Лекция 15.09 Классификация форм qrs-комплексов циклов экг

QRS-комплекс связан с электрической деятельностью желудочков

Большинство нарушений представляют собой «выскакивания» на общем ровном фоне ЭКГ.

Причина разбора форм QRS-комплексов

1. Для разбора сегмента ST (отклонение относительно нулевой линии)

2. Для выявления нарушений

3. Анализ вариабельности сердечного ритма

Что можно обнаружить?

• Анализ – обнаружение формы и работа с ней

• Ишемическая болезнь

• Коронарное кровообращение

• Деформация сегмента ЭКГ

Этапы классификации:

1. Измерение признаков (количественный показатель)

2. Кластеризация (имеются события похожие друг на друга?)

3. Идентификация кластеров (присвоение «метки» каждому кластеру)

• Норма

• Патология

• Неопределенность

Таким образом параметры:

1. Длительность Т

2. Размах А

3. Площадь Р

4. Смещение относительно 0 S

D – мера близости

(?) Модули необходимы, чтобы получить меру сходства. Тем меньше величина, тем выше сходство

C – выравнивание размерности и масштаба (безразмерная величина)

W – весовые коэффициенты, учет информативности параметров

Т может быть примерно 10-15, а Р ~150-200, что означает, что их не совсем уместно складывать

Алгоритм динамической кластеризации

Задача: сформировать кластеры. Происходит новое событие, которое должно быть определено.

1. В исходный момент времени все кластеры пусты

2. Приходит какое-то событие и записывается в 1-ый

3. Когда приходит второе событие, то вычисляется Dij, и если D<определяющего порога, то этот объект помещается в тот же кластер

4. Если D>, то записывается в новый кластер

5. Кластеры заканчиваются

6. В случае если новый объект не удовлетворяет по своей близости ни одному из имеющихся, то он записывается в ближайший.

Дополнительные процедуры

• Слияние близких кластеров (следовательно, один освобождается, 1+1=1 и один свободный)

• Обнуление кластеров (если в него долго ничего не поступает, то он обнуляется)

• Обновление кластеров

Запись скользящего среднего (пример работы процедуры обновления?)

N – длительность усредненной цепочки

T – только пришедший параметр

I – номер класса

J+1 – счет момента времени

Выброс значения вбок не может изменить параметра кластера

Идентификация кластеров

1. Длительность (норма 40-100 мс, патология – до 200 мс)

2. Частота встречаемости

3. Близость к норме

Патологические импульсы длиннее нормальных.

На основании этого идентификация кластеров, три вида (присвоение «метки» каждому кластеру)

• Норма

• Патология

• Неопределенность

Но это не всегда помогает. К примеру, у сигналов могут быть одинаковые P, S. A, T, но сигналы не относятся к одному классу.

Вариант расчёта корреляции

где x(n)– отсчет сигнала, N – число отсчетов для каждого из них, m – число сдвигов, σ– среднеквадратичные отклонения.

Так как нормировка идет по СКО, то нам не важна амплитуда сигнала

m=0, тогда получим формулу для взаимной корреляции

КВК – мера схожести (линейной зависимости 2х процессов)

• Совпадают по фазе с=1

• Противоположны с=-1

• Не совпадают с=0

• 0 – хорошее совпадение

• 2 – самый плохой из вариантов

Максимальное значение из всех коэффициентов

Если брать слишком большое m (слишком большой сдвиг), то получим ложную корреляцию

При данной картине:

Метод сработает очень плохо, так как корреляция не зависит от амплитуды, алгоритм не сработает

Алгоритм, основанный на спектральном анализе

Спектр как признак для сравнения

Рассмотрим преобразование Фурье