- •Лекция 15.09 Классификация форм qrs-комплексов циклов экг
- •Алгоритм динамической кластеризации
- •Идентификация кластеров
- •Лекция 22.09 Мониторный контроль сердечной деятельности по экг
- •Предварительная фильтрация
- •Анализ уровня помех
- •Обнаружение qrs-комплекса
- •Экг при искусственной кардиостимуляции сердца
- •Вейвлеты 2 часть
- •Анализ ишемических изменений экг (st-сегмент)
- •Велоэргометрия
- •Беговая дорожка
- •Синхронное усреднение сигналов
- •Анализ экг высокого разрешения
- •Анализ вариабельности сердечного ритма
- •Параметры искусственной вентиляции легких
- •Лекция 24 ноября
- •Классификация ээг.
- •Анализ ээг (часть 3). Анализ глубины наркоза.
- •Алгоритм обучения однослойного персептрона с n входами и m нейронами:
- •Структура процесса обучения
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
Для разбора сегмента ST (отклонение относительно нулевой линии)
Для выявления нарушений
Анализ вариабельности сердечного ритма
Что можно обнаружить?
Анализ – обнаружение формы и работа с ней
Ишемическая болезнь
Коронарное кровообращение
Деформация сегмента ЭКГ
Этапы классификации:
Измерение признаков (количественный показатель)
Кластеризация (имеются события похожие друг на друга?)
Идентификация кластеров (присвоение «метки» каждому кластеру)
Норма
Патология
Неопределенность
Таким образом параметры:
Длительность Т
Размах А
Площадь Р
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.
В исходный момент времени все кластеры пусты
Приходит какое-то событие и записывается в 1-ый
Когда приходит второе событие, то вычисляется Dij, и если D<определяющего порога, то этот объект помещается в тот же кластер
Если D>, то записывается в новый кластер
Кластеры заканчиваются
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
Длительность (норма 40-100 мс, патология – до 200 мс)
Частота встречаемости
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