Классификация методик выделенияQrs-комплексов
В настоящее время существует множество методик выделения QRS-комплексов, которые по используемому подходу можно разделить на 5 основных групп:
а) алгоритмы анализа ЭКГ во временной области;
б) алгоритмы, основанные на частотно-временных, в том числе и нелинейных преобразованиях сигнала ЭКГ;
в) алгоритмы на основе применения нейросетевых моделей;
г) синтаксические методы;
д) комбинированные алгоритмы.
Количественными характеристиками эффективности QRS-алгоритмов принято считать несколько величин: вероятность распознавания произвольного QRS-комплекса, выраженную в процентах (чувствительность), вероятность того, что произвольный выделенный QRS-комплекс является истинным (предсказуемость, или специфичность) и вероятность выдачи детектором правильного результата (эффективность). Чувствительность определяется количеством ложно отсеянных QRS-отсчетов, предсказуемость зависит от количества ложно определенных комплексов, а эффективность является интегральным показателем качества метода. Таким образом, указанные величины соответственно равны
где Ntp - количество правильно определенных комплексов, Nfn - количество ложно отвергнутых, a Nfp -ложно определенных.
Алгоритмы группы а) используют принципы, заложенные в работе [2], основаны на применении к входному сигналу, кроме процедур линейной фильтрации, некоторого нелинейного преобразования, включающего в себя обычно процедуру интегрирования сигнала в скользящем окне. Положение R-зубца определятся при помощи порогового детектора уровня сигнала, значения которого могут быть как фиксированными, так и вычисляться адаптивно на каждом шаге работы алгоритма. Дополнительно, чтобы повысить чувствительность, могут использоваться другие процедуры повышения точности: дополнительная предварительная обработка ЭКГ, введение вспомогательных оценочных процедур, позволяющих выявлять ложно определенные QRS-комплексы. Альтернативным подходом является применение согласованной фильтрации [3], представляющей собой вычисление тех или иных корреляционных соотношений между отрезком входного сигнала соответствующей длительности и базовыми шаблонами QRS-комплекса. Данный подход предусматривает различные вспомогательные процедуры, позволяющие производить коррекцию морфологии исходных шаблонов. Эффективность методов этой группы составляет 96-98% корректно определяемых QRS-комплексов из общего числа присутствующих в ЭКГ.
Алгоритмы группы б) основаны на применении после ряда процедур предварительной обработки ЭКГ различных частотно-временных преобразований, таких как локальное преобразование Фурье, преобразование Карунена-Лоева, дискретное вейвлет-преобразование [4]. При использовании вейвлет-преобразования применяется несколько основных базовых вейвлет-функций, причем ряд методов предусматривает обратную связь для коррекции их параметров. При этом локализация положения QRS-комплекса осуществляется в области вейвлет-спектра, в простейшем случае, путем простого детектирования уровня. Методики этой группы характеризуются относительно невысокой производительностью, достаточно низкой чувствительностью к шумам и эффективностью, превышающей 99%.
Алгоритмы группы в) используют нейросетевые методы обработки данных и обычно применяются для анализа морфологии и классификации элементов ЭКГ. Нейросетевые модели позволяют значительно более эффективно адаптироваться к нестационарному характеру ЭКГ, поэтому в задачах выделения QRS-комплексов используются при адаптивной согласованной фильтрации [5]. Чувствительность методик варьируется в широком диапазоне, но в целом достигает 99%.
Группу г) составляют синтаксические алгоритмы, также известные как лингвистические или грамматические. Исходный анализируемый сигнал представляется в виде определенной последовательности примитивов, определяются специальные правила (грамматики), порождающие тот или иной элемент ЭКГ из множества примитивов. Выделение элементов ЭКГ сводится к определению порождающей грамматики.
Группу д) составляют различные комбинации методов, обычно являющиеся синтезом алгоритмов группы в) и б) или в) и а). Особенно выигрышным оказалось первое сочетание, поскольку подобный подход позволяет достичь максимальной на сегодняшний день чувствительности – 99,9% на тестовых подборках ЭКГ. К недостаткам методов этой группы стоит отнести требовательность к вычислительным ресурсам.
Проведенный анализа показал, что методики групп б), в), г) и д) требуют в единицу времени на порядок больше элементарных математических операций, чем методы группы а), при этом чувствительность и эффективность QRS-детектора обычно повышается на 1-3%. Более того, необходим достаточно большой интервал времени для адаптации параметров детектора, что делает подобные алгоритмы трудно применимыми для систем реального времени, когда необходимо получение ЧСС с первых секунд после начала съема ЭКГ. Вейвлет-анализаторы обычно применяются при автоматизированном анализе уже записанной длительной ЭКГ и отличаются повышенной устойчивостью к шумам, нейросетевые алгоритмы активно применяются для классификации элементов ЭКГ.