Калиниченко А.

279
КЛАССИФИКАЦИЯ ФОРМ КАРДИОЦИКЛОВ ЭКГ НА ОСНОВЕ
СПЕКТРАЛЬНЫХ И КОРРЕЛЯЦИОННЫХ МЕТОДОВ
А.Н. Калиниченко 1
1
Санкт-Петербургский Государственный электротехнический университет (ЛЭТИ),
e-mail: ank-bs@yandex.ru
Представлены результаты экспериментальной оценки разделяющей способности
и помехоустойчивости трёх различных методов классификации форм ЭКГ: на
основе признаков формы, компонент спектрального разложения и взаимной
корреляционной функции.
Введение
В приборах и системах, где используется
автоматический анализ ЭКГ, одной из
наиболее важных задач автоматической
обработки сигнала является классификация
форм желудочковых комплексов ЭКГ
(QRS-комплексов).
Результаты
классификации форм QRS-комплексов
служат основой для последующих этапов
анализа, в частности, для распознавания
аритмий, оценки смещения ST-сегмента
ЭКГ и анализа вариабельности сердечного
ритма [1, 2].
Целью исследования, представленного в
настоящей работе, являлась сравнительная
оценка трёх различных подходов к
классификации форм QRS-комплексов
ЭКГ.
Исследовалась
разделяющая
способность
каждого
из
трёх
рассмотренных методов и их устойчивость
к помехам.
Методы
ЭКГ в норме представляет собой
последовательность
повторяющихся
волновых форм (кардиоциклов), элементы
которых (P-зубец, QRS-комплекс и Tзубец) связаны с основными фазами
сокращения
сердца.
В
случае
возникновения нарушений сердечного
ритма и проводимости, на ЭКГ появляются
комплексы, существенно отличающиеся по
форме от нормы, которые, кроме того,
могут возникать преждевременно и
сопровождаться паузой после них [1] (см.
рис.).
Для решения ряда задач автоматического
анализа ЭКГ необходимо разделение
последовательности QRS-комплексов на
фоновые и патологические комплексы.
Обычно эта задача решается в два этапа. На
первом этапе с использованием каких-либо
формальных критериев сопоставления
форм
комплексов
выполняется
их
кластеризация, т. е. разбиение на кластеры
по сходству форм. На втором этапе каждый
из сформированных кластеров относится
либо к категории «норма» (комплекс
фонового ритма), либо к категории
«патология» (комплекс, форма которого
искажена
из-за
его
неправильного
происхождения или анормального пути
проведения) [1].
280
Рис. Фрагмент ЭКГ с двумя различными формами QRS-комплексов (N - "норма", P - "патология").
В настоящей работе рассматривались три
подхода к классификации форм QRSкомплексов: на основе признаков формы [1,
2], на основе компонент спектрального
разложения [4] и с помощью взаимной
корреляционной функции [3]. Все расчёты
выполнялись с использованием пакета
MATLAB.
Для
проведения
эксперимента
был
сформирован набор реальных записей ЭКГ,
включающий 15 фрагментов сигнала
длительностью по 10 секунд. Частота и
разрядность
аналого-цифрового
преобразования
были
соответственно
равны 250 Гц и 10 бит. Фрагменты были
отобраны таким образом, чтобы в каждом
содержалось несколько QRS-комплексов
фонового ритма и не менее двух
одинаковых
по
форме
комплексов,
имеющих патологическую форму. С целью
автоматизации расчётов была выполнена
верификация начальных и конечных точек
QRS-комплексов,
а
также
их
принадлежности к категориям «норма» или
«патология».
Для исследования помехоустойчивости
анализируемых методов была искусственно
сгенерирована
реализация
помехи,
характеризующаяся нормальным законом
распределения и имеющая нулевое среднее
значение
и
единичное
стандартное
отклонение. Для получения сигнала с
заданным отношением сигнал/помеха (SNR,
signal to noise ratio) соответствующая
запись ЭКГ суммировалась с реализацией
помехи, делённой на требуемое значение
SNR.
Ниже описаны алгоритмы вычисления
критериев сходства форм QRS-комплексов
для каждого из трёх исследуемых методов.
Классификация на основе признаков
формы QRS-комплекса (метод I). Для
каждого
из
QRS-комплексов
анализируемой
ЭКГ
рассчитываются
четыре признака формы: длительность (T,
с), размах (A, мВ), смещение относительно
нулевой линии (S, мВ) и суммарная
площадь волн (P, мВ·с). Расчёт признаков
выполняется по следующим формулам:
T  K  T ;
K
K
k 1
K
k 1
(1)
A  max x(k )  min x(k ) ;
(2)
K
1
S  [max x(k )  min x(k )]  x(1) ;
2 k 1
k 1
(3)
K
P   x(k )  x(1) ,
(4)
k 1
где K – число отсчётов сигнала в пределах
QRS-комплекса, ΔT=1/Fд – интервал
дискретизации сигнала при частоте
отсчётов Fд, x(k) – отсчёты сигнала в
пределах данного QRS-комплекса (k=1, 2,
…, K). Сопоставление форм двух QRSкомплексов между собой выполняется с
помощью
критерия
близости,
рассчитываемого следующим образом:
D
ij
 cT  Ti  T j  c A  Ai  A j 
c S  S i  S j  c P  Pi  Pj ,
(5)
где признаки формы с индексами i и j
относятся к соответствующим комплексам,
а величины CT, CA, CS и CP – это
эмпирически
определённые
нормировочные коэффициенты.
Классификация на основе компонент
спектрального
разложения
QRSкомплекса (метод II). С использованием
алгоритма быстрого преобразования Фурье
(БПФ)
вычисляется
спектральное
разложение каждого QRS-комплекса.
281
Число входных отсчётов сигнала для БПФ
(N) было выбрано равным 64, что при
частоте отсчётов Fд =250 Гц соответствует
длительности 256 мс. Перед выполнением
БПФ из сигнала устраняется постоянная
составляющая, и сигнал умножается на
оконную функцию Хемминга [7].
Далее
рассчитывается
амплитудный
спектр:
B(k ) 
2
{Re[ X (k )]}2  {Im[ X (k )]}2
N
,
(6)
где X (k ) – элементы дискретного
M
разложения Фурье, k  0,1,2,..., N  1 .
Компоненты
амплитудного
спектра
рассматриваются в качестве признаков
формы QRS-комплекса. Т. к. основная
часть энергии сигнала ЭКГ в пределах
QRS-комплекса сосредоточена в полосе
частот от 4 Гц до 50 Гц [1], для
дальнейшего
использования
были
оставлены только компоненты для k=1, 2,
…, 12, что при частоте отсчётов Fд =250 Гц
и N=64 приблизительно соответствует
частотам от 4 Гц до 48 Гц.
Для сопоставления форм двух QRSкомплексов между собой рассчитывался
критерий близости:
10
Dij   Bi (k )  B j (k ) ,
(7)
k 1
где Bi(k) и Bj(k) – спектральные компоненты
с номером k для i-го и j-го комплексов.
Классификация на основе взаимной
корреляционной функции (метод III).
Для двух сопоставляемых QRS-комплексов
вычисляется ВКФ:

 1

 N  x y

C xy (m)  
 1

 N  x y


N  m 1
 x(n  m) y(n),
n 0
0mM
сравниваемых сигналов, N – число отсчётов
в каждом из сигналов, σx и σy – стандартные
отклонения соответствующих сигналов.
Число входных отсчётов сигналов (N) было
выбрано равным 50, что при частоте
отсчётов Fд =250 Гц соответствует
длительности
200
мс.
Величина
максимального сдвига выбрана равной M=5
(или 20 мс). Критерий близости для
сопоставления форм двух QRS-комплексов
между
собой
рассчитывается
в
соответствии с выражением:
(8)
N  m 1
 x(n) y(n  m),
n 0
 M  m  0,
где m – значение сдвига, M – максимальный
сдвиг, x(n) и y(n) – отсчёты двух
Dij  max Cij (m) ,
m  M
(9)
где Cij(m) – значения ВКФ для i-го и j-го
QRS-комплексов при сдвиге m. Чем более
сходны между собой формы двух
комплексов, тем ближе будет величина
этого критерия к единице.
Результаты
В табл. приведены значения следующих
показателей разделяющей способности
исследуемых методов при различных
величинах отношения сигнал/помеха: σ –
стандартное
отклонение
значений
показателей близости для QRS-комплексов,
относящихся к одному классу формы; e1 и
e2 – значения ошибок классификации
первого и второго рода.
Полученные экспериментальные данные
показывают, что метод, основанный на
компонентах спектрального разложения,
представляется
наиболее
предпочтительным: с одной стороны
уровень ошибок при отсутствии помех
относительно низок, а с другой – разброс
вычисляемых оценок близости форм QRSкомплексов не так сильно подвержен
влиянию шумов, как в случае признаков
формы или корреляционного метода.
Кроме того, спектральные оценки лишь
незначительно
зависят
от
точности
определения границ QRS-комплексов.
Вероятно, наилучшим подходом может
являться совместное использование первых
двух из исследованных методов при
условии оптимального выбора параметров
алгоритмов классификации.
282
Список литературы
3. Nemirko A.P., Manilo L.A., Kalinichenko A.N.
Waveform Classification for Dynamic Analysis of
ECG. - Pattern Recognition and Image Analysis. 1995, Vol. 5.- No 1, pp.131-134.
4. Rangaraj .M. Rangayyan. Biomedical Signal
Analysis. IEEE Press, Wiley-Interscience, 2002 516 p.
1. Кардиомониторы. Аппаратура непрерывного
контроля ЭКГ. Под ред. Барановского А.Л. и
Немирко А.П. - М.: Радио и связь, 1993. - 248 с.
2. Kalinichenko A., Lebedeva N., Nemirko A.
"Correlation Based Algorithm for ECG Cardiac
Beats Classification". International Workshop
"Biomedical Engineering and Medical Informatics",
2-5. Sept. 1997, Gliwice, Poland. Abstracts, p. 45.
Таблица. Результаты экспериментов.
Метод
I
SNR
II
III
σ
e1, %
e2, %
σ
e1, %
e2, %
σ
e1, %
e2, %
Без помехи
0,16
0,36
1,3
0,037
0,95
1,8
0,055
3,8
6,6
50
0,19
0,95
0,51
0,037
1,2
2,6
0,056
3,9
6,4
30
0,22
2,5
0,51
0,038
2,9
3,1
0,056
4,4
6,1
20
0,28
5,6
1,0
0,041
6,9
2,6
0,059
6,3
6,1
15
0,34
11
0,77
0,046
18
2,3
0,063
13
6,1
10
0,46
28
1,8
0,056
49
2,3
0,078
48
4,6