосигнала на ST-сегменте регистрируется в двух и более смежных отведениях. Определены основные комбинации отведений, в которых одновременное выявление ишемических изменений сегмента ST трактуется как появление ишемии миокарда.

Приводится анализ основных проблем, возникающих при мониторинге и контроле за пациентами с ИБС в условиях его активной жизнедеятельности, в том числе дано описание основных факторов, затрудняющих анализ многоканальных записей ЭКС, с учётом которых была сформулирована цель и поставлены задачи исследования.

Вторая глава посвящена вопросам построения многомерной модели электрокардиосигнала с целью решения задачи выявления эпизодов ишемии миокарда. Построение модели осуществлялось как на основании теоретических, так и эмпирических исследований.

Приведен метод выделения миографической помехи из наблюдаемой

реализации ЭКС, который базируется на оценке истинной формы

электрокардиосигнала, которая затем вычитается из наблюдаемой

реализации ЭКС. Оценка истинной формы ЭКС в /-ом отведении

10

осуществляется на основе аппроксимации небольших фрагментов электрокардиосигнала (размер которых много меньше длины кардиоцикла) полиномами второго порядка. Для уменьшения дисперсии ошибки аппроксимации используется операция скользящего окна с взвешенным усреднением перекрывающихся фрагментов.

На основе анализа 72 фрагментов многоканальной миографической помехи (выделенных из мониторограмм), которые соответствовали моментам физической активности пациента, была найдена совместная функция распределения миографической помехи. В первом приближении можно считать, что отсчёты шума образуют нормальный случайный вектор, причём отсчёты, взятые в разные моменты времени, являются независимыми между собой случайными величинами, однако отсчёты шума, взятые в один и тот же момент времени, могут быть коррелированными случайными величинами.

Проведено исследование корреляционных взаимосвязей отсчётов миографической помехи между различными отведениями электрокардиосигнала. С помощью двенадцатиканального кардиомонитора «КАРДИОТЕХНИКА-07-3/12» фирмы «Инкарт» регистрировался электрокардиосигнал у 15 пациентов и у 10 здоровых в условиях стационара ПСПбГМУ им. акад. И.П. Павлова. Запись электрокардиосигнала производилась с частотой дискретизации, равной 1000 Гц. Для получения мониторограмм, содержащих миографическую помеху, при регистрации ЭКС испытуемыми целенаправленно осуществлялись различные виды физической нагрузки. Показано наличие корреляционных взаимосвязей между отсчётами миографической помехи для различных отведений электрокардиосигнала, причем для некоторых смежных отведений выборочный коэффициент корреляции между отсчетами миографической помехи достигал величины 0,7, что свидетельствует о необходимости учета данных взаимосвязей (миографической помехи) при обработке ЭКС.

На основании полученных данных разработана статистическая модель

миографической помехи, учитывающая корреляционные взаимосвязи межу

11

отсчётами шума из различных отведений ЭКС, а также разработана модель изменения электрокардиосигнала, в соответствии с которой при развитии эпизода ишемии миокарда в определённых комбинациях отведений происходит одновременное линейное изменение величины смещения сегмента БТ.

Таким образом, модель отражает как изменения электрокардиосигнала при развитии эпизодов ишемии, так и учитывает влияние помех и шумов, в том числе и корреляционные взаимосвязи миографической помехи между различными отведениями.

В третьей главе на основании разработанной многомерной модели миографической помехи предварительно найдены совместные оценки средней мощности миографической помехи при многоканальной обработке ЭКС, которые учитывают коррелированность шумовых отсчётов в смежных отведениях электрокардиосигнала и используются в разрабатываемом помехоустойчивом алгоритме автоматизированного обнаружения эпизодов ишемии миокарда. Преимущество данных оценок по сравнению с одноканальными оценками (дисперсии) заключается в большей точности (меньшем разбросе).

Разработан помехоустойчивый алгоритм выявления эпизодов ишемии миокарда. Синтезированный алгоритм основан на определении степени близости наблюдаемого сигнала, составленного из последовательности БТ-сегментов (регистрируемого электрокардиосигнала), к двум сигналам, характеризующим развитии эпизода ишемии миокарда до величины диагностически значимого смещения БТ-сегмента и до величины, меньшей диагностически значимой на величину £ . Рассмотрен однопороговый и

двухпороговый подход к решению задачи выявления эпизодов ишемии миокарда в сильно зашумленных записях ЭКС.

В четвертой главе дано описание разработанного программного

обеспечения, реализующего методы и подходы, полученные в ходе

диссертационного исследования. Был разработан программный комплекс в

первую очередь направленный на автоматизированное обнаружение

12

эпизодов ишемии миокарда в сильно зашумлённых фрагментах ЭКС, которые ранее отбрасывались из рассмотрения.

Клиническая апробация предложенных алгоритмов обработки электрокардиосигнала с целью выявления эпизодов ишемии миокарда в условиях сложной сигнально-помеховой обстановки, а также их сравнение с лучшими из существующих алгоритмов, представляла собой обработку 142 фрагментов мониторограмм (длительностью от полутора до десяти минут) 96 пациентов в возрасте 58,64 ± 11,1 лет (в том числе 37 женщин и 59 мужчин), из которых 49 человек имели доказанную ишемическую болезнь сердца, подтвержденную данными стресс-эхокардиографических исследований. Фрагменты были подвержены воздействию помех, содержали артефакты и были исключены экспертами из анализа ввиду невозможности визуально определить наличие или отсутствие диагностически значимого смещения сегмента ST, при расшифровке мониторограмм. Имеющиеся записи ЭКС были проанализированы с использованием разработанного алгоритма.

В итоге апробация алгоритма показала, что 66 из 71 фрагмента мониторограмм, соответствующих группе здоровых, были правильно отнесены к своей группе, т. е. 8р = 0,929. 65 из 71-го фрагмента мониторограмм, соответствующих группе больных ИБС, также были правильно определены (& = 0,915) .Для пяти записей из группы здоровых и 6-ти записей из группы больных алгоритмом было выработано решение о необходимости проведения дальнейших углубленных исследований на предмет выявления наличия или отсутствия ишемии миокарда с применением иных методов диагностики (стресс-эхо, сцинтиграфия миокарда, коронарография) с учётом клинических данных (например, анализ субъективных ощущений больного).

Таким образом, результаты апробации, приведённые в данной главе, показывают возможность использования разработанного помехоустойчивого автоматизированного алгоритма выявления эпизода ишемии миокарда для анализа сильно зашумленных записей электрокардиосигнала.

В заключении сформулированы основные результаты работы.

ГЛАВА 1. ПРОБЛЕМЫ РАЗРАБОТКИ СИСТЕМ МНОГОКАНАЛЬНОГО АНАЛИЗА ЭЛЕКТРОКАРДИОСИГНАЛА

1.1. Описание электрофизиологических процессов при развитии ишемии миокарда

Основная функция сердца включает ритмичное нагнетание крови в легкие для её оксигенации (насыщения кислородом) и доставку оксигенированной крови в большой круг кровообращения для обеспечения метаболических потребностей организма. Распространение электрических токов через сердечную мышцу является сигналом для кардиального сокращения [1], [4].

Ишемическая болезнь сердца (ИБС) - острое или хроническое заболевание, обусловленное нарушением кровоснабжения сердца из-за несоответствия между коронарным кровотоком и потребностями миокарда в кислороде. К подобным изменениям нормальной работы сердца приводят как морфологические, так и функциональные изменения коронарных артерий, что при отсутствии должного лечения может привести к развитию острого инфаркта миокарда или внезапной смерти [5]-[7].

В большинстве случаев ИБС обусловлена атеросклерозом коронарных артерий. В результате появления атеросклеротических бляшек в коронарных артериях происходит уменьшение просвета артерии (стеноз) и ограничение кровоснабжения участка сердечной мышцы, расположенного ниже места стеноза. Сужение просвета коронарной артерии на 50-75% и более является гемодинамически значимым и приводит к появлению ишемии миокарда при увеличении частоты сердечных сокращений или артериального давления, что обычно наблюдается при выполнении физической нагрузки. Спазм коронарной артерии в зоне бляшки может индуцировать ишемию в состоянии покоя.

Существуют различные клинические формы ИБС [1]. Одним из наиболее часто встречающихся проявлений ИБС является стенокардия, проявляющаяся ощущением дискомфорта за грудиной. Тяжесть стенокардии соответствует определённому функциональному классу (таблица 1.1). Кроме того, существует и так называемая безболевая ишемия миокарда, при которой отсутствуют характерные для ИБС болевые ощущения.

Таблица 1.1

Функциональный класс стенокардии

Класс Ограничения физической активности При каких нагрузках возникают сердечные приступы

I нет при высокоинтенсивных

II небольшие при средних (ходьба на дистанцию более 500 м, подъем на третий этаж)

III выраженные при низких (ходьба на дистанцию 100-200 м, подъем на второй этаж)

IV очень высокие при очень низких (при любой ходьбе, повседневных занятиях) или в состоянии покоя

Ощущение болей в области сердца не всегда говорит о наличии у пациента ИБС. Для достоверного подтверждения ИБС используются инструментальные методы исследования, позволяющие обнаружить объективные признаки ишемии миокарда или значимого поражения коронарных сосудов. В настоящее время для этих целей используются различные виды электрокардиографии, эхокардиография, магнитно -резонансная томография, коронарография.

Электрокардиография на сегодняшний день является одним из наиболее распространённых инструментальных методов исследования состояния сердца. С помощью данного метода исследования становится возможным визуализировать распространение электрических процессов по сердечной мышце.

Наибольшее распространение при регистрации электрокардиограммы с целью диагностики ИБС получила система из 12 отведений [8]. Шесть из данных отведений (I, II, III, aVR, а^, aVF), получающиеся при креплении измерительных электродов к конечностям, отражают изменение электрического потенциала сердца во фронтальной плоскости, другие шесть отведений (VI - У6), называемые грудными, показывают изменение электрического потенциала сердца в горизонтальной плоскости

(рисунок 1.1).

ЛсЗая нога

(■т^с.

КМ-

«¿70*

*МГ ('90')

-

*150*

а

б

Рисунок 1.1 - (а) Система координат, образованная стандартными отведениями ЭКГ, (б) Расположение электродов в отведениях V1-V6

Развитие эпизодов ишемии миокарда обычно сопровождается изменениями электрокардиосигнала на БТ-сегменте. При многоканальной регистрации ЭКС обнаружение признаков ИБС считается достоверным, если изменение электрокардиосигнала на БТ-сегменте регистрируется в двух и более смежных отведениях (таблица 1.2) [9], [10].

Таблица 1.2

Комбинации отведений, в которых одновременное выявление ишемических изменений сегмента БТ трактуется как появление ишемии миокарда

Грудные отведения Отведения от конечностей

У1 - У2 II - III

У2 - У3 I - aVL

У3 - У4 II - aVF

У4 - У5 III - AVF

У5 - У6 --

В качестве примера, на рисунке 1.2 показан фрагмент записи электрокардиосигнала в 12 отведениях с косонисходящей депрессией БТ-сегмента в отведениях II, III, аУБ, что говорит о наличии ишемии нижней стенки сердца левого желудочка сердца.

Рисунок 1.2 - Изменения формы электрокардиосигнала в отведениях II, III, аУБ при

ишемии нижней стенки сердца человека.

Анализ электрокардиосигнала, регистрируемого в различных отведениях, позволяет не только выявить развитие эпизодов ишемии, но во многих случаях определить и область поражения сердца, что является важной диагностической информацией для врача кардиолога [11].

1.2 Проблемы мониторинга и контроля пациентов с ИБС в условиях активной жизнедеятельности

Важной особенностью диагностики ИБС является необходимость проводить регистрацию ЭКС при различных состояниях человека: непрерывно в повседневных условиях или при выполнении физической нагрузки [12].

Обычно, особенно на начальных стадиях развития ИБС, какие-либо изменения формы электрокардиосигнала при проведении регистрации ЭКС в положении лёжа в покое не выявляются.

В медицинской практике находят применение различные виды функциональных проб (ФП). Функциональные пробы - это методы исследования сердечно-сосудистой системы, при которых на организм происходит воздействие различных факторов, изменяющих в той или иной степени гомеостаз кардиореспираторной системы. В результате проведения такого воздействия начинают провоцироваться патофизиологические состояния, позволяющие обнаружить ранее скрытую патологию сердечнососудистой системы. В случае, если известна априорная информация о наличии патологии, то с помощью ФП становится возможным оценить степень выраженности данной патологии или оценить компенсаторные возможности сердечно-сосудистой системы.

Проба с физической нагрузкой заключается в выполнении пациентом физической нагрузки на беговой дорожке или велоэргометре при одновременной регистрации электрокардиосигнала. Проба с физической нагрузкой является стандартным и широко используемым тестом при диагностике ИБС, провоцирующим возникновение ишемии миокарда.

Суточное мониторирование имеет ряд значимых преимуществ перед регистрацией электрокардиосигнала в покое, позволяя выявлять эпизоды жизнеугрожающих нарушений в работе сердца, характеризуя их

продолжительность, частоту повторяемости и распределение в течение суток.

Метод регистрации электрокардиосигнала в течение длительного времени в повседневных условиях жизнедеятельности человека получил название холтеровского или суточного мониторирования.

Список литературы диссертационного исследования кандидат наук Григорьев Евгений Борисович, 2019 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Чазов Е.И. Болезни сердца и сосудов. - М.: Медицина, 1992. - Т2. -488 с.

2. Е. М. Нифонтов, Т.Л. Рудакова, А.Г. Салимьянова. Клинический анализ электрокардиограммы / под ред. акад. РАМН проф. В.А. Алмазова и акад. РАМН проф. Е. В. Шляхто. СПб: Изд-во СПбГМУ, 2013. - 86 с.

3. Landesberg G. et al. Perioperative Myocardial Ischemia and InfarctionIdentification by Continuous 12-lead Electrocardiogram with Online ST-segment Monitoring //Anesthesiology: The Journal of the American Society of Anesthesiologists. - 2002. - Т. 96. - №. 2. - С. 264-270.

4. Мурашко В. В., Струтынский А. В. Электрокардиография. 312 стр. 3-е изд //М.-1998 г. - 1998.

5. Рябыкина Г. В., Соболев А. В. Диагностика ишемии миокарда методом холтеровского мониторирования ЭКГ //Вестник аритмологии. -2002. - Т. 26. - С. 5-10.

6. Wimmer N. J., Scirica B. M., Stone P. H. The clinical significance of continuous ECG (ambulatory ECG or Holter) monitoring of the ST-segment to evaluate ischemia: a review //Progress in cardiovascular diseases. - 2013. - Т. 56. - №. 2. - С. 195-202.

7. Gibson C. M. et al. Diagnostic and prognostic value of ambulatory ECG (Holter) monitoring in patients with coronary heart disease: a review //Journal of thrombosis and thrombolysis. - 2007. - Т. 23. - №. 2. - С. 135-145.

8. Goldberger A. L., Goldberger Z. D., Shvilkin A. Clinical Electrocardiography: A Simplified Approach E-Book. - Elsevier Health Sciences, 2017.

9. ЭКГ диагностика ишемии и инфаркта миокарда/ сост.: А.В. Синьков, Г.М. Синькова. ГБОУ ВПО ИГМУ Минздрава. - Иркутск: ИГМУ, 2015. -15с.

10. Das M. K. et al. Fragmented QRS on a 12-lead ECG: a predictor of mortality and cardiac events in patients with coronary artery disease //Heart Rhythm. - 2007. - Т. 4. - №. 11. - С. 1385-1392.

11. Ansari S. et al. A Review of Automated Methods for Detection of Myocardial Ischemia and Infarction using Electrocardiogram and Electronic Health Records //IEEE reviews in biomedical engineering. - 2017. - Т. 10. - С. 264-298.

12. Аникин А. П, Красичков А. С., Григорьев Е. Б., Виноградов А. И., Железняк Е.И. Система персонального мониторинга и дистанционной диагностики состояния здоровья пациента на основе стандарта беспроводной связи ZigBee// Известия ВУЗов России - Радиоэлектроника, 2013, № 3. - С. 23-29.

13. Clifford G. D., Azuaje F., Mcsharry P. ECG statistics, noise, artifacts, and missing data //Advanced Methods and Tools for ECG Data Analysis. - 2006. - Т. 6. - С. 18.

14. Friesen G. M. et al. A comparison of the noise sensitivity of nine QRS detection algorithms //IEEE Transactions on biomedical engineering. - 1990. - Т. 37. - №. 1. - С. 85-98.

15. Afonso V. X. Ecg qrs detection //Biomedical digital signal processing. -1993. - С. 237-264.

16. Blanco-Velasco M., Weng B., Barner K. E. ECG signal denoising and baseline wander correction based on the empirical mode decomposition //Computers in biology and medicine. - 2008. - Т. 38. - №. 1. - С. 1-13.

17. Красичков А. С., Григорьев Е. Б., Михайлов В. Н., Шевченко М. А. Характеристики оценки дрейфа изоэлектрической линии кардиосигнала при анализе длительных мониторограмм// Известия ВУЗов России -Радиоэлектроника, 2013, № 3. - С. 44-48.

18. Райгайян Р. М. Анализ биомедицинских сигналов. Практический подход // Р. М. Рангайян ; под ред. А. П. Немирко ; пер. с англ. А. Н. Калиниченко. - Москва : Физматлит, 2010. - 439 с

19. Кардиомониторы - аппаратура непрерывного контроля ЭКГ: Учеб. пособие для вузов / под ред. Барановского А. Л., Немирко А. П. - М.: Радио и связь, 1993. - 248 с.

20. Bert-Uwe Köhler, Reinhold Orglmeister, Carsten Hennig. The Principles of Software QRS Detection IEEE, Engineering in Medicine and Biology, 2002, N2. - p. 42-57.

21. B. Gramatikov, J. Brinker, S. Yi-chun, and N. V. Thakor, "Wavelet analysis and time-frequency distributions of the body surface ECG before and after angioplasty," Comput. Methods Programs Biomed., vol. 62, no. 2, pp. 87-98, Apr. 2000

22. T. Stamkopoulos, M. Strintzis, C. Pappas, and N. Maglaveras, "Onelead ischemia detection using a new backpropagation algorithm and the European ST-T database," in Proc. IEEE Comput. Cardiol., 1992, pp. 663-666

23. Y.-L. Tseng, K.-S. Lin, and F.-S. Jaw, "Comparison of support-vector machine and sparse representation using a modified rule-based method for automated myocardial ischemia detection," Comput. Math. Methods Med., vol. 2016, pp. 1-8, 2016.

24. C. Papaloukas, D. I. Fotiadis, A. P. Liavas, A. Likas, and L. K. Michalis, "A knowledge-based technique for automated detection of ischaemic episodes in long duration electrocardiograms," Med. Biological Eng. Comput., vol. 39, no. 1, pp. 105-112, 2001

25. T. P. Exarchos, C. Papaloukas, D. I. Fotiadis, and L. K. Michalis, "An association rule mining-based methodology for automated detection of ischemic ECG beats," IEEE Trans. Biomed. Eng., vol. 53, no. 8, pp. 1531-1540, Aug. 2006

26. A. Kumar and M. Singh, "Ischemia detection using isoelectric energy function," Comput. Biol. Med., vol. 68, pp. 76-83, Jan. 2016.

27. J. I. Pelaez, J. M. Do ' na, J. Fornari, and G. Serra, "Ischemia classification via ECG using MLP neural networks," Int. J. Comput. Intell. Syst., vol. 7, no. 2, pp. 344-352, 2014

28. A. Taddei, G. Costantino, R. Silipo, M. Emdin, and C. Marchesi, "A system for the detection of ischemic episodes in ambulatory ECG," in Proc. IEEE Comput. Cardiol., 1995, pp. 705-708.

29. T. P. Exarchos, M. G. Tsipouras, C. P. Exarchos, C. Papaloukas, D. I. Fotiadis, and L. K. Michalis, "A methodology for the automated creation of fuzzy expert systems for ischaemic and arrhythmic beat classification based on a set of rules obtained by a decision tree," Artif. Intell. Med., vol. 40, no. 3, pp. 187-200, Jul. 2007

30. N. Maglaveras, T. Stamkopoulos, C. Pappas, and M. G. Strintzis, "An adaptive backpropagation neural network for real-time ischemia episodes detection: Development and performance analysis using the European ST-T database," IEEE Trans. Biomed. Eng., vol. 45, no. 7, pp. 805-813, Jul. 1998.

31. J. Vila, J. Presedo, M. Delgado, S. Barro, R. Ruiz, and F. Palacios, "SUTIL: Intelligent ischemia monitoring system," Int. J. Med. Informal, vol. 47, no. 3, pp. 193-214, Dec. 1997

32. P. Ranjith, P. Baby, and P. Joseph, "ECG analysis using wavelet transform, application to myocardial ischemia detection," ITBM-RBM, vol. 24, pp. 44-47, 2003.

33. S. C. Bulusu, M. Faezipour, V. Ng, M. Nourani, L. S. Tamil, and S. Banerjee, "Transient ST-segment episode detection for ECG beat classification," in Proc. IEEE/NIH Life Sci. Syst. Appl. Workshop, 2011, pp. 121-124.

34. J. J.Wang, O. Pahlm, G. S.Wagner, J.W.Warren, B. M. Hora'cek, and J. L. Sapp, "Validation of the vessel-specific leads (VSLs) for acute ischemia detection on a dataset with non-ischemic ST-segment deviation," in Proc. 2015 Comput. Cardiol. Conf., Sep. 2015, pp. 849-852

35. Papaloukas C. et al. An expert system for ischemia detection based on parametric modeling and artificial neural networks //Proc. Eur. Med. Biol. Eng. Conf. - 2002. - C. 742-743.

36. Goletsis Y. et al. A multicriteria decision based approach for ischaemia

detection in long duration ECGs //Information Technology Applications in

126

Biomedicine, 2003. 4th International IEEE EMBS Special Topic Conference on. -IEEE, 2003. - С. 173-176.

37. M. Strintzis, G. Stalidis, X. Magnisalis, and N. Maglaveras, "Use of neural networks for electrocardiogram (ECG) feature extraction recognition and classification," Neural Netw. World, vol. 3, no. 4, pp. 313-328, 1992.

38. E. S. Jayachandran, K. P. Joseph, and U. R. Acharya, "Analysis of myocardial infarction using discrete wavelet transform," J. Med. Syst., vol. 34, no. 6, pp. 985-992, Dec. 2010

39. R. Avent and J. Charlton. A critical review of trend-detection methodologies for biomedical systems //Crit. Rev. Biomed. Eng. - 1990. - Vol.17. - P.621-659.

40. Murugan S., Radhakrishnan S. Rule based classification of ischemic ECG beats using ant-miner //International Journal of Engineering Science and Technology. - 2010. - Т. 2. - №. 8. - С. 3929-3935.

41. I. Haimowitz, P.L. Phillip, and I. Kohane. Clinical monitoring using regression-based trend templates //Artif. Intell. Med. - 1995. - Vol.7. - P473-496.

42. Красичков А. С. Алгоритм индивидуального мониторинга кардиосигнала пациента с ишемической болезнью сердца //Изв. вузов России. Радиоэлектроника. - 2011. - №. 1. - С. 50-61.

43. Красичков А. С. Мобильная система тревожной сигнализации для больных ишемической болезнью сердца //Биотехносфера. - 2015. - №. 5 (41).

44. Красичков А.С. Принципы построения и базовое алгоритмическое обеспечение систем удаленного мониторинга состояния здоровья больных с нарушениями сердечно-сосудистой системы // Известия высших учебных заведений России. Радиоэлектроника. - 2016. - №2. - С. 85-94.

45. Taddei A, Distante G, Emdin M, Pisani P, Moody GB, Zeelenberg C, Marchesi C. The European ST-T Database: standard for evaluating systems for the analysis of ST-T changes in ambulatory electrocardiography. European Heart Journal 13: 1164-1172 (1992)

46. Park J., Pedrycz W., Jeon M. Ischemia episode detection in ECG using kernel density estimation, support vector machine and feature selection //Biomedical engineering online. - 2012. - T. 11. - №. 1. - C. 30.

47. Murugan S., Radhakrishnan S. Automated ischemic beat classification using genetic algorithm based principal component analysis //International Journal of Healthcare Technology and Management. - 2010. - T. 11. - №. 3. - C. 151162.

48. Kumar A., Singh M. Statistical analysis of ST segments for ischemia detection in electrocardiogram signals //Journal of Medical Imaging and Health Informatics. - 2016. - T. 6. - №. 2. - C. 431-440.

49. London M. J. et al. Intraoperative myocardial ischemia: localization by continuous 12-lead electrocardiography //Anesthesiology. - 1988. - T. 69. - №. 2. - C. 232-241.

50. A. Ghaffari, M. R. Homaeinezhad, and M. M. Daevaeiha, High resolution ambulatory holter ECG events detection-delineation via modified multi-lead wavelet-based features analysis: Detection and quantification of heart rate turbulence, Expert Syst. Appl., vol. 38, no. 5, pp. 52995310, 2011.

51. F. Chiarugi, V. Sakkalis, D. Emmanouilidou, T. Krontiris, M. Varanini, and I. Tollis, Adaptive threshold QRS detector with best channel selection based on a noise rating system, Comput. Cardiol., pp. 157160, 2007.

52. Nielsena D. B. et al. Automatic QRS complex detection algorithm designed for a novel wearable, wireless electrocardiogram recording device //Engineering in Medicine and Biology Society (EMBC), 2012 Annual International Conference of the IEEE. - IEEE, 2012. - C. 2913-2916.

53. H. Boqiang and W. Yuanyuan, Detecting QRS complexes of two channel ECG signals by using combined wavelet entropy, 3rd International Conference on Bioinformatics and Biomedical Engineering, vols. 1-11, pp. 24392442, 2009.

54. Laguna P., Jane R., Caminal P. Automatic detection of wave boundaries in multilead ECG signals: Validation with the CSE database //Computers and biomedical research. - 1994. - T. 27. - №. 1. - C. 45-60.

55. Gritzali F. Towards a generalized scheme for QRS detection in ECG waveforms //Signal processing. - 1988. - Т. 15. - №. 2. - С. 183-192.

56. Chouhan V. S., Mehta S. S. Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold //International Journal of Computer Science and Network Security. - 2008. - Т. 8. - №. 1. - С. 155-163.

57. Ghaffari A. et al. A robust wavelet-based multi-lead electrocardiogram delineation algorithm //Medical Engineering and Physics. - 2009. - Т. 31. - №. 10.

- С. 1219-1227.

58. Rincón F. et al. Development and evaluation of multilead wavelet-based ECG delineation algorithms for embedded wireless sensor nodes //IEEE Transactions on Information Technology in Biomedicine. - 2011. - Т. 15. - №. 6.

- С. 854-863.

59. Martínez J. P. et al. A wavelet-based ECG delineator: evaluation on standard databases //IEEE transactions on biomedical engineering. - 2004. - Т. 51.

- №. 4. - С. 570-581.

60. Mehta S., Lingayat N., Sanghvi S. Detection and delineation of P and T waves in 12 lead electrocardiograms //Expert Systems. - 2009. - Т. 26. - №. 1. -С. 125-143.

61. Лебедева Н. А. Алгоритмы анализа многоканальной ЭКГ для классификации форм QRS-комплексов./Автореф. дисс... к. т. н //СПб: ЛЭТИ.

- 1999.

62. Correa R. et al. Novel set of vectorcardiographic parameters for the identification of ischemic patients //Medical Engineering and Physics. - 2013. - Т. 35. - №. 1. - С. 16-22.

63. Correa R. et al. Novel technique for ST-T interval characterization in patients with acute myocardial ischemia //Computers in biology and medicine. -2014. - Т. 50. - С. 49-55.

64. Hadjem M., Naït-Abdesselam F., Khokhar A. ST-segment and T-wave anomalies prediction in an ECG data using RUSBoost //e-Health Networking,

Applications and Services (Healthcom), 2016 IEEE 18th International Conference on. - IEEE, 2016. - С. 1-6.

65. Roe B. P. et al. Boosted decision trees as an alternative to artificial neural networks for particle identification //Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. - 2005. - Т. 543. - №. 2-3. - С. 577-584.

66. Silipo R., Taddei A., Marchesi C. Continuous monitoring and detection of ST-T changes in ischemic patients //Computers in Cardiology 1994. - IEEE, 1994. - С. 225-228.

67. Santopietro R. F. The origin and characterization of the primary signal, noise, and interference sources in the high frequency electrocardiogram //Proceedings of the IEEE. - 1977. - Т. 65. - №. 5. - С. 707-713.

68. Turner I. N. et al. Noise coherence in closely-spaced electrodes: The implications for spatial averaged EGG recordings //Journal of medical engineering & technology. - 1995. - Т. 19. - №. 5. - С. 158-161.

69. Lalkhen A. G., McCluskey A. Clinical tests: sensitivity and specificity //Continuing Education in Anaesthesia Critical Care & Pain. - 2008. - Т. 8. - №. 6. - С. 221-223.

70. Шакин В. В. Вычислительная электрокардиография / В. В. Шакин. -М. : Наука, 1981. - 167 с.

71. Agante P. M., De Sa J. P. M. ECG noise filtering using wavelets with soft-thresholding methods //Computers in Cardiology, 1999. - IEEE, 1999. - С. 535-538.

72. Sameni R. et al. A nonlinear Bayesian filtering framework for ECG denoising //IEEE Transactions on Biomedical Engineering. - 2007. - Т. 54. - №. 12. - С. 2172-2185.

73. Кокс Д., Хинкли Д. Теоретическая статистика //Мир. - 1978.

74. Красичков А.С., Григорьев Е.Б., Соколова А.А., Федоров А.А. Оценка отношения сигнал/помеха при обработке электрокардиосигнала// Биотехносфера. Вып. 3-4. 2012. - С. 116-118.

75. Г.П. Кюнци, В. Крелле. Нелинейное программирование. — Москва: «Советское радио», 1965.

76. Камынин Л. И. Курс математического анализа. Том 1. Учебник. -Московский государственный университет имени МВ Ломоносова, 2001.

77. Schafer R. W. What is a Savitzky-Golay filter?[lecture notes] //IEEE Signal processing magazine. - 2011. - Т. 28. - №. 4. - С. 111-117.

78. Е. Б. Григорьев, А. С. Красичков, Е. М. Нифонтов. Оценка статистических характеристик миографической помехи при многоканальной регистрации электрокардиосигнала // Известия ВУЗов России -Радиоэлектроника, 2018, № 6.

79. Pan J., Tompkins W. J. A real-time QRS detection algorithm //IEEE Trans. Biomed. Eng. - 1985. - Т. 32. - №. 3. - С. 230-236.

80. Krasichkov A.S., Grigoriev E.B., Bogachev M.I., Nifontov E.M. Shape anomaly detection under strong measurement noise: An analytical approach to adaptive thresholding //Physical Review E. - 2015. - Т. 92. - №. 4. - С. 042927.

81. Moody GB, The PhysioNet / Computers in Cardiology Challenge 2008: T-Wave Alternans. Computers in Cardiology 35:505-508; 2008.

82. Kligfield P. et al. Recommendations for the standardization and interpretation of the electrocardiogram: part I: the electrocardiogram and its technology a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; the American College of Cardiology Foundation; and the Heart Rhythm Society endorsed by the International Society for Computerized Electrocardiology //Journal of the American College of Cardiology. - 2007. - Т. 49. - №. 10. - С. 1109-1127.

83. Nachar N. et al. The Mann-Whitney U: A test for assessing whether two independent samples come from the same distribution //Tutorials in Quantitative Methods for Psychology. - 2008. - Т. 4. - №. 1. - С. 13-20.

84. Petersen K. B. et al. The matrix cookbook //Technical University of Denmark. - 2008. - Т. 7. - №. 15. - С. 510.

85. Гантмахер Ф.Р. Теория матриц. - М.: Наука, 1988. -552 с.

86. Красичков А. С. Методологическое обеспечение автоматизированной системы тревожной сигнализации при развитии ишемии миокарда. Автореферат диссертации на соискания ученой степени доктора медицинских наук. - СПб, 2016. - 36 с.

87. Симонова О.Н. Клинико-физиологические характеристики функциональных нарушений ограничивающих жизнедеятельность больных ишемической болезнью сердца. Диссертация на соискания ученой степени доктора медицинских наук. - СПб, 2000. - 310 c.

88. Ачкасов Е. и др. Электрокардиограмма спортсмена: норма, патология и потенциально опасная зона. - Litres, 2018.

89. Drew B. J. et al. Bedside diagnosis of myocardial ischemia with ST-segment monitoring technology: measurement issues for real-time clinical decision making and trial designs //Journal of electrocardiology. - 1998. - Т. 30. - С. 157165.].

90. Nelwan S. P. et al. Detection of body position changes and its effect on ST-changes in the continuous 12-lead electrocardiogram //Computers in Cardiology 2000. - IEEE, 2000. - С. 825-828.

91. Nelwan S. P. et al. Correction of ECG variations caused by body position changes and electrode placement during ST-T monitoring //Journal of electrocardiology. - 2001. - Т. 34. - №. 4. - С. 213-216.

92. Adams M. G., Drew B. J. Body position effects on the ECG: implication for ischemia monitoring //Journal of electrocardiology. - 1997. - Т. 30. - №. 4. -С. 285-291.

93. В. М. Тихоненко Заключение по холтеровскому мониторированию. -СПб.: БХВ-Петербург,2018.-128 с.

94. Рябыкина Г. В. Диагностика ишемии миокарда у больных с коронарогенной и некоронарогенной патологией при холтеровском мониторировании электрокардиограммы //Вестник аритмологии. - 2003. - №. 32. - С. 8-11

95. AACN Practice Alert:ST-Segment Monitoring // Crit Care Nurse August 2008 28:70-72

96. Drew B. J., Adams M. G. Clinical consequences of ST-segment changes caused by body position mimicking transient myocardial ischemia: hazards of ST-segment monitoring? //Journal of electrocardiology. - 2001. - Т. 34. - №. 3. - С. 261-264.

97. Калиниченко А. Н. Компьютерные методы автоматического анализа ЭКГ в системах кардиологического наблюдения. Диссертация на соискания ученой степени доктора медицинских наук // СПб, - 2008. - 205 с.

98. Chiu C. C., Lin T. H., Liau B. Y. Using correlation coefficient in ECG waveform for arrhythmia detection //Biomedical Engineering: Applications, Basis and Communications. - 2005. - Т. 17. - №. 03. - С. 147-152.

99. А. С. Красичков, Е.Б. Григорьев, Е.М. Нифонтов, В.В. Шаповалов. Оценка допустимых границ выборочного коэффициента взаимной корреляции в задаче классификации кардиокомплексов // Медицинская техника. - 2017. - №6, С. 10-13

100. Красичков А. С., Григорьев Е. Б., Нифонтов Е. М. Влияние миографической помехи и дрейфа изоэлектрической линии на коэффициент корреляции при классификации кардиокомплексов //Медицинская техника. -2015. - №. 4. - С. 23-26.

101. Красичков А.С., Григорьев Е.Б., Нифонтов Е.М., Шаповалов В.В. Алгоритм обнаружения и сортировки кардиокомплексов в задаче обработки данных длительного мониторирования кардиосигнала //Авиакосмическая и экологическая медицина. - 2016. - Т. 50. - №. 6. - С. 70-78.

102. Kumar A., Singh M. Statistical analysis of ST segments in ECG signals for detection of ischaemic episodes //Transactions of the Institute of Measurement and Control. - 2018. - Т. 40. - №. 3. - С. 819-830.

Приложение 1

Покажем, что значение выборочного коэффициента корреляции между отсчётами миографической помехи из разных отведений, полученной с помощью фильтра нижних частот с частотой среза порядка 150 Гц, будет сопоставимо с его истинным значением.

ТТ (1) (1) (1) (2) (2) (2)

Пусть п\',п\'и п\',п\'- последовательности независимых нормальных случайных величин, имитирующих миографическую помеху в двух смежных отведениях ЭКС на протяжении одного кардиоцикла, причём

т \п\]) |=0,/) \п\])} = (о-<7> )2, / = 1,2,...,Ы,у = 1,2

Г <0 (2) • • ( (1) (2)\ р< 1 < ', если /1 = 12

СОУI Щ', щ ' 1 = у 1 2,

х 1 1 7 [0, если \ ф ¡2

где р - истинное значение коэффициента корреляции между отсчётами миографической помехи, значение которого определяется с помощью выражения

соу | щ щ2 ^ с

Р =

1 (2) ~ (Л (2)

где С = соу | Щ Щ1 ^ при любом значении ¡.

Наблюдаемая реализация ЭКС в у-ом отведении, в соответствии с используемой моделью представляет аддитивную смесь сигнала и шума уМ = ^+.

При проведении линейной цифровой фильтрации с помощью, например, фильтра с конечной импульсной характеристикой, д-ый отсчёт сигнал на

выходе фильтра в у-ом отведении ЭКС будет описываться выражением

р

# = Х = 1,2, (П.1)

1=0

где Р - порядок фильтра, Ь - коэффициенты фильтра.

В связи с линейностью фильтра выражение (П.1) можно представить в

виде

У = + ^, ^ = •%>$>, --Щ» = , р = 1,2, (П.2)

¿=0 ¿=0

причём в связи с выбранной частотой среза фильтра верхних частот, равной 150 Гц, имеет место неравенство << . Справедливость данного

неравенства зависит от соотношения амплитудных спектров сигналов и

в полосе заграждения фильтра, т.е. зависит от дисперсии

миографической помехи и от величины подавления фильтра в полосе заграждения. Однако как показали результаты моделирования с использованием кардиоциклов различной формы, возможно обеспечить справедливость данного неравенства даже при незначительном уровне шума, не затрудняющего проведение как автоматического, так и визуального анализа ЭКС.

Таким образом, выражение (П.2) можно упростить, в результате чего

р

* = ТъП]), / = 1,2.

д пч г J •>

г=0

Ковариация между отсчётами на выходе фильтра будет равна

с р р \ р

ОСУ (-<2>) = ОСУ (, М = СТъЪ ,

V ¿=0 г=0 У г=0

а дисперсия будет определяться выражением

Н-Р} = »\Ъ,пР } = (*<Л)2 Ы р = 1,2.

^I=0 J ¿=0

В результате значение коэффициента корреляции г между отсчётами на выходе фильтра будет равно

с _

т.е. значение коэффициента корреляции после проведения подобной фильтрации соответствует исходному коэффициенту корреляции между отсчётами миографической помехи.

Подобный результат будет получаться и при использовании фильтра с бесконечной импульсной характеристикой, разностное уравнение которого определяется выражением

Р 2

=х ъур -х, р=1,2.

¿=0 к=1

Приложение 2

Значения выборочного коэффициента корреляции между отсчётами миографической помехи в различных отведениях электрокардиосигнала при задании миграфической помехи следующими способами:

а) статическое напряжение грудных мышц

Отв. I II III ауЯ ауЬ ауБ V! V2 V3 V4 V5 V6

I 1,00 0,66 -0,64 -0,93 0,93 0,03 0,07 -0,02 0,01 0,01 0,03 0,03

II 0,66 1,00 0,15 -0,89 0,34 0,77 0,52 0,47 0,31 0,43 0,49 0,51

III -0,64 0,15 1,00 0,32 -0,87 0,75 0,43 0,50 0,30 0,43 0,47 0,49

ауЯ -0,93 -0,89 0,32 1,00 -0,74 -0,38 -0,29 -0,21 -0,16 -0,21 -0,25 -0,26

ауЬ 0,93 0,34 -0,87 -0,74 1,00 -0,34 -0,16 -0,25 -0,14 -0,20 -0,20 -0,21

ауБ 0,03 0,77 0,75 -0,38 -0,34 1,00 0,63 0,64 0,41 0,57 0,63 0,67

VI 0,07 0,52 0,43 -0,29 -0,16 0,63 1,00 0,81 0,44 0,56 0,60 0,63

VI -0,02 0,47 0,50 -0,21 -0,25 0,64 0,81 1,00 0,48 0,61 0,64 0,65

V3 0,01 0,31 0,30 -0,16 -0,14 0,41 0,44 0,48 1,00 0,52 0,42 0,43

V4 0,01 0,43 0,43 -0,21 -0,20 0,57 0,56 0,61 0,52 1,00 0,66 0,61

V5 0,03 0,49 0,47 -0,25 -0,20 0,63 0,60 0,64 0,42 0,66 1,00 0,79

V6 0,03 0,51 0,49 -0,26 -0,21 0,67 0,63 0,65 0,43 0,61 0,79 1,00

б) подъём гири

Отв. I II III ауЯ ауЬ ауБ V1 V2 V3 V4 V5 V6

I 1,00 0,36 -0,39 -0,76 0,77 -0,02 -0,35 -0,01 -0,10 -0,04 0,01 0,02

II 0,36 1,00 0,72 -0,87 -0,32 0,93 -0,35 -0,17 0,09 0,29 0,47 0,63

III -0,39 0,72 1,00 -0,30 -0,88 0,93 -0,08 -0,16 0,16 0,31 0,46 0,61

ауЯ -0,76 -0,87 -0,30 1,00 -0,18 -0,63 0,42 0,12 -0,01 -0,18 -0,33 -0,44

ауЬ 0,77 -0,32 -0,88 -0,18 1,00 -0,65 -0,12 0,10 -0,16 -0,24 -0,31 -0,41

ауБ -0,02 0,93 0,93 -0,63 -0,65 1,00 -0,23 -0,18 0,13 0,32 0,50 0,66

V1 -0,35 -0,35 -0,08 0,42 -0,12 -0,23 1,00 0,60 0,37 0,14 0,00 -0,08

V2 -0,01 -0,17 -0,16 0,12 0,10 -0,18 0,60 1,00 0,36 0,19 0,10 0,02

V3 -0,10 0,09 0,16 -0,01 -0,16 0,13 0,37 0,36 1,00 0,54 0,34 0,23

V4 -0,04 0,29 0,31 -0,18 -0,24 0,32 0,14 0,19 0,54 1,00 0,72 0,47

V5 0,01 0,47 0,46 -0,33 -0,31 0,50 0,00 0,10 0,34 0,72 1,00 0,70

V6 0,02 0,63 0,61 -0,44 -0,41 0,66 -0,08 0,02 0,23 0,47 0,70 1,00

в) подъём по лестнице на четвёртый этаж

Отв. I II III ауЯ ауЬ ауБ У1 У2 У3 У4 У5 У6

I 1,00 0,35 -0,49 -0,79 0,82 -0,09 -0,23 0,03 -0,05 0,00 0,09 -0,01

II 0,35 1,00 0,65 -0,84 -0,23 0,90 -0,07 0,02 0,24 0,22 0,41 0,53

III -0,49 0,65 1,00 -0,15 -0,89 0,91 0,12 0,00 0,26 0,21 0,31 0,50

ауЯ -0,79 -0,84 -0,15 1,00 -0,31 -0,53 0,18 -0,03 -0,13 -0,15 -0,32 -0,34

ауЬ 0,82 -0,23 -0,89 -0,31 1,00 -0,63 -0,20 0,02 -0,19 -0,13 -0,15 -0,33

ауБ -0,09 0,90 0,91 -0,53 -0,63 1,00 0,03 0,01 0,27 0,24 0,39 0,57

У1 -0,23 -0,07 0,12 0,18 -0,20 0,03 1,00 0,58 0,47 0,30 0,28 0,31

У2 0,03 0,02 0,00 -0,03 0,02 0,01 0,58 1,00 0,52 0,41 0,40 0,34

У3 -0,05 0,24 0,26 -0,13 -0,19 0,27 0,47 0,52 1,00 0,66 0,48 0,42

У4 0,00 0,22 0,21 -0,15 -0,13 0,24 0,30 0,41 0,66 1,00 0,79 0,55

У5 0,09 0,41 0,31 -0,32 -0,15 0,39 0,28 0,40 0,48 0,79 1,00 0,68

У6 -0,01 0,53 0,50 -0,34 -0,33 0,57 0,31 0,34 0,42 0,55 0,68 1,00