В данной статье изложу свою концепцию регистрации и обработки сигналов ЭКГ в носимых устройств для решения задач обнаружения опасных состояний сердечно-сосудистой системы человека.
Далее рассмотрю кратко реальную точность измерения ЭКГ и свой вариант ее повышения, а также расскажу свой вариант накопления и передачи для обработки больших объемов данных в суточных (по Холтеру) регистраторах.
Для исследования сигналов ЭКГ использовал существующие в открытом доступе базы данных https://physionet.org/ и http://rohmine.org/.
Сигналы в указанных базах данных хранятся в различных форматах. Для своих исследований использовал следующие: EDF+ -16 бит, BDF-24 бита, формат 212 – 12 бит(2 отсчета в 3 байтах).
Кроме того, есть различия хранения описательной информации. В форматах EDF, BDF вся информация хранится в одном файле, в других случаях, используется два файла для данных и описания.
На указанных выше сайтах баз данных есть в свободном доступе библиотека для написания приложения на различных языках, но в основном для Linux.
Готовых решений для работы в Windows 10 не нашел, поэтому сделал свою библиотеку на СИ и собрал библиотеку для Lua.
В результате получилась простая, но быстрая и удобная система для разработки алгоритмов обработки сигналов ЭКГ на Lua и Си.
Система представляет собой редактор текста SciTe, в котором встроена возможность запуска исполнения скриптов на lua,luajit,python и др., и пара программ для графического отображения.
Для графического отображения сигналов и результатов обработки использую EDFbrowser https://gitlab.com/Teuniz/EDFbrowser и Virtual Oscilloscope Server http://www.oscilloscope-lib.com .
Для демонстрации результатов в данной статье использую сигнал 01_ГУСА.edf длительностью 55 минут, частота дискретизации 200 Гц, 16 бит, из базы данных http://rohmine.org/baza-dannykh-rokhmine/testovaya-baza-kriticheskikh-sostoyaniy-2019-g/ ,которая содержит специально собранные тесты для проверки качества диагностики опасных состояний сердца в носимых устройствах регистрации. В этом сигнале происходит резкое увеличение ЧСС(частота сердечных сокращений) , что является признаком опасного состояния.
В общем случае, основными признаками, которые используются для диагностики по сигналу ЭКГ являются параметры Q,R,S,P,T импульсов , их длительность, относительная амплитуда, интервал следования относительно друг друга. Кроме того, диагностическими признаками является характер изменения формы сигнала в пределах этих интервалов.
Набор таких признаков составляется для регистрируемых сигналов различных каналов(датчиков). Полученная совокупность признаков используется для постановки диагноза.
Как известно, первоочередной задачей обработки сигналов ЭКГ является измерение интервала следования R импульсов(TRR), или ЧСС.
Исследование существующих алгоритмов позволило разработать новый вариант алгоритма nkQRS, который более устойчив к помехам и может быть основой разрабатываемых носимых устройств.
Для наглядности работы алгоритма, приведу график его работы в сравнении с графиком работы QRS детектора EDFbrowser.
Пример работы данного алгоритма на записях ЭКГ 22 больных:
Анализ многочисленных сигналов ЭКГ указанных баз данных позволяет сделать вывод, что фактически все сигналы, при потенциальной возможности регистрации с точностью в 16 бит, имеют точность не выше 10 бит.
Существующий стандарт самописцев ЭКГ устанавливает размер амплитуды 1 мВ на 10 мм, что при разрешающей способности линейки 0.1 мм соответствует цифровой точности не лучше 7 бит.
В настоящее время мне известны лишь две специализированные микросхемы 24 bit АЦП, для построения устройств регистрации ЭКГ. Это AD7714 и ADS1293.
Однако большая разрядность таких устройств, как правило, используется для расширения диапазона входного сигнала. Поэтому большая часть разрядов АЦП обеспечивает устранение перегрузки по входу, но фактически не участвует в измерении сигнала.
Для решения проблемы повышения точности измерения параметров Q,S,P,T импульсов следует использовать динамическое изменение коэффициента усиления встроенного в чипы PGA (инструментального усилителя). Для сокращения объема данных следует использовать динамическое изменение разрядности этих данных.
В результате анализа, пришел к выводу, что проблему низкой точности регистрируемых сигналов ЭКГ в настоящее время решают путем записи избыточного объема данных, большую часть которых потом либо не обрабатывают вообще, либо отбрасывают, как содержащие сильные помехи.
Если учесть тот факт, что, например, одним из признаков блокады ножек пучка Гиса является изменение длительности QRS комплекса от 110 до 125 ms, то надежное обнаружение подобного изменения не может быть выполнено при частотах дискретизации менее 100 Гц.
Чтобы получить представление об избыточности объема регистрируемых данных суточными регистраторами примем для определенности частоту дискретизации 250 Гц, разрядность данных 24 бит(3 байта) и 3 датчика. В итоге получим объем накопленных данных 195 МБ.
Но посмотрите на рис. 2, на котором изображен фрагмент сигнала ЭКГ продолжительностью 22 TRR. Полагаю, что из этих 22 TRR очень сложно найти более 4-5 полностью различающихся по форме сигналов интервалов. Поэтому этот фрагмент сигнала можно спокойно уменьшить в 4 раза и вместо 22 TRR передать(сохранить) лишь 5 интервалов. Очевидно, что в реальных суточных записях есть участки сигнала ЭКГ значительно большей длины, которые можно успешно заменить одним RR интервалом.
Таким образом, предлагаемая мною концепция сбора данных ЭКГ состоит в том, что регистрировать надо не непрерывный сигнал, а лишь участки, которые отличаются от уже зарегистрированных.
Решение данной задачи сводится к выбору признаков, по которым осуществляется распознавание новых RR интервалов для их регистрации.
Первым признаком полагаю следует взять изменение длительности TRR, либо изменение ЧСС.
Например, для 55 минутного сигнала 01_ГУСА.edf , измеренное число RR интервалов составляет 7900. Если допустимо изменение длительности двух смежных RR интервалов в 10 имп/мин, то число регистрируемых интервалов сократится до 300, т.е. объем регистрируемых данных сокращается более, чем в 25 раз.
Вторым признаком предлагаю взять евклидовую метрику(EM) сигнала ЭКГ текущего TRR от предыдущего.
Алгоритм решения этой задачи реализовал следующим образом. Сначала сигнал ЭКГ нормировался на каждом RR интервале к длительности этого интервала. Таким образом, из сигнала исключалась информация об интервале и частоте дискретизации. Для этого интервалы RR представлялись в 400-мерном пространстве (400 отсчетов на интервал). Далее вычислялось евклидово расстояние смежных интервалов. Полученные метрики проецировались на реальный сигнал ЭКГ.
В результате получили сигнал отличия текущего интервала RR от предыдущего в следующем виде.
На графиках желтый – ЭКГ, зеленый –сигнал алгоритма измерения TRR, красный цвет-EM.
