Вейвлет-преобразование электрокардиосигнала для компьютерных систем диагностики ишемической болезни сердца тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат технических наук Подклетнов, Сергей Георгиевич

• Подклетнов, Сергей Георгиевич
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Подклетнов, Сергей Георгиевич

Введение.

Глава 1. Проблема автоматизации анализа ЭКГ у ишемических больных.

1.1. Метод электрокардиографии, роль вычислительных машин в электрокардиографии и медицине.

1.1.1. Обработка сигналов с цомощью компьютеров.

1.1.2. Метод электрокардиографии высокого разрешения.

1.2. Особенности ЭКГ сигнала у здоровых людей и больных сердечно-сосудистыми заболеваниями.

1.2.1. Методы обработки ЭКГ, используемые для диагностики ишемической болезни сердца.

1.3. Традиционные подходы к решению проблемы диагностики ишемической болезни сердца по ЭКГ.„.

1.3.1. Анализ смещения ST сегмента.

1.3.2. Построение диагностической процедуры ишемической болезни сердца с начальными клиническими проявлениями на основе метода спектрально временного картирования ЭКГ высокого разрешения.

1.3.2.1. Методика описания спектрально-временной карты зубца Р и комплекса QRS.

1.3.2.2. Исследование повторяемости информативных признаков спектрально временного картирования.

1.3.2.3. Построение диагностической процедуры на основе предложенной системы показателей.

Выводы.

Глава 2. Вейвлет-преобразование и его использование для автоматического анализа биомедицинских сигналов.

2.1 Непрерывное вейвлет-преобразование и анализ со многими разрешениями.

2.1.1. Свойства Fy (а, Ъ).

2.2. Примеры материнских вейвлетов.

2.2.1. Примеры непрерывного вейвлет-преобразования.

2.3. Анализ биомедицинских сигналов с помощью вейвлет преобразования.

2.3.1. Обработка электроэнцефалографического сигнала с помощью вейвлет-преобразования.

2.3.2. Поздние потенциалы желудочков.

2.3.2.1. Применение вейвлет-преобразование для поиска поздних потенциалов желудочков.

2.4. Преимущества использования вейвлет-преобразования при обработке ЭКГ.

Выводы.

Глава 3. Вейвлет-преобразование ЭКГ для диагностики ишемической болезни сердца.

3.1. Возможность применения вейвлет-преобразования для обнаружения и ранней диагностики ишемической болезни сердца.

3.1.1. Спектральный анализ и спектрально-временное картирование (спектрография).

3.1.2. Выбор параметров вейвлет-преобразования.

3.2. Выявление различий между нормой и патологией. Выбор участка ЭКГдля обработки.

3.3. Выбор вейвлет-функции для вейвлет-преобразования.

3.4. Выбор масштаба для вейвлет-преобразования.

Выводы.

Глава 4. Многомерный статистический анализ признаков вейвлет-преобразования для диагностики ИБС.

4:1. Дискриминантный анализ.

4.1.1. Сокращение размерности пространства признаков.

Пошаговый дискриминантный анализ.

4.2. Выявление индивидуальных различий методом дискриминантного анализа.

4.2.1. Выявление различий между нормой и патологией.

4.2.2. Применение дискриминантного анализа для выявления различий в многомерном пространстве признаков.

4.3. Проверка повторяемости информативных показателей вейвлет-изображения ЭКГ (QRS комплексы).

4.3.1. Применение вейвлет-преобразования к контрольной группепациентов.

4.4. Обсуждение результатов применения дискриминантного анализа к вейвлет-преобразованию ЭКГ сигнала.

Выводы.

Глава 5. Разработка программного обеспечения для систем по автоматическому анализу ЭКГ у больных с ишемической болезнью сердца.

5.1. Описание программного обеспечения.

5.2. Требование к программно-аппаратному комплексу.

5.3. Описание статистических данных.

5.4. Результаты экспериментов.

Выводы.

Введение диссертации (часть автореферата) на тему «Вейвлет-преобразование электрокардиосигнала для компьютерных систем диагностики ишемической болезни сердца»

Актуальность темы. В современных медицинских исследованиях продолжает сохраняться большой интерес к методам анализа электрокардиограмм (ЭКГ). Это связано с тем, что сердечно - сосудистые заболевания, и в первую очередь ишемическая болезнь сердца (ИБС), продолжают оставаться ведущей причиной смертности в большинстве развитых стран, например, в Соединенных Штатах ежегодно регистрируется около 1,5 миллиона случаев инфаркта миокарда (ИМ) и более 520 ООО смертей. Каждый год в США около 400 ООО американцев умирают внезапно, из них около 251 ООО — от внезапной сердечной смерти (ВСС). По данным [1], внезапная сердечная смерть составляет 15-20 % всех ненасильственных случаев смерти среди жителей промышленно развитых стран. Согласно приводимым в настоящее время данным, примерно в 60 % случаев ишемическая болезнь сердца клинически проявляется острым коронарным синдромом, еще в 24 % — стабильной стенокардией, в остальных 16 % случаев — ВСС. Несмотря на значительные усилия, прилагаемые для ее решения на протяжении последних 20 лет, достигнуть значительных успехов в вопросах прогноза, терапии и профилактики ВСС так и не удалось.

Решение задачи автоматического анализа ЭКГ позволяет решать задачу наблюдения за состоянием больных, находящихся в критической ситуации и требующих к себе повышенного внимания с точки зрения оперативной диагностики, лечения и ухода, и делает возможной раннюю диагностику нарушений работы сердца. В настоящее время не существует электрокардиографа, позволяющего эффективно обнаружить признаки ранней стадии ишемической болезни сердца (ИБС) и тем самым решить задачу прогнозирования внезапной сердечной смерти. Имеющееся программное обеспечение существующих систем полностью не удовлетворяет требованиям практических задач. Для решения задачи успешного прогнозирования внезапной сердечной смерти в современной кардиологии необходимо получить максимально полную информацию об электрическом потенциале сердца, на основании которой можно было бы расширить диагностику патологических состояний миокарда, его электрофизиологических свойств. Широкое развитие компьютерных технологий, современных методов цифровой обработки данных и существующие клинические задачи обусловили разработку и широкое использование в повседневной практике компьютерных электрокардиографических систем. Реализация новых технологий потребовала резкого качественного усовершенствования этапов сбора и обработки информации. Классический метод с различными вариантами отведений и интерпретацией результатов (диагностикой), базирующейся на принципах врачебной логики и применяемой врачом или с помощью компьютеров, принято относить к ЭКГ-системам 1-го и 2-го поколения. Для обозначения новых диагностических систем, базирующихся на новых методах сбора, обработки и отображения ЭКГ-сигнала, используется понятие электрокардиографии 3-го и 4-го поколения. Среди них необходимо выделить электрокардиографическое картирование и электрокардиографию высокого разрешения (ЭКГ BP).

Для надежного прогноза электрической нестабильности сердца (ЭНС) необходим комплексный анализ всех возможных причин и пусковых факторов. Современные электрокардиографические системы обладают широкими диагностическими возможностями, поэтому важно знать и использовать их, несомненно, высокий исследовательский потенциал в широкой клинической практике. Для автоматического анализа

ЭКГ применяются различные методы обработки в частотной (прежде всего преобразование Фурье) или во временной области. В настоящее время, эти методы дошли до максимального предела использования. Основными направлениями повышения эффективности электрокардиографического метода диагностики являются использование принципиально новых методов частотно-временной обработки сигналов.

Работа посвящена задаче автоматического анализа ЭКГ у больных с ИБС. Применяется новый способ решения задачи автоматического обнаружения признаков ИБС - электрокардиография высокого разрешения (ЭКГ BP). Несмотря на то, что проблема исследуется достаточно давно, в настоящее время интерес к разработке подобных методов сильно возрос. Это связано со значительным ростом производительности вычислительных средств и недавно появившемуся математическому аппарату, так называемому "вейвлет анализу". Он позволяет раскладывать сигнал по компактным, хорошо локализованным по времени и частоте, ортогональным базисам за линейное время. Этот аппарат позволяет описывать, в отличие от преобразования Фурье, нестационарные сигналы, и уже нашел применение во многих прикладных областях: от описания процессов турбулентности до геодезического анализа. Работа выполнялась в рамках научно-технической программы совместно с кафедрой военно-морской и общей терапии Военно-медицинской академии.

Целью настоящей работы является повышение качества и надежности компьютерных систем автоматического анализа электрокардиосигнала за счет использования более эффективных алгоритмов анализа ЭКГ высокого разрешения с применением новой методики метода вейвлет-преобразования.

В соответствии с поставленной целью в работе решались следующие задачи:

1. Разработать и исследовать метод вейвлет-преобразования сигнала ЭКГ высокого разрешения для диагностики ИБС. Экспериментально исследовать возможность визуальной оценки признаков начальной стадии ИБС по преобразованному сигналу.

2. Выбрать ограниченное число формальных признаков на описании ЭКГ после его вейвлет-преобразования для последующей автоматической диагностики ИБС.

3. Экспериментально исследовать эффективность автоматической диагностики начальной стадии ИБС с использованием разного числа признаков.

4. Разработать программно-алгоритмическое обеспечение компьютерной системы для ранней диагностики ИБС в клинических условиях.

Методы исследования. Теоретическая часть диссертационной работы выполнена с использованием аппарата многомерного статистического анализа признаков. Экспериментальные исследования проводились по составленным на МАТЛАБ программам и выбранным методикам с использованием ~ наборов ЭКГ высокого разрешения снятых с реальных пациентов. Результаты экспериментальных исследований обрабатывались с использованием аппарата математической статистики. Дискриминантный анализ проводился в среде СТАТИСТИКА 5.0.

Научная новизна. В диссертационной работе получены следующие новые научные результаты:

1. Разработан новый метод вейвлет-преобразования QRS-комплекса сигнала ЭКГ высокого разрешения для диагностики ИБС. Показано, что для выраженных стадий ИБС диагностика возможна при визуальном анализе преобразованного сигнала.

2. Выбраны признаки ЭКГ сигнала после его вейвлет-преобразования, которые применялись для автоматической диагностики начальной стадии ИБС.

3. Разработан новый алгоритм автоматической диагностики ИБС, основанный на применение дискриминантного анализа в пространстве признаков преобразованного сигнала. В результате экспериментальных исследований показано, что при использовании 26 признаков вероятность правильной диагностики ранней стадии ИБС составляет 92 %.

4. Найдены закономерности изменения признаков преобразованной ЭКГ BP в зависимости от возраста пациента.

Практическая ценность работы:

1. Разработанные алгоритмы и программы обнаружения ранних признаков ИБС могут быть использованы при создании программного обеспечения различных компьютерных систем медицинского назначения и позволяют обеспечить эффективную обработку ЭКГ.

2. Предложенные методики экспериментальных исследований позволяют получить объективную оценку эффективности работы алгоритмов классификации форм QRS комплексов. Методики могут быть использованы в работах, связанных с исследованием других алгоритмов классификации.

3. Разработанная универсальная методика анализа результатов частотно-временного описания комплекса QRS, позволяет учитывать и подвергать визуальному и автоматическому анализу информацию обо всех временных, частотных и амплитудных характеристиках процессов возбуждения желудочков сердца.

Реализация и внедрение полученных результатов. Результаты диссертации использовались в 1998-2000 гг. в НИР по гранту РФФИ № 0001-00448 "Исследование методов обработки и распознавания биомедицинских сигналов" (ГРИН/БЭС-50) и НИР "Разработка информационных технологий и инструментальных средств для создания и развития прикладных инструментальных систем в технике, образовании, медицине и в системах специального назначения", выполняемой в рамках ФЦНТП "Исследования и разработки по приоритетным направлениям развития науки и техники гражданского назначения" (проект № 0201.05.251).

В настоящее время используются в практической работе на кафедре военно-морской и общей терапии Военно-Медицинской Академии для неинвазивной диагностики ИБС с начальными клиническими проявлениями, где применяется методика вейвлет преобразования ЭКГ BP.

Апробация работы. Результаты, полученные в диссертации, докладывались и обсуждались на 5-й международной научно-технической конференции "Распознавание образов и анализ изображений: новые информационные технологии" (РОАИ-5-2000), на постоянном семинаре по вейвлет-преобразованиям сигналов в 1998 — 2000 гг. (ПГУПС ЛИИЖТ, Санкт-Петербург), на профессорско-преподавательских конференциях СПбГЭТУ в 1999 - 2000 гг.

Публикации по теме диссертации.

По теме диссертации опубликовано 6 печатных работ [2, 3, 4, 5, 6, 7].

Заключение диссертации по теме «Приборы, системы и изделия медицинского назначения», Подклетнов, Сергей Георгиевич

Выводы

Используемое оборудование для снятия ЭКГ высокого разрешения с каждого пациента обладает высокими показателями надежности и достоверности исходных данных.

Высокая чувствительность и эффективность предложенной методики в выявлении больных ишемической болезнью сердца с начальными клиническими проявлениями, а также низкая цена метода позволяет использовать её на догоспитальном (поликлиническом) этапе людей нуждающихся в ежегодном медицинском освидетельствовании, например, личного состава вооруженных сил Российской Федерации и проведении скрининговых обследованиях населения.

Полученные результаты также продемонстрировали высокую эффективность математического пакета МАТЛАБ 5.2. и пакета статистических программ СТАТИСТИКА 5.0. для решения задач математической обработки сигналов, в частности, биомедицинских сигналов и решения статистических задач обработки сигналов, а также возможность использования их для диагностики ишемической болезни сердца.

ЗАКЛЮЧЕНИЕ

Проведенные исследования позволили разработать новые подходы к решению проблемы ранней диагностики ишемической болезни сердца, показать возможности применения разработанных методов и алгоритмов в различных прикладных задачах. В результате работы получены все параметры для вейвлет-преобразования. Это позволяет проводить диагностическую процедуру над пациентами с целью профилактики ишемической болезни сердца. Результат процедуры 91.7 % успешного выявления признаков ИБС.

Основные научные и практические результаты работы можно сформулировать следующим образом:

1. Разработка и исследование алгоритмов автоматического обнаружения изменения параметров модели сигнала. Алгоритмы применяются к задаче обнаружения признаков начальной стадии ИБС на ЭКГ высокого разрешения.

2. Разработка способов классификации выявленных нарушений.

3. Разработка программного обеспечения системы для автоматического выделения признаков ИБС.

4. Проведение экспериментальных исследований для разработанных алгоритмов.

5 Оценить возможность прогнозирования наличия хронической коронарной недостаточности. 4. Разработана универсальная методика описания результатов частотно-временного описания комплекса QRS, позволяющих учитывать и подвергать визуальному и автоматизированному анализу информации обо всех временных частотных и амплитудных характеристик процессов возбуждения сердечных желудочков.

Дальнейшая работа может быть направлена на расширение класса сердечно-сосудистых заболеваний, проведение обработки ЭКГ BP усредненных не к R, а к Р зубцу, повышение эффективности вычислительных процедур, создание законченной системы обнаружения признаков ИБС с целью комплектации ею имеющихся коммерческих ЭКГ систем.

1. Hohnloser S.H.: Der plotzliche Herztod. Diagnostik und Therapiebei Patient mit malignen ventrikularen Arrhythmien. Therapiwoche, 1988, 38, N43, 3160-3164.

2. Немирно А.П., Подклетнов С.Г., Солнцев B.H. Диагностика ишемической болезни сердца на основе анализа признаков вейвлет-преобразования электрокардиосигнала. 5-я международная конференция "Распознавание образов и анализ изображений: новые информационные технологии" (РОАИ-5-2000). Труды конференции в 4-х томах. Том 3. -Самара, 2000, с. 571-573.

3. Немирко А.П., Подклетнов С.Г., Солнцев В.Н., Вейвлет-преобразование ЭКГ BP для диагностики ИБС - Вестник аритмологии № 25, 2002, с. 148.

4. Nemirko А.Р., Podkletnov S.G., Solnsev V.N. Diagnostics of the Ischemia Heart Disease on the Basis of Eletrocardiosignal Wavelet Transformation Features. - Pattern Recognition and Image Analysis. 2001, Vol. 11 № 2, pp. 356-357.

5. Подклетнов С.Г., Солнцев B.H., Бойцов B.B. Способ интерпретации данных ЭКГ BP. - Сборник тезисов, рационализаторских предложений и изобретений Военно-медицинской Академии за 2000 год, с. 60-61.

6. Подклетнов С.Г., Солнцев В.Н., Бойцов В.В. Оценка диагностической эффективности вейвлет-преобразования сигнал усредненной ЭКГ у больных ИБС. - Сборник тезисов, рационализаторских предложений и изобретений Военно-медицинской Академии совместно с санкт-петербургским государственным университетом за 2000 год, с. 126132.

7. Подклетнов С.Г. Применение системы МАТЛАБ для оценки диагностической эффективности вейвлет-преобразования ЭКГ высокого разрешения у больных ИБС. Всероссийская научная конференция "Проектирование инженерных приложений в среде МАТЛАБ". М; ИПУ РАН, 2002 часть 2. Применение пакетов прикладных программ для решения практических задач /Под общ. ред. К.А. Алексеева, А.Б. Сергиенко. - с. 285-287.

8. Орлов В.Н. Руководство по электрокардиографии.- М.: Медицина, 1983.- 526с.

9. Кушаковский М.С. Аритмии сердца. СПб.: Фолиант, 1998.

10. Злочевский М.С. Обработка электрокардиограмм методом сплайн функций. Новости мед. техники.- 1983. Вып.1. -С.18-.20.

11. Scordalakis Е., Recognition of the shape ST segmeht in ECG waveform // IEEE Trans, biomed. Eng. -1986. -Vol. Bme-33, N10- p.347-349.

12. Lateloga M.T., Busby D.E. Lyne R.J. Assessment of ST-segment Distortions of Direst-writing Electrocardiographis Recordes//Biomed. Technik/-1977. Vol.22, №5, p.115-121.

13. Wiggers С J. The mechanism and nature of ventricularfibrillation //Am: Heart J. - 1940 - Vol.20 - p.399-412.

14. Акау. M. Wavelet Applications in Medicine, IEEE Spectrum, 1997, Vol.34, №5.

15. Тищенко О.Г. Спектрально-временные характеристики электрофизиологических процессов в миокарде у здоровых лиц и больных ишемической болезнью сердца. Диссертация кандидата медицинских наук. Л. Военно-медицинская академия, 1998.

16. Черниченко Д.М. Исследование и разработка автоматических методов выделения и классификации артефактов в цифровых электроэнцефалографических сигналов. Диссертация кандидата технических наук. СПб.: ЛЭТИ, 1999.

17. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения. УФН, т.166,11 1996. с-1145-1170.

18. Милева К.Н. Разработка и исследование методов автоматического анализа ST-сегмента электрокардиограммы в реальном масштабе времени. Диссертация кандидата технических наук- Л.: ЛЭТИ, 1989.- 261с.

19. Simoons M.L. Optimal Measiring for Detection of Coronary Artery Disease by Execise Electrocardiophy//Comput. Biomed. Res.-1977.-Vol.10. -p.483-499.

20. Pahlm., Sornmo L. Data Processing of Exercise ECG s/ЯЕЕЕ Trans, biomed. Eng. -1987-Vol.BME-34 N 2- p. 158-165.

21. Стечкин C.B. Субботин Ю.Н. Сплайны в вычислительной технике. М.: Наука, 1976.- 248с.

22. Brooks R.,McGovern B.A.,Garan H.,Ruskin J.N. Comparison oftime domain and spectral temporal mapping analysis of thesignal-averaged electrocardiogram in the prediction ofventricular tachycardia. // Circulation. 1991.,V.84.,N4.,Suppl.l 1.

23. Reinhardt L.,Makijarvi M. Fetsech T. Montonen J.,Serra G.,Martinez-Rubio A., Katila Т., Borggrefe M., Breithardt G.Predictive value of wavelet correlation functions of signal-averaged electrocardiogram in patients after anterior versusinferior myocardial infarction. J.Am.Coll.Cardiol. 1996 Jan; 27(1): p.53-59.

24. Meste 0.,Rix H., Caminal P., Thakor N. Ventricular Late Potentials Characterisation in Time-Frequency Domain by Means of a WaveletTransform. ШЕЕ Transaction on Biomedical Engineering. Vol. 41 N7July 1994. p.625-633.

25. Breithardt G., Cain M.E., El-Sherif N. et al. Standards foranalysis of ventricular late potentials using high -resolution or signal - averaged electrocardiography: astatement by a task force committee of the European Societyof Cardiology, the American College of Cardiology//J.Amer.Col.Cardiol. - 1991 - Vol. 17 - p.999-1006.

26. Simson M.B.,Euler D.,Michelson E.L. Detection of delayedventricular activation on the body surface in dogs.// Am.J.Physiol. 1981,V.241, H363-369.

27. Gomes J.A., Quantitative analysis of the high-frequencycomponents of the s-gnal-averaged QRS complex in patients withacute myocardial infarction: a prospective study. Circulation 1985, Nl.Vol.72 p.105-111.

28. Айвазян С.А., Бежаева З.И. Староверов О.В. Классификация многомерных наблюдений. М., " Статистика" , 1975.

29. Афифи А. Эйзен С. Статистический анализ. М. "Мир". 1972.

30. Немирко А.П. Цифровая обработка биологических сигналов. М.: Наука, 1984.

31. Петухов А.П. Периодические дискретные всплески. Алгебра и анализ.- 1996.-8 №3.

32. Meyer С. R. Keeiser H.N. Electrocardiogram Baseline Noise Estimation and Removal Using Cubic Splines and State -space Computation Techniques// Compute. Biomed. Res. - 1977. - Vol. 10. p.459-470.

33. Daubechies I., Ten lectures on wavelets, SIAM, Philadelhia, 1992.

34. Ruddw D del Moute R, Reate A // Cardiologia (baset) -1989. - Vol. 34,N3-p.191-194.

35. Preceding of the 19 th annial inter conference of the ШЕ Engineering in Medicand Biology Socity "Magnicient Mitestones and Emerginq Opportunities in Medical Engineering", 1997.

36. Левкович-Маслюк. // Дайджест вейвлет - анализа. Компьютерра, №8,1998.

37. Hohnoser S. // Therapiwoche - 1988, 38, №43, р.3160-3164.

38. В.И. Воробьев, В.Г. Грибунин // Теория и практика вейвлет-преобразования// ВУС С-Петербург, 1999.

39. Иванов Г.Г., Востриков В.А. Внезапная сердечная смерть и поздние потенциалы желудочков. // Анестезиология и реаниматология. -1991,33.

40. Титомир Л.И., Рутгкай-Недецкий И. Анализ ортогональной электрокардиограммы. М.: Наука, 1990.

41. THINK Pascal User Manual. Symantec Corporation, 1990.

42. Kifer M., Lausen G. F-Logic: A Higher-Order Language for Reasoning about Objects, Inheritance and Scheme. // Proceeding of the ACM SIGMOD, p. 134-146, 1989.

43. Berbari Berbari E.J.,Lazzara R.,Scherlag B.J. Noninvasivedetection technique for detection of electrical activity duringthe P-R segments. Circulation 48: 1005-13, 1973.

44. Uter J.B.,Dennet C. J.,Tan A. The detection of delayed activationsignal of low amplitude in the vectorcardiogram of patients withrecurrent ventricular tachycardia by signal-averaging. In:Manangement of ventricular tachicardia: role of mexiletine.Eds.Sandoe.,Juliau D.J., Bell J.M. - Amsterdam/ Oxford: Exepta Medica. 1978 p.80-82.

45. Форсайт Дж, Малькольм M., Моулер К, Машинные методы математических вычислений М.: Мир, 1980.- 279с.

46. Алберг Дж, Нильсон Э. Уолш Дж. Теория сплайнов и ее приложения- М.: Мир, 1972.-316с.

47. Завьялов Ю.С. Леус В.А. Скороспелов В.А. Сплайны в инженерной геометрии. - М: Мапшностроение, 1985. - 224с.

48. Meyer Yves. Wavelet algorithm and applications Society for industrial and applied mathematics. Philadelphia, 1993.

49. Шульман B.A., Егоров Д.Ф., Матюшин Г.В., Выговкин А.Б. Синдром слабости синусового узла. Санкт-Петербург - Красноярск, 1995: 438.

50. Закс Л. Статистическое оценивание. М. Статистика, 1976.

51. Clarke L.P., Tree-Structured non-linear Filter and Wavelet Transform for Microcalcification Segmentation in Digital Tammography, Cancer Letters, 1994, 77, p.173-181.

Программа на языке МАТЛАБ для вычисления непрерывного вейвлет-преобразования cwt. function coefs = cwt(signal,scales,wname,plotmode,xlim) signal-анализируемыйсигнал,scales-масштаб, wname-вейвлет функция,plotmode-вывод результата в графическом виде,xlim- задание цвета графика.

COEFS = CWT(S,SCALES,'wname','plot') ) вычисляет непрерывные вейвлет-коэффициенты вектора S в вещественных положительных масштабах (SCALES), используя вейвлет-функцию чье имя 'wname'строит графики коэффициентов непрерывного вейвлет-преобразования. if errargn(mfilename,nargin, [3:5],nargout, [0 1]), error('*'), end err = 0; if isempty(scales) err = 1; elseif min(size(scales))>1 err = 1; elseif min(scales)<eps err = 1; end if err errargt(mfilename,'Invalid Value.for Scales !'msg'); error(' * ')end precis = 10, signal = signal(:)'; len = length(signal),coefs = zeros(length(scales),len); nbscales = length(scales); psiinteg,psixval] = intwave(wname,precis) ; psixval = psixval-psixval(1); dxval= psixval(2); xmax = psixval(length(psixval)); ind = 1 / for k = 1:nbscales a = scales(k); j = [1+floor([0:a*xmax]/(a*dxval))] ; if length(j)==l , j = [1 1]; end f = fliplr(psiinteg(j) ) ; coefs(ind,:) = -sqrt(a)*wkeep(diff(conv(signal,f)),len); ind = ind+1; end if nargin<4 , return; end NBC = 128; switch plotmode case 1lvl1 levjnode = 'row'; absmode = 0; begtitle = ['By scale']; case 'gib1 levmode = 'mat'; absmode = 0; begtitle = ''; case {'abslvl','lvlabs'} levjnode = 'row'; absjmode = 1; begtitle = ['Abs. and by scale']; case {'absglb','glbabs'} lev mode = 'mat'; ab,smode = 1; begtitle = ['Absolute']; otherwise plotmode = 'absglb'; levmode = 'mat' ; absmode =1; begtitle = ['Absolute'];end if absmode , coefs = abs(coefs); end if nargin==5 if xlim(2)<xlim(l) , xlim = xlim([2 1]); end if xlim(l)<l , xlim(l) = 1; end if xlim(2)>len , xlim(2) = len; end switch plotmode case {'gib','absglb'} cmin = min(min(coefs(:,xlim(l):xlim(2)))); cmax = max(max(coefs(:,xlim(l):xlim(2)))); ind = find(coefs<cmin); coefs(ind) = cmin*ones(size(ind)); ind = find(coefs>cmax); coefs(ind) = cmax*ones(size(ind)); case {'lvl','abslvl'} cmin = min((coefs(:,xlim(l):xlim (2)))')'; cmax = max((coefs(:,xlim(l):xlim(2)))')'; for k=l:nbscales ind = find(coefs(k,:)<cmin(k)); coefs(k,ind) = cmin(k)*ones(1,length(ind)); ind = find(coefs(k,:)>cmax(k)); coefs(k,ind) = cmax(k)*ones(1,length(ind));end end end coefs = wcodemat(coefs, NBC,levmode,absmode); nb = min(5,nbscales) ; level= ''; for k=l:nb , level = [level ' ' num2str(scales(k))]; end if nbcnbscales , level = [level ' .']; end strtitle = [beg^title ' Values-of Ca,b Coefficients for a = level]; img = image(coefs); nb = ceil(nbscales/20); tics = 1 :nb:nbscales; tmp = scales(l:nb:nb*length(tics)); labs = num2str(tmp(:)); axeAct = get(img,'parent'); set(axeAct, .

YTick',tics, . 'YTickLabel',labs, . 'YDir','normal', . . . 'Box','On' title(strtitle,'Parent',axeAct); xlabel('time (or space) b','Parent',axeAct); ylabel('scales a','Parent',axeAct); colormap(cool(NBC));

Список литературы диссертационного исследования кандидат технических наук Подклетнов, Сергей Георгиевич, 2005 год

1. НоЬЫозег 8.Н.: Бег р1оЫ1сЬе НеггХоб..-ОЫёЦозХтк шк! Тпегар1еЪег РайеШ; т к таИ§пеп уепМки1агеп Аггпуйишеп. Тпегар1>лгоспе, 1988, 38, N43,3160-3164.

2. Немирно А.П., Подклетнов Г., Солнцев В.Н., Вейвлет- преобразование ЭКГ ВР для диагностики ИБС — Вестник аритмологии №25, 2002, с. 148.

3. Иети-ко А.Р., РосШеШоу 8.О., 8о1пзеу У.К В1 ЬсЬетга Неаг1 В1зеа5е оп Ше Ваз13 о1*Е1е1:госаг(11оз1§па1Тгапз&гтайоп РеаШгез. - Райегп Кесо§пШоп апй 1та§е Апа1уз1з. 2001, Уо1.11 № 2, рр. 356-357.

4. Подклетнов Г., Солнцев В.Н., Бойцов В.В. Способ интерпретации данных ЭКГ ВР. - Сборник тезисов, рационализаторскихпредложений и изобретений Военно-медицинской Академии за 2000 год, с.60-61.

5. Орлов В.Н. Руководство по электрокардиографии.- М.: Медицина, 1983.-526с.

6. Кушаковский М.С. Аритмии сердца. СПб.: Фолиант, 1998.

7. Злочевский М.С. Обработка электрокардиограмм методом сплайн функций. Новости мед. техники.-1983. Вып.1. -С.18-.20.

8. ЗсогдаШаз Е., Кесо§ш1юп 01" 1Ье зпаре 8Т зе§теп1: т ЕСО \уауе&гт // ШЕЕ Тгапз. Ыотеё. Еп§. -1986. -Уо1. Вте-33, N10- р.347-349.

9. Акау. М. ЧМауеЫ АррИсайопз т МесИсте, ШЕЕ 8рес1;гит, 1997, Уо1.34, №5.

10. Тищенко О.Г. Спектрально-временные характеристики электрофизиологических процессов в миокарде у здоровых лиц и больныхишемической болезнью сердца. Диссертация кандидата медицинских наук.Л. Военно-медицинская академия, 1998.158

11. Черниченко Д.М. Исследование и разработка автоматических методов выделения и классификации артефактов в цифровыхэлектроэнцефалографических сигналов. Диссертация кандидататехнических наук. СПб.: ЛЭТИ, 1999.

12. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения. УФН, т.166,11 1996. с-1145-1170.

13. Милева К.Н. Разработка и исследование методов автоматического анализа 8Т-сегмента электрокардиограммы в реальном масштабе времени.Диссертация кандидата технических наук- Л.: ЛЭТИ, 1989.- 261с.

14. Зшюопз М.Ь. Ор1ш1а1 Меазшп§ &>г ие1ес1юп оГ Согопагу Аг1егу В1зеазе Ьу Ехес1зе Е1есп>осага1юрЬу//Сотри1. Вютей: Ке5.-1977.-Уо1.10. —р.483-499.

15. РаЫт., Богато Ь. Ба1а Ргосеззт§ 01"Ехегс1зе ЕСО з/ЯЕЕЕ Тгапз. Ыотед. Еп§. -1987-Уо1.ВМЕ-34 N 2- р.158-165.

16. Стечкин СВ. Субботин Ю.Н. Сплайны в вычислительной технике. М.: Наука, 1976.- 248с.

17. Вгоокз К.,МсОоуегп В.А.,Оагап Н.Дизкт 1.К Сотраг1зоп ойипе (кнпат апд зрес1гаГ 1;етрога1 таррт§ апа1уз13 оГ 1Ье51§па1-ауега§еёе1ес1госагд1оёгат т ! Ь е ргесЦсйоп огУеп1г1си1аг 1асЬусаг<Иа. // Сигсикйоп..1991.,У.84.,К4.,8ирр1.11.

18. Мез1;е О.,К1х Н., Сапипа1 Р., ТЬаког N. Уеп1пси1аг Ьаге Ро1еп11а1з Спагас^епзайоп т Т^те-Р^е^иепсу Б о т а т Ъу Меапз оГа у7ауе1е{Тгапзйшп.ШЕЕ Тгапзасйоп оп Вюте<Нса1 Еп§теегт§. Уо1. 41 Ш М у 1994. р.625-633.

19. Оотез 1.А., РиапйШЙуе апа1уз13 оГШе ЫёЬ-&е^иепсусотропеп1:з о:Г з-§па1-ауега§ес1 РК8 сотр1ех т райеп^з \У1Й1аси1е туосагсИа11пГагс11оп: аргозресйуе зШ^у. Снси1айоп1985, N1^01.72 р. 105-111.

20. Айвазян А., Бежаева З.И. Староверов О.В. Классификация многомерных наблюдений. М., " Статистика" , 1975.

21. Афифи А. Эйзен Статистический анализ. М. "Мир". 1972.

22. Немирко А.П. Цифровая обработка биологических сигналов. М.: Наука, 1984.

23. Петухов А.П. Периодические дискретные всплески. Алгебра и анализ.-1996.-8 №3.

24. Меуег К.. Кеегзег Н.К Е1ес1тосагс11о§гат Вазе1те Ш1зе Ез^шаайоп апс! Кетоуа1 11зт§ СиЫс 8рНпез апс! 8Ме -зрасе СотриШйопТес11Ш^иез// Сотрите. Вютеё. Кез. - 1977. - Уо1. 10. р.459-470.

25. БаиЬесЫез I., Теп 1есШгез оп \уауе1е*з, 81АМ, РЫ1ас1еШ1а, 1992.

26. КШШ\У Б с!е1 Мои1е К, Кеа1е А // Сага1о1о§1а (Ьазе1) -1989. - Уо1. 34, N3 -р.191-194.160

27. РгосесИп§ 01Чпе 191Ь апша1 т1ег соп&гепсе огЧпе ШЕ Еп§теегт§ т МеШсапс! Вю1о§у 8ос1гу "Ма§тс1еп1 Мкез1:опе5 апс! Етег%ищОррогШпШоз т МесИса1 Еп§теепп§", 1997.

28. Левкович-Маслюк. // Дайджест вейвлет - анализа. Компьютерра, №8,1998.

29. НоЬпозег 8. // ТЬегар^осЬе - 1988, 38, №43, р.3160-3164.

30. В.И. Воробьев, В.Г. Грибунин // Теория и практика вейвлет- преобразования// ВУС С-Петербург, 1999.

31. Иванов Г.Г., Востриков В.А. Внезапная сердечная смерть и поздние потенциалы желудочков. // Анестезиология и реаниматология. -1991,33.

32. Титомир Л.И., Рутткай-Недецкий И. Анализ ортогональной электрокардиограммы. М.: Наука, 1990.

33. ТНШК Разса1 Изег МапиаЬ 8утап1ес Согрогайоп, 1990.

34. Кл&г М., Ьаизеп О. Р-Ьо§1с: А №§Ьег-0гс1ег Ьап§иа§е &г Кеазопт§ аЬои1; ОЬ.'ес1:8, Ьэпегпапсе апё 8сНете. // Ргосеес1т§ ог" Ше АСМ8ЮМ0Б, р. 134-146,1989.

35. Форсайт Дж, Малькольм М., Моулер К., Машинные методы математических вычислений М.: Мир, 1980.- 279с.161

36. Алберг Дж, Нильсон Э. Уолш Дж. Теория сплайнов и ее приложения- М.: Мир, 1972.-316с.

37. Завьялов Ю.С. Леус В.А. Скороспелов В.А. Сплайны в инженерной геометрии. - М: Машиностроение, 1985. - 224с.

38. Меуег Ууез. \Уауе1е1; а1§оп1пт апс! аррНсайопз 8ос1е1у &г тс!и5п-1а1 ап(1 аррНей та&етайсз. РЫ1айе1рЫа, 1993.

39. Шульман В.А., Егоров Д.Ф., Матюшин Г.В., Выговкин А.Б. Синдром слабости синусового узла. Санкт-Петербург - Красноярск, 1995:438.

40. Закс Л. Статистическое оценивание. М. Статистика, 1976.

41. С1агке Ь.Р., Тгее-Зп-исШгес! поп-1шеаг. РШег апйУ/акеШ Тгапз&шп &г М1сгоса1с1Ёсайоп 8е§тепМ10п т В1§ка1 Татто^гарЬу, СапсегЬейегз, 1994, 77, р.173-181.162