Метод попередньої обробки ЕКГ сигналів для виявлення пізніх потенціалів передсердь та шлуночків
Бічна панель сторінки статті
Основний зміст сторінки статті
Анотація
Дана стаття націлена на аналіз та вдосконалення методів попередньої обробки електрокардіосигналів для задачі виявлення низькоамплітудних регулярних компонент. В даному дослідженні було проаналізовано основні переваги та недоліки існуючих підходів до попередньої обробки ЕКГ сигналу для задачі виявлення пізніх потенціалів шлуночків та передсердь. На основі проведеного аналізу, з метою підвищення точності виявлення пізніх потенціалів різними алгоритмами, та покращення якості попередньої обробки ЕКГ сигналу для виявлення низькоамплітудних компонент, було запропоновано удосконалений метод усереднення кардіоциклів. Головною особливістю запропонованого методу є розбиття великої кількості кардіоциклів для усереднення на менші сукупності (епохи), та подальше застосування лінійного матричного розкладання для придушення нерегулярних включень. Також за необхідності у разі розбиття на епохи можна використовувати перекриття. Це дозволить зменшити розбіжності між епохами, та збільшити кількість кардіоциклів. Використання даного підходу дає можливість мінімізувати нерегулярні включення в ЕКГ сигнал та підвищити точність виділення низькоамплітудних пізніх потенціалів. Крім того, розбиття на епохи та перекриття дозволяє уникати розмиття низькоамплітудних високочастотних компонент під час усереднення в результаті варіабельності серцевого ритму, а також покращувати якість усередненого сигналу при використанні зменшеної кількості кардіоциклів. Для тестування запропонованого методу використовувались різні підходи для оцінки попередньої обробки ЕКГ сигналу. Переважно було проведено порівняння кардіоциклів, які були отримані в результаті роботи різних алгоритмів усереднення та запропонованоого методу, з еталоном. Для тестування методу усереднення, було розроблено штучний ЕКГ сигнал з наявним шумом, наявними пізніми потенціалами шлуночків та передсердь, варіабельністю серцевого ритму, а також з високоамплітудною компонентою, яка виникає у випадковому місці через кожні два серцеві скорочення. Еталонний кардіоцикл було отримано з вихідного штучного сигналу без наявних спотворень та шуму. По перше, було проведено візуальне порівняння та оцінка різних методів усереднення з еталоном. По друге, було розраховано метрики подібності пізніх потенціалів на усередненому кардіоциклі з пізніми потенціалами на еталонному сигналі. На основі даних метрик було побудовано криві залежностей значень метрик подібності від амплітуди пізніх потенціалів на ЕКГ сигналі. По третє, було проведено оцінку впливу запропонованого методу усереднення на результати класифікації реальних ЕКГ сигналів з наявними пізніми потенціалами за допомогою різних алгоритмів машинного навчання. Загальний результат тестування показав, що запропоний метод усереднення за результатами дослідження здатний відтворювати морфологію низькоамплітудних регулярних складових на 10-30% точніше, та покращувати точність класифікації на 5-12%.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
D. C. Bauer, “Association of Major and Minor ECG Abnormalities With Coronary Heart Disease Events”, JAMA, vol. 307, no. 14, p. 1497, Apr. 2012, DOI: https://doi.org/10.1001/jama.2012.434
D. Saito et al., “Atrial late potentials are associated with atrial fibrillation recurrence after catheter ablation,” J. Arrhythmia, vol. 38, no. 6, pp. 991–996, Dec. 2022, DOI: https://doi.org/10.1002/joa3.12786
S. Narayanaswamy, “High resolution electrocardiography,” Indian Pacing Electrophysiol. J., vol. 2, no. 2, pp. 50–56, Apr. 2002, PMID: 17006557
P. Gomis and P. Caminal, “Evaluation of very low amplitude intra-QRS potentials during the initial minutes of acute transmural myocardial ischemia,” J. Electrocardiol., vol. 47, no. 4, pp. 512–519, Jul. 2014, DOI: https://doi.org/10.1016/j.jelectrocard.2014.04.014
B. Dinov et al., “Signal-Averaged Electrocardiography as a Noninvasive Tool for Evaluating the Outcomes After Radiofrequency Catheter Ablation of Ventricular Tachycardia in Patients With Ischemic Heart Disease,” Circ. Arrhythmia Electrophysiol., vol. 9, no. 9, Sep. 2016, DOI: https://doi.org/10.1161/CIRCEP.115.003673
R. Jaros, R. Martinek, and L. Danys, “Comparison of Different Electrocardiography with Vectorcardiography Transformations,” Sensors, vol. 19, no. 14, p. 3072, Jul. 2019, DOI: https://doi.org/10.3390/s19143072
G. Speranza, P. Bonato, and R. Antolini, “Analyzing late ventricular potentials,” IEEE Eng. Med. Biol. Mag., vol. 15, no. 3, pp. 88–94, 1996, DOI: https://doi.org/10.1109/51.499765
E. Bou Assi, L. Gagliano, S. Rihana, D. K. Nguyen, and M. Sawan, “Bispectrum Features and Multilayer Perceptron Classifier to Enhance Seizure Prediction,” Sci. Rep., vol. 8, no. 1, p. 15491, Oct. 2018, DOI: https://doi.org/10.1038/s41598-018-33969-9
A. R. Pérez-Riera, R. Barbosa-Barros, R. Daminello-Raimundo, and L. C. de Abreu, “Main artifacts in electrocardiography,” Ann. Noninvasive Electrocardiol., vol. 23, no. 2, p. e12494, Mar. 2018, DOI: https://doi.org/10.1111/anec.12494
Giorgio, Rizzi, and Guaragnella, “Efficient Detection of Ventricular Late Potentials on ECG Signals Based on Wavelet Denoising and SVM Classification,” Information, vol. 10, no. 11, p. 328, Oct. 2019, DOI: https://doi.org/10.3390/info10110328
Fagan, X., Ivanko, K., Ivanushkina, N. (2021). Detection of Ventricular Late Potentials in Electrocardiograms Using Machine Learning. In: Hu, Z., Petoukhov, S., Dychka, I., He, M. (eds) Advances in Computer Science for Engineering and Education III. ICCSEEA 2020. Advances in Intelligent Systems and Computing, vol 1247. Springer, Cham. https://doi.org/10.1007/978-3-030-55506-1_44
J. H. Caltenco, J. L. Lopez-Bonilla, B. E. Carvajal-Gámez, and P. Lam-Estrada, “Singular Value Decomposition,” Bull. Soc. Math. Serv. Stand., vol. 11, pp. 13–20, Sep. 2014, DOI: https://doi.org/10.18052/www.scipress.com/BSMaSS.11.13
Y. Biton et al., “Causality analysis of leading singular value decomposition modes identifies rotor as the dominant driving normal mode in fibrillation,” Chaos An Interdiscip. J. Nonlinear Sci., vol. 28, no. 1, p. 13128, Jan. 2018, DOI: https://doi.org/10.1063/1.5021261
R. J. Martis, U. R. Acharya, and L. C. Min, “ECG beat classification using PCA, LDA, ICA and Discrete Wavelet Transform,” Biomed. Signal Process. Control, vol. 8, no. 5, pp. 437–448, Sep. 2013, DOI: https://doi.org/10.1016/j.bspc.2013.01.005
T. Kurita, “Principal Component Analysis (PCA),” in Computer Vision, Boston, MA: Springer US, 2014, pp. 636–639, DOI: http://doi.org/10.1007/978-0-387-31439-6_649
J. Dien, D. J. Beal, and P. Berg, “Optimizing principal components analysis of event-related potentials: Matrix type, factor loading weighting, extraction, and rotations,” Clin. Neurophysiol., vol. 116, no. 8, pp. 1808–1825, Aug. 2005, DOI: https://doi.org/10.1016/j.clinph.2004.11.025
S. YU and K. CHOU, “Integration of independent component analysis and neural networks for ECG beat classification,” Expert Syst. Appl., vol. 34, no. 4, pp. 2841–2846, May 2008, DOI: https://doi.org/10.1016/j.eswa.2007.05.006
P. E. McSharry, G. D. Clifford, L. Tarassenko, and L. A. Smith, “A dynamical model for generating synthetic electrocardiogram signals,” IEEE Trans. Biomed. Eng., vol. 50, no. 3, pp. 289–294, Mar. 2003, DOI: https://doi.org/10.1109/TBME.2003.808805
T. Szél and C. Antzelevitch, “Abnormal Repolarization as the Basis for Late Potentials and Fractionated Electrograms Recorded From Epicardium in Experimental Models of Brugada Syndrome,” J. Am. Coll. Cardiol., vol. 63, no. 19, pp. 2037–2045, May 2014, DOI: https://doi.org/10.1016/j.jacc.2014.01.067
S. Kaplan et al., “Filtering respiratory motion artifact from resting state fMRI data in infant and toddler populations,” Neuroimage, vol. 247, p. 118838, Feb. 2022, DOI: https://doi.org/10.1016/j.neuroimage.2021.118838
M. Butt, N. Razzaq, I. Sadiq, M. Salman, and T. Zaidi, “Power Line Interference removal from ECG signal using SSRLS algorithm,” in 2013 IEEE 9th International Colloquium on Signal Processing and its Applications, 2013, pp. 95–98, DOI: https://doi.org/10.1109/CSPA.2013.6530021
A. E. Cetin, O. N. Gerek, and Y. Yardimci, “Equiripple FIR filter design by the FFT algorithm,” IEEE Signal Process. Mag., vol. 14, no. 2, pp. 60–64, Mar. 1997, DOI: https://doi.org/10.1109/79.581378
V. Kalidas and L. Tamil, “Real-time QRS detector using Stationary Wavelet Transform for Automated ECG Analysis,” in 2017 IEEE 17th International Conference on Bioinformatics and Bioengineering (BIBE), 2017, pp. 457–461, DOI: https://doi.org/10.1109/BIBE.2017.00-12
M. A. Z. Fariha, R. Ikeura, S. Hayakawa, and S. Tsutsumi, “Analysis of Pan-Tompkins Algorithm Performance with Noisy ECG Signals,” J. Phys. Conf. Ser., vol. 1532, no. 1, p. 12022, Jun. 2020, DOI: https://doi.org/10.1088/1742-6596/1532/1/012022
C. Guaragnella, M. Rizzi, and A. Giorgio, “Marginal Component Analysis of ECG Signals for Beat-to-Beat Detection of Ventricular Late Potentials,” Electronics, vol. 8, no. 9, p. 1000, Sep. 2019, DOI: https://doi.org/10.3390/electronics8091000
R. Bousseljot, D. Kreiseler, and A. Schnabel, “Nutzung der EKG-Signaldatenbank CARDIODAT der PTB uber das Internet [Usage of the ECG signal database CARDIODAT of PTB via the internet.],” Biomed. Tech. Eng., pp. 317–318, Jul. 2009, DOI: https://doi.org/10.1515/bmte.1995.40.s1.317
G. Breithardt et al., “Standards for analysis of ventricular late potentials using high-resolution or signal-averaged electrocardiography. A statement by a Task Force Committee of the European Society of Cardiology, the American Heart Association, and the American College of Ca,” Circulation, vol. 83, no. 4, pp. 1481–1488, Apr. 1991, DOI: https://doi.org/10.1161/01.CIR.83.4.1481
H. Takahashi, M. Takagi, T. Yoshio, M. Yoh, and I. Shiojima, “Analysis of site-specific late potentials using a novel Holter signal-averaged electrocardiography in patients with Brugada syndrome,” Hear. Rhythm, vol. 19, no. 10, pp. 1650–1658, Oct. 2022, DOI: https://doi.org/10.1016/j.hrthm.2022.05.005
X. H. Cao, I. Stojkovic, and Z. Obradovic, “A robust data scaling algorithm to improve classification accuracies in biomedical data,” BMC Bioinformatics, vol. 17, no. 1, p. 359, Dec. 2016, DOI: https://doi.org/10.1186/s12859-016-1236-x
