ВЫДЕЛЕНИЕ QRS-КОМПЛЕКСОВ В КОМПЬЮТЕРНЫХ ЭКГ СИСТЕМАХ

В.А. Нагин, И.В. Потапов, С.В. Селищев

Московский Государственный Институт Электронной Техники
г.Москва, Зеленоград
http://www.miee.ru

Электрокардиограмма представляет собой запись электрических потенциалов активности сердца, снятую с одного или нескольких отведений, и состоит из периодической последовательности кардиоциклов. В типичном кардиоцикле выделяют несколько элементов: P-волна, QRS- комплекс и T-волна. Отправной точкой ряда современных методик компьютерной электрокардиографии является выделение положения QRS-комплекса, которое определяется позицией своего максимума - R-зубца. Полученная последовательность позиций R-пиков используется для сегментации кардиоцикла, измерения амплитуд и длительностей отдельных его элементов, а также в методиках анализа ВСР - вариабельности сердечного ритма.

Системы реального времени, к которым относятся и программные ЭКГ системы, осуществляющие съем, обработку и анализ ЭКГ, предъявляют повышенные требования к производительности алгоритмов. Поэтому необходим разумный компромисс между точностью метода и его производительностью. Современные аппаратные и программные средства позволяют достичь высокой чувствительности без заметной потери производительности.

Предлагаемый алгоритм детектирования QRS-комплексов для программных ЭКГ систем реального времени основывается на ряде хорошо себя зарекомендовавших методов [1,2]. Методика специально адаптирована для реализации с использованием высоко оптимизированной библиотеки цифровой обработки сигналов NSP компании Intel [3] и позволяет надежно в режиме реального времени определять положение QRS-комплексов в каждом из 12 стандартных отведений.

Алгоритм можно разделить на несколько шагов:
  1. Предварительная обработка ЭКГ;
  2. Вычисление адаптивных пороговых значений;
  3. Определение интервала, в котором предположительно содержится R-зубец;
  4. Фильтрация некорректно определенных R-зубцов;
  5. Определение положения R-зубцов в каждом из отведений.

Предварительная обработка ЭКГ заключается в фильтрации помех, в основном, являющихся сетевым шумом с частотой 50/60 Гц и шумом электрической активности мышц, что можно сделать достаточно эффективно одним ФНЧ. Был применен КИХ-фильтр Кайзера 48 порядка, имеющий линейную ФЧХ в полосе пропускания. Данный фильтр обеспечивает подавление 50 Гц на 80 dB, 60 Гц – на 60 dB, мышечного тремора - в 5 раз.

Для подавления низкочастотного шума необходимо применение ФВЧ, фактически осуществляющего грубую коррекцию изолинии. Для этого, если критичной является производительность, достаточно эффективным оказывается применение фильтрации адаптивным средним, осуществляемой следующим образом:

S1 = x1/2 , Sn+1=Sn-c(Sn-xn+1),

где с - адаптивная константа, зависящая от частоты дискретизации yn=xn-Sn.

Возможно применение других ФВЧ, например, БИХ-фильтра Баттерворда, если это не связано со значительной потерей производительности.

Следующим этапом является вычисление адаптивных пороговых значений. Для повышения эффективности метода вычисляются два адаптивных пороговых значения, которые применяются соответственно к двум потокам данных. Первый поток данных содержит сигнал, прошедший предварительную фильтрацию, второй поток – сигнал, подвергнутый нелинейной обработке. Для вычисления второго потока за основу берется исходный фильтрованный сигнал, который дифференцируется и каждый отсчет последовательно возводится в квадрат. Затем осуществляется интегрирование этого сигнала скользящим окном на временном промежутке равном 160 мс, что как раз соответствует средней длительности QRS-комплекса.

Адаптивные пороговые значения вычисляются на каждом шаге заново и сравниваются соответственно с потоком 1 и 2. Интервалы, в которых происходит превышение обоих порогов одновременно, помечаются как содержащие R-зубец. Вероятность того, что он в действительности содержится на этом интервале, достаточно высока, но для повышения точности алгоритма необходима процедура фильтрации некорректно определенных позиций. Это можно сделать за счет применения эвристических правил анализа характеристик исследуемого R-зубца: длительности RR-интервала и модуля максимального градиента RA.

В случае, когда доступно более одного отведения, возможно значительно повысить точность алгоритма за счет использования большего количества отведений в качестве базовых. На практике это реализовано следующим образом. Отведения I и II складываются с определенными весами, формируя исходный сигнал для детектора X[n]:

X[n] = aX1[n] + bX2[n],

где X1 , X2 – сигналы I и II отведения, прошедшие предварительную обработку, a,b – весовые коэффициенты.

Для одного и того же кардиоцикла позиции R-зубцов несколько сдвинуты относительно друг друга в различных отведениях. Определение позиции в каждом из оставшихся отведений осуществляется путем поиска экстремума в интервале Rpos±0,1 сек., где Rpos – уже определенная позиция базового отведения.

В настоящий момент реализация QRS-детектора интегрирована в рамках программного ЭКГ комплекса, осуществляющего расстановку меток в онлайновом режиме. Метод был апробирован как в пакетном режиме на сериях тестовых ЭКГ с расставленными метками R-зубцов, так и в режиме реального времени с использованием эмулятора ЭКГ. Литература:
  1. Pan J. , Tompkins, “A real time QRS detection algorithm”, IEEE Trans. Biomed. Eng., vol. BME-32, pp. 230-236, 1985.
  2. Wan H., Cammarota J.P, Akin A., and others, “Comparison of QRS peak detection algorithms in extracting HRV signal”, Proceedings – 19th International Conference - IEEE / EMBS Oct. 30 – Nov. 2, 1997 Chicago, IL, USA.
  3. Intel Signal Processing Library. Reference Manual. 1997.

Содержание конференции | Секция1