Вы находитесь на странице: 1из 138

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
ВЫСШЕГО ОБРАЗОВАНИЯ

«Санкт-Петербургский государственный электротехнический университет


«ЛЭТИ» им. В.И. Ульянова (Ленина)»

На правах рукописи

Нгуен Чонг Туен

МЕТОД И СИСТЕМА ДЛЯ УДАЛЕННОГО МОНИТОРИНГА


СЕРДЕЧНОГО РИТМА И ТРЕВОЖНОЙ СИГНАЛИЗАЦИИ ЭПИЗОДОВ
ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ

Специальность: 05.11.17 – Приборы, системы и изделия медицинского


назначения

Диссертация
на соискание ученой степени
кандидата технических наук

Научный руководитель:
д.т.н., профессор
Юлдашев З.М.

Санкт-Петербург – 2018
ОГЛАВЛЕНИЕ

Введение…………………………………………………………………………. 4
Глава 1. Проблемы тревожной сигнализации эпизодов фибрилляции 12
предсердий в условиях активной жизнедеятельности пациента.................
1.1. Актуальность решения проблемы своевременного выявления эпизодов 12
фибрилляции предсердий……………………………………………………….
1.2. Проблемы мониторинга и контроля сердечного ритма в режиме 15
реального времени……………………………………………………………….
1.3. Проблемы мониторинга и контроля сердечного ритма в условиях 19
активной жизнедеятельности……………………………………………………
1.4. Проблемы информационного сопровождения для удаленного 26
мониторинга фибрилляции предсердий………………………………………...
1.5. Постановка цели и задач исследования…………………………………… 29
Глава 2. Метод и система удаленной тревожной сигнализации
фибрилляции предсердий……………………………………………………. 31
2.1. Концепция оперативной удаленной тревожной сигнализации
фибрилляции предсердий………………………………………………………. 31
2.2. Формирование комплекса диагностически значимых показателей для
выявления эпизодов фибрилляции предсердий……………………………….... 42
2.3. Метод удаленного мониторинга ЭКГ сигнала в реальном режиме
времени на предмет обнаружения фибрилляции предсердий…………………. 46
2.4. Диагностики эпизодов фибрилляции предсердий в условиях активной
жизнедеятельности пациента…………………………………………………… 55
2.5. Выводы к главе 2……………………………………………………………. 62
Глава 3. Алгоритмы обработки и анализа ЭКГ сигналов для выявления
эпизодов фибрилляции предсердий…………………………………………... 64
3.1. Анализ факторов, влияющих на эффективность обработки ЭКГ сигналов 65
3.2. Этапы обработки ЭКГ сигнала для выявления эпизодов ФП…………...... 68
3.3. Предварительная фильтрация ЭКГ сигналов………………………………. 71

2
3.4. Алгоритм выделения характерных точек ЭКГ сигнала…………………… 75
3.5. Алгоритм детектирования эктопических аритмий………………………… 81
3.6. Формирование комплекса диагностически значимых показателей для
выявления эпизодов фибрилляции предсердий……………………………...…. 86
3.7. Анализ и обработка ЭКГ сигналов для различения фибрилляции –
трепетания предсердий…………………………………………………………… 91
3.8. Разработка решающих правил и критериев классификации……………... 97
3.9. Вывод к главе 3………………………………………………………………. 102
Глава 4. Техническая реализация и экспериментальные исследования… 103
4.1. Разработка носимого устройства для регистрации биомедицинских
сигналов………………………………………………………………………….... 103
4.2. Разработка мобильного приложения для носимой системы удаленного
мониторинга состояния пациента с фибрилляцией предсердий………………. 108
4.3. Результаты экспериментальной апробации………………………………… 116
4.3.1. Результаты апробации на базе верифицированных записей……………. 116
4.3.2. Клиническая апробация…………………………...………………………. 119
4.4. Вывод к главе 4………………………………………………………………. 123
Заключение………………………………………………………………………. 125
Перечень сокращений и условных обозначений……………………………. 127
Список использованной литературы………………………………...……… 128

3
ВВЕДЕНИЕ

Актуальность темы
Фибрилляция предсердий (ФП) является одним из распространенных видов
нарушений сердечно-сосудистой системы, приводящих к ишемии сосудов сердца
и головного мозга. Распространенность ФП среди населения увеличивается с
возрастом: 0,5 % в возрасте 50-59 и более 9 % у 80-89 летних. В настоящее время
существуют различные методы диагностики ФП, такие как, электрокардиография,
эхокардиография. Наиболее широко применяемым в клинической практике
методом является суточное или многодневное холтеровское мониторирование
(ХМ), результаты которого используются для разработки тактики лечения и
подведения лечебных средств ФП. Однако, часто возникает необходимость в
удаленном мониторинге в режиме реального времени состояния здоровья
пациентов, которые находятся вне лечебного учреждения и продолжают
периодически наблюдаться у врача с целью получения ими экстренной
медицинской помощи при обострении заболевания. Для лечения таких пациентов
лечащему врачу необходимо иметь подробную информацию о текущем состоянии
пациента, динамике изменения состояния пациента в процессе длительного
мониторинга. При частом повторении критических состояний у пациента, врачу
необходимо принимать решение об оказании экстренной медицинской помощи.
При ФП симптомы заболевания у пациента проявляются постепенно и не
заметно, они не всегда ощущаются пациентом. Поэтому пациенту сложно
идентифицировать факт нарастания ФП. Для диагностики ФП применяются
различные методы и алгоритмы выявления эпизодов ФП, которые характеризуются
нерегулярностью частоты сердечных сокращений (ЧСС) и появлением на ЭКГ
сигнале низкоамплитудных f волн с частотой от 4 до 10 Гц вместо P волн. Наряду
с указанными признаками ФП можно выявить ряд дополнительных признаков,
которые будут отражать изменения ЭКГ-сигнала во временной и частотной
области. В условиях активной жизнедеятельности пациента вне лечебного
учреждения очень сложно обеспечить высокую точность выявления эпизодов ФП
4
в виду проявления различных помех, прежде всего миографических, и артефактов
двигательной активности. Комплексирование диагностически значимых
показателей (ДЗП) ФП позволит повысить точность выявления эпизодов ФП,
специфичность и чувствительность метода диагностики опасной аритмии
предсердий.
Для выявления эпизодов ФП может использоваться Холтеровское
мониторирование (ХМ). Но этот метод осуществляет сначала длительную запись
ЭКГ-сигнала, а затем – обработку, т.е. метод работает в off-line режиме и не
позволяет выявлять эпизоды ФП во время регистрации сигнала: эпизоды ФП могут
наступить внезапно и продолжаться от нескольких секунд до нескольких часов. В
настоящее время разработаны носимые системы экспресс – диагностики ФП в
домашних условиях, такие как, AliveCor, Qardio, Apple Heart Study, AfibAlert AF
Monitor (США), Zenicor (Швеция), MyDiagnostick ECG recorder (Нидерланды),
CardioQvark (Россия). Эти системы осуществляют оценку текущего состояния
пациента, но не обеспечивают достаточной достоверности выявления эпизодов ФП
в условиях активной жизнедеятельности, не позволяют выявлять динамику
развития заболевания. Актуальным является разработка системы удаленного
мониторинга состояния сердечного ритма пациента в домашних условиях, которая
позволит ему наблюдать и контролировать деятельность сердца, а также
предоставлять лечащему врачу целостную информацию о состоянии здоровья
пациента. В случае возникновения опасных для жизни пациента состояний система
удаленного непрерывного мониторинга сердечного ритма должна в режиме
реального времени обеспечить тревожную сигнализацию об эпизодах ФП
лечащему врачу для оказания экстренной медицинской помощи.
Цель исследования: разработка метода и носимой системы длительного
удаленного мониторинга сердечного ритма пациента вне лечебного учреждения
для выявления и тревожной сигнализации эпизодов ФП.
Объектом исследования является система длительного удаленного
мониторинга сердечного ритма пациента с ФП.

5
Предметом исследования являются компоненты информационного,
методического, инструментального и программно-алгоритмического обеспечения
системы удаленного мониторинга сердечного ритма и выявления эпизодов ФП.
Задачи исследования
1. Анализ факторов, влияющих на точность выявления эпизодов ФП вне
лечебного учреждения в условиях активной жизнедеятельности пациента;
2. Разработка концепции построения системы удаленного мониторинга
сердечного ритма пациента, выявления и тревожной сигнализации эпизодов ФП;
3. Разработка метода и алгоритма удаленного мониторинга состояния
пациента с ФП;
4. Разработка методов обработки ЭКГ-сигнала, оценки и анализа
комплекса ДЗП, решающих правил и критериев для выявления эпизодов ФП;
5. Проведение экспериментальной апробации разработанного метода и
носимой системы с использованием верифицированных записей ЭКГ-сигнала и
клинической апробации системы на пациентах с ФП.
Новые научные результаты
1. Концептуальная модель системы удаленного длительного мониторинга
сердечного ритма пациента вне лечебного учреждения, выявления и тревожной
сигнализации ФП, использующая интеллектуальный режим мониторинга в
условиях активной жизнедеятельности пациента по динамике показателей
сердечного ритма;
2. Метод и алгоритм удаленного мониторинга ЭКГ сигнала в реальном
режиме времени для выявления ФП, метод обработки ЭКГ сигнала, анализа ДЗП и
формирования тревожной сигнализации при выявлении эпизодов ФП в условиях
активной жизнедеятельности пациента;
3. Модифицированный комплекс показателей для выявления эпизодов
ФП и различных аритмий, таких как, трепетание предсердий (ТП) и чередующие
предсердные и желудочковые экстрасистолы. Комплексирование ДЗП для
повышения достоверности выявления ФП и обеспечения чувствительности и
специфичности диагностики на уровне не менее 95%;
6
4. Комплекс показателей ФП, гистограмма распределения «Частота
эпизодов ФП», «Продолжительность эпизодов ФП», позволяющие оценить
динамику состояния пациента и развития нарушения сердечного ритма,
эффективность лечения и приема лекарственных в режиме реального времени.
Методы исследования
В работе использованы методы системного анализа, метод математического
моделирования, математической статистики, метод анализа и обработки данных,
метод обработки сигналов, метод объектно-ориентированного программирования.
Теоретическая и практическая значимость работы
Теоретическая значимость результатов работы заключается в развитии метода и
системы удаленного длительного мониторинга состояния пациента с ФП, выявления
процесса развития заболевания по гистограмме распределения и частоте появления
эпизодов ФП, метода обработки и анализа биомедицинских сигналов, метода
комплексирования ДЗП для повышения достоверности выявления эпизодов ФП,
различения фибрилляции-трепетания предсердий, в условиях чередующихся
экстрасистол, снижения ложной сигнализации в системе удаленного мониторинга и в
режиме реального времени.
Практическая значимость результатов работы заключается в разработке
алгоритмов работы системы удаленного мониторинга состояния пациента с ФП в
режиме реального времени, алгоритмов анализа и обработки биомедицинских
сигналов, инструментального и программного обеспечения носимого устройства
пациента и мобильного приложения для оценки текущего состояния пациента по
регистрируемому сигналу, экспериментальной апробации предложенных
технических решений.

7
Научные положения, выносимые на защиту:
Для разработки системы удаленной тревожной сигнализации в режиме
реального времени эпизодов ФП в условиях активной жизнедеятельности
пациента, необходимо:
- Использование методов и алгоритмов выявления ФП, основанных на
комплексирование показателей;
- Использование алгоритма интеллектуального мониторинга сердечного
ритма, заключающегося в оценке комплекса ДЗП при появлении основных
признаков ФП;
- Использование методов снижения уровня миографической помехи и
артефактов за счет перевода пациента в состояние покоя при возрастании
отношения сигнал/помеха;
- Удаление из анализируемого в скользящем окне сигнала кардиоциклов
эпизодов эктопических аритмий (экстрасистолии) и ТП;
- Использование многоуровневой архитектуры системы мониторинга
сердечного ритма для повышения автономности выявления эпизодов ФП носимым
компьютером пациента и надежности работы всей системы.
Апробация результатов работы
Результаты диссертационного исследования докладывались и обсуждались
на международной конференции IEEE North West Russia Section Young Researchers
in Electrical and Electronic Engineering Conference (СПб, 2018 г.), международном
конгрессе по электростимуляции и клинической электрофизиологии сердца (СПб,
КАРДИОСТИМ 2016, 2018 гг.), научно-технических конференциях СПбНТОРЭС
им. А.С. Попова (СПб, 2015 – 2017 гг.), XXX Всероссийской научно-технической
конференции студентов, молодых ученых и специалистов «Биотехнические,
медицинские и экологические системы и робототехнические комплексы» (Рязань,
БИОМЕДСИСТЕМЫ – 2017 г.), международной научно-технической конференции
студентов, молодых ученых и специалистов «Энергосбережение и эффективность
в технических системах» (Тамбов, 2016 – 2017 гг.), ежегодной всероссийской

8
школе – семинаре «Методы компьютерной диагностики в биологии и медицине»
(Саратов, 2015 г.).
Внедрение результатов работы
Результаты диссертационного исследования внедрены и используются при
выполнении следующих НИР и НИОКР:
- Грант РФФИ № 16-07-00599 «Модели, методы и система интеллектуального
телемедицинского мониторинга состояния здоровья человека и прогнозирования
обострения заболеваний» (2016-2018 гг.).
Разработанные в рамках исследования метод и алгоритм выявления эпизодов
ФП внедрены в практику научных исследований ЗАО «ИНКАРТ». Метод,
алгоритм и носимая система для удаленного мониторинга сердечного ритма и
тревожной сигнализации эпизодов ФП в режиме реального времени внедрены и
используются в практике научных исследований Национального Медицинского
Исследовательского Центра им. В.А. Алмазова.
Публикации по теме исследования
По теме диссертации опубликовано 25 научные работы, из них 5 статьей в
ведущих рецензируемых научных журналах и изданиях, определенных ВАК, 3 – в
изданиях Scopus, 7 – в трудах международных научных и научно-технических
конференций, 7 – в трудах всероссийских научно-технических конференций, 3
свидетельства о регистрации программы для ЭВМ.
Структура и объем диссертации
Диссертация состоит из введения, 4 глав, заключения, списка литературы из
104 наименования. Основное содержание диссертации изложено на 138 листах,
содержит 56 рисунков, 5 таблицы.
Личный вклад. Автором самостоятельно поставлены цель и задачи работы,
разработана программа экспериментальных исследований, разработаны
компоненты методического, алгоритмического и программного обеспечения
носимой системы для удаленной тревожной сигнализации эпизодов ФП, проведен
анализ результатов экспериментальных исследований.

9
Краткое содержание работы
Во введении обоснована актуальность работы, сформулированы цели и
задачи исследования, изложены основные научные и практические результаты,
выносимые на защиту, приведено краткое содержание глав диссертации.
Первая глава посвящена анализу проблемы оперативной диагностики
эпизодов ФП в условиях активной жизнедеятельности, проблемы регистрации
биомедицинских сигналов и достоверной диагностики ФП, организации удаленной
обработки и анализа данных. Проведен анализ существующих методов, алгоритмов и
систем для выявления эпизодов ФП, удаленной диагностики ФП, обоснована
необходимость разработки и использования системы удаленной непрерывной
тревожной сигнализации для пациента с ФП для повышения эффективности и
достоверности диагностики и лечения ФП до и после операции. На основе анализа
данных проблем, сформулированы задачи для совершенствования системы
удаленного непрерывного мониторинга состояния пациента с ФП в условиях
активной жизнедеятельности.
Во второй главе предложена концепция построения удаленного мониторинга
состояния пациента с ФП, сформирован комплекс ДЗП для выявления эпизодов ФП,
классификации фибрилляции-трепетания предсердий, разработана структура
системы удаленного мониторинга состояния пациента с ФП в реальном режиме
времени, метод диагностики ФП в условиях активной жизнедеятельности.
Третья глава посвящена разработке методов и алгоритмов обработки ЭКГ
сигналов в условиях активной жизнедеятельности по дискретным отсчетам.
Проведены расчеты, сформированы комплексы ДЗП, решающих правил и критериев
для выявления эпизодов ФП, дифференцирования фибрилляции-трепетания
предсердий и нормы во временной и частной области. Рассмотрен способ
использования предложенного алгоритма в системе удаленной тревожной
сигнализации эпизодов ФП в онлайн режиме.
Четвертая глава посвящена экспериментальной апробации разработанного
алгоритма и носимой системы. Проведены описание программной реализации
системы, особенности разработки программного обеспечения носимой системы,
10
анализ результатов экспериментальных исследований на базе верификационных
записей и клинической апробации носимой системы для выявления эпизодов ФП у
пациентов, показана эффективность применения системы в клинической практике.
В заключении сформированы основные результаты работы.

11
ГЛАВА 1. ПРОБЛЕМЫ ТРЕВОЖНОЙ СИГНАЛИЗАЦИИ
ЭПИЗОДОВ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ
В УСЛОВИЯХ АКТИВНОЙ ЖИЗНЕДЕЯТЕЛЬНОСТИ ПАЦИЕНТА

1.1. Актуальность решения проблемы своевременного выявления эпизодов


фибрилляции предсердий

ФП или мерцательная аритмия является одним из распространенных и


опасных видов нарушения ритма сердца [2, 40]. Распространенность заболевания
среди населения составляет 1-2 %. По данным ВОЗ во всем мире в 2013 году ФП
страдают более 33,5 млн. человек. Риск возникновения заболевания пациентов с
ФП увеличивается с возрастом в развитых странах, в том числе Россия. ФП не
только влияет на качество жизни из-за своих сопутствующих проявлений, но и
трудно обнаруживается и лечится, является основной причиной ишемической
болезни, приводящей к смертности пациента. Симптомы ФП у пациентов особенно
на ранних стадиях заболевания недостаточно выражены и похожи на другие
нарушения сердечного ритма, что также затрудняет диагностику ФП. По
сравнению с другими аритмиями, часто встречающихся в клинической практике,
ФП может потребовать лечение даже у пациентов, у которых отсутствует
субъективный дискомфорт от этого нарушения ритма. Соответственно, это
определяет проблему своевременного обнаружения аритмии у пациентов с ФП.
Оказывая влияние на миллионы пациентов во всем мире, ФП характеризуется
рядом клинических проявлений, которые в определенной степени могут
проявляться у пациентов от бессимптомного течения аритмии до различных
проявлений в условиях повседневной жизнедеятельности, таких как, одышка,
усиление которой наблюдается при физических нагрузках, неритмичное учащение
сердцебиения, повышенная потливость, общая слабость и головокружение. ФП
часто ассоциируется с целым рядом сердечно-сосудистых состояний, которые
могут быть обусловлены различными аритмиями [3, 4], такими как, ожирение,
хроническая сердечная недостаточность, сахарный диабет, кардиомипатия, апноэ
12
сна, и особенно, артериальная гипертензия – наиболее частое фоновое состояние,
которое обнаруживается у 60 % пациентов с ФП по данным различных
заболеваний.
В соответствии с статистикой ВОЗ ФП составляет 33 % случаев от всех видов
госпитализаций по поводу нарушений сердечного ритма. При этом основными
причинами госпитализаций являются острый коронарный синдром, декомпенсация
сердечной недостаточности, тромбоэмболические осложнения и отложное лечение
аритмии.
Патофизиология ФП является комплексной и включает в себя спонтанные,
нервные и генетические факторы. Основной механизм нарастания ФП
представляет собой наличие некоординированных электрических очагов
возбуждения и сокращения миокарда предсердий, сопровождающийся тяжелыми
гемодинамическими расстройствами. При синусовом ритме синусно-предсердный
узел регулирует ЧСС в диапазоне 60-100 ударов в минуту, а атриовентрикулярный
узел в диапазоне от 40 до 60 ударов в минуту.
Из-за нерегулярного возбуждения предсердий при ФП, ЧСС у пациентов
может достигать до 200 ударов в минуту. Это приводит к различным симптомам и
негативным последствиям, таким как сердечная недостаточность, инсульт и даже
смерть. Эпизоды ФП у пациентов различаются по течению и продолжительности и
находятся в пароксизмальной, персистирующей и постоянной форме. Очень важно
определить пароксизмальную форму ФП, так как у большинства пациентов она
неуклонно прогрессирует в персистирующую или постоянную форму за некоторое
время. Поэтому восстановление синусового ритма у пациентов намного
затрудняется.
В начальной стадии ФП у пациентов часто находится в коротких и редких
эпизодах, которые постепенно становятся более длительными и частыми, со
временем и в конечной стадии ФП преобразуется в стойкие постоянные формы.
Пароксизмальные эпизоды у пациентов с ФП возникают не беспорядочно, а
группами. Число эпизодов ФП на протяжении месяцев или годов может
варьироваться в широких пределах. При диагностике ФП информация о частоте и
13
продолжительности эпизодов аритмии является значимой при обсуждении
целесообразности прекращения или продолжения лечения, направленного на
профилактику осложнений ФП.
С учетом сказанного ранняя диагностика ФП значительно влияет на
эффективность лечения и осложнений аритмии. Более ранняя диагностика ФП
позволяет пациенту своевременно начать лечение и не доводить до серьезных
последствий заболевания. Пациенты, у которых отсутствуют отмеченные выше
симптомы или присутствуют нетипичные симптомы ФП (примерно у трети
пациентов ФП является бессимптомной), не знают о существовании у них аритмии
и не обращаются лечебные учреждения. ФП не всегда выявляется с помощью
существующих систем мониторинга состояния здоровья пациента, например,
системой регистрации ЭКГ сигналов с 12 стандартными отведениями и
амбулаторным электрокардиографическим устройством, которые позволяют
накапливать информацию о деятельности сердца за длительный промежуток
времени. Использование таких и аналогичных систем приводят к значительным
объемам записей и данных, обработка которых усложняется и не всегда позволяет
выявить эпизоды ФП.
Методы диагностики ФП в настоящее время хорошо отработаны и широко
используются в клинической практике. Это, прежде всего длительное холтеровское
мониторирование сердечной деятельности, выявление эпизодов ФП, скрупулезные
кардиологические исследования пациента в клинических условиях, результаты
которых используются для разработки тактики лечения и медицинского
сопровождения пациента. Однако остается часть пациентов, которая в силу разных
причин вынуждена продолжать вести активный образ жизни, находится вне стен
лечебного учреждения и в случае развития эпизода ФП будет нуждаться в
получении экстренной медицинской помощи. Речь идет не только о пациентах с
пароксизмальной (временной) формой ФП, оперативная информация от которых
об увеличении частоты и продолжительности нарушений может быть использована
врачом для разработки тактики лечения, но и пациентах с персистирующей
(постоянной) формой ФП для оказания им экстренной медицинской помощи.
14
Несмотря на необходимость своевременного выявления эпизодов ФП,
остаются проблемы разработки системы длительного непрерывного мониторинга
состояния пациента с ФП, которая обеспечила бы раннюю диагностику ФП
особенно при бессимптомном проявлении. Система удаленного длительного
непрерывного мониторинга должна обеспечивать повышение эффективности и
достоверности выявления эпизодов ФП в любой форме аритмии и информировать
лечащего врача о состоянии пациента во время регистрации.
Таким образом, проблема своевременного выявления эпизодов ФП
становится актуальной при диагностике ФП как в клинических условиях, так и в
условиях активной жизнедеятельности пациента. Актуальность удаленного
непрерывного длительного мониторинга сердечного ритма и тревожной
сигнализации эпизодов ФП в режиме реального времени обусловлена
необходимостью повышения надежности и эффективности диагностики и лечения
ФП.

1.2. Проблемы мониторинга и контроля сердечного ритма в режиме


реального времени

Для диагностики и мониторирования ФП широко применяются методы ХМ


по ЭКГ сигналу. Интенсивность и длительность мониторирования следует
определять с учетом обеспечения точности диагностики, выбора дальнейшей
тактики лечения.
С учетом течения и длительности аритмии выделяют 5 типов ФП: впервые
выявленная, пароксизмальная, персистирующая, длительная персистирующая и
постоянная [2]. При естественном течении ФП имеет тенденцию к
прогрессированию от пароксизмальной формы до персистирующей, длительной
персистирующей, и в конечном итоге, постоянной формы. Эта классификация
имеет значение для выбора тактики проведения терапевтических вмешательств для
лечения больных с ФП, особенно если одновременно учитываются симптомы
аритмии.
15
Первым клиническим проявлением бессимптомной ФП могут быть
осложнения ФП (ишемический инсульт или тахиаритмическая кардиомипатия).
Кроме того, она может выявляться при незапланированной регистрации ЭКГ.
Бессимптомные эпизоды ФП могут наблюдаться при любой форме ФП.
Диагностика ФП намного затрудняется, если аритмия не появляется при
проведении обследования [88]. В этом случае необходимо зарегистрировать ЭКГ и
выявить на ней характерные признаки при нарастании ФП: 1) нерегулярность
желудочковых комплексов, 2) отсутствие зубцов P, 3) наличие волн f
длительностью не более 200мс (Рис. 1.1).

Рис. 1.1. Нормальный синусовый ритм и ФП.

Значительно сложнее диагностировать ФП в тех случаях, когда отмечается


существование ее пароксизмальной формы, но на момент обследования
регистрируется только синусовой ритм на ЭКГ сигнале. Такая ситуация возникает,
во-первых, при наличии клинических проявлений в анамнезе, таких как, эпизодов
сердцебиения, снижения работоспособности или одышки, то есть симптомов,
достаточно характерных для ФП. Во-вторых, пароксизмальная форма ФП может
заподозрить при развитии тромбоэмболий в сосуды большого круга. В обоих
случаях для подтверждения подозрения на ФП необходимо зарегистрировать ее
эпизоды при длительном мониторировании ЭКГ и в режиме реального времени.

16
В большинстве случаев ЧСС при ФП превышает 100–110 ударов в минуту, с
чем, главным образом, и ее последствия связаны с нарушениями самочувствия и
системной гемодинамики у пациентов с ФП. При контроле сердечного ритма
выявлены лучшая переносимость физических нагрузок, более высокое качество
жизни, вместе с тем, отмечается тенденция к увеличению риска инсульта, в то
время как при контроле ЧСС отмечена меньшая частота госпитализаций, сердечно-
сосудистой заболеваемости и смертности.
Для оценки текущего состояния пациента с ФП зарубежными и российскими
фирмами были разработаны носимые системы [77], такие как, AliveCor, Qardio,
Apple Heart Study (США), Zenicor (Швеция), AfibAlert AF Monitor (США),
MyDiagnostick ECG recorder (Нидерланды), CardioQvark (Россия).
Устройства для диагностики ФП делятся на 2 группы: инвазивные и
неинвазивные (таблица 1.1). В этих системах регистрируется либо ЭКГ сигнал,
либо артериальное давление, так и, аппроксимируется объем циркулирующей
крови, полученный путем сканирования изображения протекания крови по сосудам
с помощью камеры смартфона. Результаты исследования далее показываются либо
на смартфоне пациента, либо через консультирование с врачом через некоторый
промежуток времени с помощью телекоммуникационных связей (WWAN, WLAN)
при подключении Интернета.
Главным преимуществом таких систем является удобство при использовании
для регистрации ЭКГ одного отведения – I отведение (AliveCor Kardia, MyDiagnostik,
Zenicor, AfibAlert, CardioQvark, Omron HCG-801). Однако наиболее значительными
недостатками всех перечисленных систем являются низкий уровень
помехоустойчивости. Регистрируемый сигнал сильно искажается двигательным
артефактом при движении. Кстати, все перечисленные носимые системы до сих пор
только поддерживают регистрировать биомедицинские сигналы для оценки текущего
состояния пациента за некоторый короткий промежуток времени (от 30 с до 5 мин.),
т.е., такие системы не обеспечивают непрерывного мониторинга и контроля
состояния при обследовании и во всяких случаях не выявляет течения и
продолжительности эпизодов ФП, в частности при пароксизмальной ФП [89-95].
17
Методы диагностика ФП с использованием АД сигнала (Microlife BPA 200, Omron
M6) или фотоплетизмограммы (ФПГ) не дают высокой чувствительности и
специфичности выявления эпизодов ФП при наличии экстрасистолии, так и, при
дефиците пульса при ФП [96-102].

Таблица 1.1. Некоторые существующие носимые системы для диагностики ФП1

Устройство Используемый метод Чувствительн Специфичнос Источник


ость, % ть, %
Пальпация 94 (84-97) 72(69-75) Cooke et al
пульса
Носимое устройство (одно отведение)
AliveCor Присутствие P волн и 98 (89–100) 97 (93–99) Lau et al
(Kardia) heart нерегулярность RR
monitor интервалов
Merlin ECG Интепретация 93.9 90.1 Kearley et al
event recorder кардиолога
Mydiagnostick Нерегулярность RR 94 (87–98) 93 (85–97) Tieleman et
интервалов al
Omron HCG-801 Нерегулярность RR 98.7 (93.2– 76.2(73.3– Kearley et al
интервалов 100) 78.9)
Omron HCG-801 Интепретация 94.4 94.6 Kearley et al
кардиолога
Zenicor EKG Интепретация 96 92 Doliwa et al
кардиолога
Модифицированный мониторинг артериального давления
Microlife BPA Нерегулярность 92 97 Marazzi et al
200 Plus пульсов
Microlife BPA Нерегулярность 97 (81.4–100) 90 (83.8–94.2) Wiesel et al
200 пульсов
Omron M6 Нерегулярность 100 94 Marazzi et al
пульсов
Omron M6 Нерегулярность 30 (15.4–49.1) 97 (92.5–99.2) Wiesel et al
comfor пульсов
Microlife Нерегулярность 94.9 (87.5– 89.7 (87.5– Kearley et al
WatchBP пульсов 98.6) 91.6)
Фотоплетизмография
Finger probe Нерегулярность 100 91.9 Lewis et al
пульсов
iPhone photo- Нерегулярность 97.0 93.5 McManus et
plethysmograph пульсов al

1
Freedman, Ben, et al. "Screening for atrial fibrillation: a report of the AF-SCREEN international
collaboration." Circulation135.19 (2017): 1851-1867.
18
Таким образом, для мониторинга и контроля сердечного ритма пациента с
ФП пациенту необходимо наблюдаться во все время промежутка времени с целью
уточнения процесса развития заболевания по частоте и продолжительности
эпизодов ФП. Существующие носимые системы до сих пор в некоторых аспектах
не обеспечивают эффективной диагностики ФП в условиях активной
жизнедеятельности. Поэтому возникает необходимость в разработке системы
удаленной тревожной сигнализации за наблюдением состояния пациента в режиме
реального времени для выявления эпизодов пароксизмальной, персистирующей и
постоянной формы ФП, оперативного информирования пациента и лечащего врача
об обострении заболевания во время наблюдения по каналам связи удаленной
системы для оказания медицинской помощи.

1.3. Проблемы мониторинга и контроля сердечного ритма в условиях


активной жизнедеятельности

Для выявления ФП разработаны различные системы мониторинга и контроля


сердечного ритма с использованием: 1) электрокардиограммы; 2) имплантируемой
(интракардиальная) электрокардиографии; 3) фотоплетизмограммы.
Для диагностики ФП применяют стандартную ЭКГ в 12 отведениях. При ФП,
ритм желудочковых сокращений нерегулярный, что выражается в разных
интервалах сердечных сокращений, комплексы имеют неизмененный вид. Это
объясняется различной проводимостью предсердно-желудочкового узла, который
пропускает импульсы с предсердий к желудочкам. Ритм желудочковых
сокращений также может быть правильным при сочетании с полной AB-блокадой
(называемый синдромом Фредерика). Мерцание предсердий могут быть норм-,
бради-, и тахи- систолической формой в зависимости от ЧСС.
Наиболее интересным способом для диагностики является исследование
предсердечной активности сердца. В норме мышечные волокна предсердий
возбуждаются из синусно-предсердного узла и сокращаются согласованно. При
ФП возбуждение движется в предсердиях по одному или нескольким кругам и не
19
может остановиться самостоятельно, так, называемый механизм «повторного
входа волны возбуждения». На ЭКГ сигнале появляются беспорядочные волны
возбуждения f, имеющие различную форму и амплитуду вместо волны P. Частота
волны f равна 350-700 удар в минуту. Однако f волны имеют малую амплитуду, и
предсердечная активность перекрывает на желудочковую часть. Для анализа и
обработки предсердечной активности сердца при ФП требуется интенсивное
вычисление и ресурсы для хранения данных. Этот метод не подходит к регистрации
в течение длительного времени. На клинической практике обычно используется
холтеровское мониторирование для диагностирования на протяжении суток путем
записи ЭКГ с помощью небольшого портативного регистратора. Однако при
пароксизмальной форме, ФП является бессимптомной, несколько эпизодов ФП не
будет обнаружено. Кроме того, использование таких устройств не удобно в
повседневной деятельности.
Второй метод – представлен метод интракардиальной
электрокардиографии (ИКЭ) (Intracardiac Electrogram). Для регистрации ИКЭ
используются два электрода, при котором, один из них имплантируется в сердце.
ИКЭ позволяет врачу при регистрации предсердечной активности с помощью
катетера через крупные вены в предсердие. При этом ИКЭ показывает локальный
фронт волны деполяризации и реполяризации. Амплитуда ИКЭ больше, чем
амплитуда ЭКГ в 10 раз. Кроме того, амплитуда, частотная составляющая и форма
ИКЭ зависят от места расположения электродов, ЧСС, состояния, дыхания и т.д.
При ФП ИКЭ имеет малую амплитуду, и форма также изменяется по сравнению
при норме. Спектральная когерентность между ИКЭ, регистрируемыми с двух
отдельных предсердечных мест уменьшается по сравнению с другими
предсердечными ритмами. Анализ ИКЭ используется для диагностирования
процедуры терапевтических вмешательств.
Третьим методом является фотоплетизмограмма (ФПГ). Существуют
методы для мониторинга ФП, при которых используется ФПГ. ФПГ – метод
регистрации кровяного потока с использованием источника инфракрасного или
светового излучения и фоторезистора или фототранзистора.
20
Метод ФПГ позволяет определить степень поглощения мощности световой
волны, обусловленной увеличенным кровенаполнением ткани после завершения
систолы и уменьшенным во время диастолы. А поскольку в конце систолы в
микрососудах преобладает артериальная кровь, то имеются все основания
утверждать, что оксиметр регистрирует сатурацию именно артериальной крови.
Пульсирующая кривая, отражающая изменение кровенаполнения микрососудов,
носит название ФПГ (Рис. 1.2).
В пульсовой оксиметрии для измерения сатурации кислорода крова
используется красный и инфракрасный свет со соответствующими длинами частот
660нм и 925-940нм. Свет, абсорбирующийся проходит через ткань и кровь может
быть разделен на две составляющие: постоянная и переменная.

Рис. 1. 2. Составляющие перфузионного индекса.

Постоянная составляющая образуется вследствие абсорбции света кожей и


ткани и другими тканями, а также не пульсирующим объемом крови. Переменная
составляющая отражает абсорбцию света пульсирующим потоком крови.

ФПГ показывает изменение объема кровотока. Существуют два типа


оптического датчика: передаваемый и отражательный (Рис. 1.3).

21
Рис. 1.3 Передаваемый и отражательный оптические датчики
в фотоплетизмографической системе.

По сравнению с вышесказанными методами, характеризующие


электрическую активность сердца, метод ФПГ характеризует деятельность
системы периферического кровообращения. ФПГ позволяет определить моменты
нарастания ФП. ФПГ является неинвазивным методом, при котором, сигнал
регистрируется с пальца или на запястье.
Однако с учетом мониторинга и контроль сердечного ритма в условиях
активной жизнедеятельности в режиме реального времени задача анализа и
обработки сигналов для оценки состояния пациента осложняется из-за влияния
различных факторов.
Во-первых, в условиях активной жизнедеятельности регистрируемые
биомедицинские сигналы искажается различным источниками шума и помехи,
такие как, двигательные артефакты, миографические помехи. Спектр шума в
некоторых случаях совпадает со спектром биомедицинского сигнала (Рис. 1.4) и
выдается ложная тревога сигнализации при превышении уровня помехи, т.е. при
низком уровне сигнал / шум. Эта проблема во всяких случаях намного затрудняет
обработку и анализ сигнала, и, в частности, выявление ФП при мониторировании
ЭКГ сигнала. Во-вторых, при активной жизнедеятельности под различным видам
активности так и, эмоциональной нагрузкой пациента, как известно, возможно
возникает аритмия. Проблема возникновения аритмии при физической активности
была учтена и оценена в работе [69].
Для выявления эпизодов ФП были разработаны различные алгоритмы и
методы, которые обуславливаются вышесказанными признаками нарастания ФП
по ЭКГ сигналу: 1) на основе нерегулярности RR интервалов; 2) на основе
отсутствие P волн во всех отведениях и присутствие f – волн различной формы и
22
амплитуды вместо P волн, которые лучше регистрируются на ЭКГ сигнала II, III,
V1, V2 и aVR отведений и обусловлены хаотичной генерацией импульсов области
предсердий, вызывающих неравномерное сокращение миокарда; 3) на основе
комбинации двух этих признаков (нерегулярность RR интервалов, отсутствие P
волн и присутствие f – волн). Другие методы по АД или ФПГ сигналам
обусловлены на основе нерегулярности пульсов (таблица 1.2).

Рис. 1.4. Спектр ЭКГ сигнала, QRS комплекса, P и Т волны, миографической


помехи и двигательных артефактов на основе фрагментов 150 кардиоциклов.

В первой группе методов, для оценки нерегулярности RR – интервалов


используются различные методы. При использовании Марковского процесса для
описания RR – интервалов ошибки классификации нерегулярности RR –
интервалов не превышают Err 8,3 % [29]. При использовании тестов Колмогорова
– Смирнова и оценке коэффициентов вариации ошибки классификации
нерегулярности RR – интервалов не превышают Err 6,04 % [30]. Известны методы
на основе анализа спектрограммы и энтропии RR – интервалов [31, 32, 41]. Однако
все эти методы и алгоритмы, их реализующие, обладают существенным
недостатком – невозможность обнаружения коротких эпизодов ФП с
23
продолжительностью менее 10 с, так как в этих методах используются окна
обработки ЭКГ сигнала от 1 до 2 минут.
Вторая группа методов обуславливается появлением f – волн на основе
спектрального анализа. При этом, предложены методы различными авторами для
оценки спектральной плотности мощности (СПМ) предсердной активности по
доминантной частоте спектра мощности [33, 43, 44, 48, 72, 73, 79]. В работах [83],
при низком отношении сигнал / шум, рассчитаются показатели качества сигнала
(Signal Quality Index – SQI). Далее только при высоком уровне качества сигнала
вырабатывается процесс выявления эпизодов ФП.
Третья группа методов – на основе обоих признаков нарастания ФП –
нерегулярность RR интервалов и отсутствие P волн. В работах [39, 72, 73]
предложены авторами по оценке нерегулярности RR – интервалов, изменений PR
сегментов ЭКГ сигнала и сходства P волн.
Четвертая группа обуславливается нерегулярностью пульсов для оценки АД
или ФПГ. В работе [45] предложены авторами методы для оценки нерегулярности
пульсов по вычислению различных показателей энтропий. Ли и другие предлагают
метод для прогнозирования ФП, используясь камерой IPhone 4S. Было разработано
ними приложение, использующее статистические методы (RMSSD, энтропия
Шеннона, энтропии отсчетов), для мониторинга состояния человека в режиме
реального времени.
В таблице 1.2 приведены некоторые алгоритмы для выявления эпизодов ФП.
Отмечено, что с использованием этих алгоритмов, для повышения достоверности
выявления эпизодов ФП (повышение показателей специфичности и
чувствительности классификации) необходимо увеличить продолжительность
скользящего окна [84]. Кстати, для классификации состояний пациента, были
использованы различные методы классификации: нейронная сеть (artificial neural
networks) [58, 59, 72], метод главных компонентов (principal component analysis)
[71], метод опорных векторов (support vector machine) [61, 62], нечеткая логика
(fuzzy logic) [67]. С учетом использования аппаратных ресурсов, вышесказанные
алгоритмы до сих пор только были применены в офлайн системе диагностики ФП
24
(для холтеровского мониторирования) или для оценки текущего состояния
пациента, поэтому эти методы на дают возможности обеспечивать способность
мониторинга и контроля сердечного ритма для выявления ФП в условиях активной
жизнедеятельности.

Таблица 1.2. Некоторые алгоритмы выявления эпизодов ФП

Автор Чувствительность Специфичность Используемый метод


Slocum et al. 62,80 % 77,46 % Спектральный анализ
остаточного сигнала после QRST
удаления
Tatento and Glass 94,40 % 97,20 % Колмогоров – Смирнов тест из
гистограмм дифференцирования
двух последовательных RR
интервалов
Dash et al. 94,40 % 95,10 % Анализ RR интервалов
комплексированием показателей
Babaeizadeh et al. 92,00 % 95,50 % Вариабельность RR и PR
интервалов и сходимости P волн
Huang et al. 96,10 % 98,10 % Анализ гистограммы плотность
RR интервалов
Lake and Moorman 91,00 % 94,00 % Анализ нерегулярности RR
интервалов с использованием
коэффициентов Sample Entropy

Таким образом, был проведен анализ существующих методов и алгоритмов


мониторинга эпизодов ФП. В основе для контроля сердечного ритма были
использованы биомедицинские сигналы (ЭКГ, ФПГ, ИКЭ). В условиях активной
жизнедеятельности проблемы выявления ФП затрудняются из-за различных
факторов. Поэтому возникает необходимость носимой системы, которая
обеспечивает эффективность работы в условиях активной жизни, чтобы состояние
пациента бы наблюдалось во все время с использованием алгоритма с высокой
помехоустойчивостью.

25
1.4. Проблемы информационного сопровождения для удаленного
мониторинга фибрилляции предсердий

С развитием телекоммуникационных и компьютерных технологий в


последние годы появляются приборы для электрокардиотерапии с новыми
диагностическими и терапевтическими функциями, и принципиально новые
медицинские сервисы, основанные на удаленном мониторинге состояния пациента
с сердечно-сосудистыми заболеваниями, в том числе, пациенты с ФП. Для клиник
и пациентов создана замкнутая информационная сеть «пациент – лечебное
учреждение – лечащий врач – пациент», например, телемедицинская система
разработана фирмой МИКАРД – ЛАНА (Рис. 1.5), которая обеспечивает
принципиально эффективную диагностику сердечно-сосудистых заболеваний.
Новая технология обеспечивает свою эффективность в своевременной диагностике
нарушений ритма сердца и проводимости, в частности пароксизмов ФП и
значительно сокращает время, затрачиваемое на амбулаторное тестирование
системы электрокардиотерапии.

Рис. 1.5. Телемедицинская система для удаленной диагностики сердечно-


сосудистых заболеваний2.

2
Кардиометр-МТ. Рабочее место врача 3.0 для ОС Android // Руководство пользователя. АО «МИКАРД – ЛАНА»
26
Электрокардиограмма (ЭКГ) обеспечивает лечащему врачу целостную
информацию о распространении волны электрического возбуждения в сердце,
позволяя выявлять патологическое состояние пациента так и состояние миокарда.
Появление телекоммуникационной и компьютерной техники в начале XX века
позволило построить инфраструктуру для удаленного непрерывного длительного
мониторинга состояния пациента с сердечно-сосудистыми заболеваниями.
В настоящее время более широко применяется холтеровское
мониторирование для эффективной диагностики и разработки тактики лечения
пациента с сердечно-сосудистыми заболеваниями. Однако необходима
определенная удача, чтобы, например, пароксизм ФП попал в ходе обследования,
когда пациент носит с собой наружный регистратор. Другими способами для
выявления аритмий являются наружные и имплантируемые регистраторы (loop
recorders), регистры событий (event recorders), накладные
электрокардиографические мониторы (Patch Monitors) и дистанционная
(домашняя) телеметрия (remote at home telemetry) [85]. Пациенту выдается
смартфон, с помощью которого он может в любое время передавать на сервер
лечебного учреждения (СЛУ) информацию о состоянии своего здоровья как
текущее, так и, сохраненную ЭКГ запись. Для передачи информации на сервер
используются беспроводные каналы связи WWAN, WLAN. Лечащий врач,
получающий подробную информацию о состоянии пациента, анализирует
результаты исследования из компьютера лечащего врача (КЛВ), установленного
для получения информации из СЛУ, и выдает пациенту рекомендации по оказанию
медицинской помощи. Аналоги такой системы развивались зарубежными
фирмами, так и, российскими фирмами [85]. Однако данные системы не
обеспечивают отслеживать состояния пациента в реальном времени и информации
о состоянии пациента, выводы лечащего врача о состоянии пациента только
получаются через некоторые интервалы времени, то такие системы не позволяет
своевременно узнать при критических состояниях пациента. Поэтому возникает
необходимость системы непрерывного удаленного мониторинга состояния
пациента для выявления эпизодов ФП в реальном времени.
27
Целью непрерывного мониторинга состояния пациента является выявление
эпизодов ФП у пациента для уточнения развития заболевания. Для этого, основные
информации для лечащего врача включают информацию о частоте аритмии,
продолжительности аритмии и наличии других аритмий (виды наджелудочковых
тахикардий (включая ФП, ТП), экстрасистолии и т.д.), монитор автоматически
передает записанные информации на центральную мониторинговую станцию
(облачные вычислительные компьютеры – cloud computing), когда пациенты
перемещаются в месте с доступной сетевой и проводной связью, системой
интернета. Мониторинговая станция становится местом для сбора, хранения и
контроля информации, где далее информация анализируется для выявления
динамики изменения состояния здоровья пациента во время регистрации. Эта
технология позволяет диагностировать большее число реальных аритмических
событий, увеличивает вероятность обнаружения ФП, способствует определению
реального времени ФП в течение всего периода записи за счет многообразных
видов ФП от пароксизмальной до постоянной формы. Администратор и лечащий
врач могут немедленно связываться с пациентом путем прямого общения при
неотложной ситуации.
Достоинствами таких систем мониторинга и контроля сердечного ритма
являются:
1. Эффективное использование ресурсов системы, которое обеспечивает
продолжительный непрерывный мониторинг и контроль состояния сердечного
ритма пациента, оперативность информирования врача и пациента о наступлении
ФП, длительную автономность системы, эффективное использование памяти
носимого компьютера пациента (НКП) и СЛУ, так как записи ДЗП сохраняются
при только при выявлении эпизодов ФП. Для нормального синусового ритма нет
необходимости сохранения этих данных;
2. Оперативность наблюдения за динамикой состояния пациента,
использование системы для выяснения причины развития заболевания, оценки
эффективности применения антиаритмических лекарственных средств,
эффективности лечения ФП;
28
3. Оперативность оповещение пациента и лечащего врача о жизненно
опасных состояниях пациента в реальном режиме времени, получении лечащим
врачом информации о частоте и продолжительности эпизодов ФП, динамике
сердечного ритма пациента и заболевания;
4. Возможность непрерывного контроля состояния сердечного ритма
пациента и его оповещения даже при отсутствии связи с СЛУ. ДЗП ФП будут
переданы на СЛУ при восстановлении связи по каналу WLAN и WWAN.
Таким образом, длительный непрерывный мониторинг состояния пациента с
ФП позволяет пациенту и лечащему врачу отследить текущее состояние здоровья
пациента, динамику изменения сердечного ритма в режиме реального времени,
выявляет причины развития заболевания и оценивает эффективность принятия
лекарственных средств, эффективность лечения ФП. Это в значительной мере
повысит эффективность и надежность системы диагностики ФП и также
достоверности выявления ФП.

1.5. Постановка цели и задач исследования

Проведенные проблемы показали необходимость системы удаленного


мониторинга состояния пациента с ФП в режиме реального времени в условиях
активной жизнедеятельности вне лечебного учреждения. Непрерывный
мониторинг состояния пациента с ФП позволяет оценить текущее состояния
пациента и получить более эффективность диагностики ФП, так и, эффективность
лечения. Поэтому, данная работа посвящена разработке новых подходов к
решению задачи мониторинга состояния пациента в условиях активной жизни.
Целью проводимого исследования является разработка метода и носимой
системы тревожной сигнализации эпизодов ФП в условиях активной
жизнедеятельности вне лечебного учреждения.
Для достижения заявленной цели были поставлены следующие задачи:
1. Анализ факторов, влияющих на точность выявления эпизодов ФП вне
лечебного учреждения в условиях активной жизнедеятельности пациента.
29
2. Разработка концепции системы удаленного мониторинга сердечного ритма
пациента, выявления и тревожной сигнализации эпизодов ФП.
3. Разработка метода и алгоритма удаленного мониторинга состояния
пациента с ФП.
4. Разработка методов обработки ЭКГ-сигнала, оценки и анализа комплекса
ДЗП, решающих правил и критериев для выявления эпизодов ФП.
5. Проведение экспериментальной апробации разработанного метода и
носимой системы с использованием верифицированных записей ЭКГ-сигнала и
клинической апробации системы на пациентах с ФП.

30
ГЛАВА 2. МЕТОД И СИСТЕМА УДАЛЕННОЙ ТРЕВОЖНОЙ
СИГНАЛИЗАЦИИ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ

2.1. Концепция оперативной удаленной тревожной сигнализации


фибрилляции предсердий

Для разработки системы оперативной удаленной тревожной сигнализации


ФП, необходимо уточнить какие информационные преобразования должна
осуществлять система и каким требованиям она должна удовлетворять для
обеспечения длительного непрерывного мониторинга биомедицинских сигналов и
состояния здоровья пациента.
Система мониторинга должна осуществлять следующие преобразования:
• Съема и регистрации биомедицинских сигналов с пациента, на основе
которых будут оцениваться значимые для диагностики ФП показатели;
• Анализа и обработки биомедицинских данных для оценки ДЗП,
текущего состояния здоровья пациента, мониторинга динамики сердечного ритма
пациента;
• Непрерывного длительного контроля динамики сердечного ритма в
условиях активной жизнедеятельности пациента, информирования пациента о
наступлении эпизода ФП для снятия физических нагрузок и нормализации
сердечного ритма;
• Передачи биомедицинских данных, регистрируемых с пациента на
СЛУ при наступлении эпизодов ФП с целью формирования базы данных о
нарушениях сердечного ритма пациента и формирования статистики о нарушениях
сердечного ритма;
• Продолжительного мониторинга эпизодов ФП у пациента по данным,
сохраненных на СЛУ, корректировки ДЗП, анализа динамики состояния пациента;
• Передачи биомедицинской информации на КЛВ для ретроспективного
анализа развития заболевания;

31
• Оперативного информирования лечащего врача о состоянии здоровья
пациента, обеспечения возможности лечащему врачу оказывать пациенту
информационную поддержку, осуществлять медицинское сопровождение
пациента при эпизодах ФП, оказывать экстренную медицинскую помощь пациенту
при обострении заболевания;
Перечисленные функции – фактически это перечень задач, решаемых
системой удаленного мониторинга.
В процессе функционирования система удаленного мониторинга должна
удовлетворять определенным требованиям.
Во-первых, для обеспечения комфортных условий пациенту для длительного
непрерывного мониторинга система, а именно ее элементы, обеспечивающие съем
биомедицинских сигналов, должны иметь минимальные габариты и вес. Эти
элементы представляют собой носимую систему пациента;
Во-вторых, для мониторинга состояния здоровья пациента вне лечебного
учреждения система должна обеспечивать съем и регистрацию биомедицинских
сигналов и данных в условиях активной жизнедеятельности пациента на фоне
целого ряда помех биологического и техногенного происхождения;
В-третьих, для обеспечения длительного непрерывного мониторинга
состояния здоровья пациента система должна обладать необходимой
автономностью (продолжительностью работы до замены или подзарядки
источника питания элементов системы);
В-четвертых, в целях исключения записи и хранения избыточной
информации на СЛУ целесообразно пересылать медицинскую информацию только
при наступлении эпизодов ФП, биомедицинские данные для состояния нормы нет
необходимости записывать в базе данных СЛУ, так как они не содержат полезную
информацию о динамике нарушений сердечного ритма;
В-пятых, для выявления причин, вызывающих ФП, на носимой пациентом
части системы целесообразно иметь записи биомедицинских данных за некоторый
промежуток времени до наступления эпизода ФП;

32
В-шестых, для повышения эффективности анализа и обработки данных,
характеризующих динамику заболевания, для лечащего врача необходимо
формировать комплекс показателей, отражающих характер изменение нарушений
сердечного ритма.
Все перечисленные требования направлены на обеспечение эффективности
функционирования системы удаленного непрерывного мониторинга сердечного
ритма и формирования сигнала тревожной сигнализации при наступлении
эпизодов ФП. Эффективность работы системы удаленного мониторинга
определяется помехоустойчивостью системы съема и регистрации сигналов,
автономностью носимых элементов системы, обеспечением комфорта для
пациента для продолжительного мониторинга, точностью диагностики эпизодов
ФП, возможностью оказания оперативной информационной поддержки пациенту
и обеспечения медицинского сопровождения в экстренных ситуациях. Все эти
требования должны быть учтены при обосновании выбора системы отведений ЭКГ
сигнала с пациента и режимов работы носимой пациентом системы регистрации,
методов обработки и анализа сигналов, оказания информационной поддержки.
С учетом информационных преобразований, которые должна реализовывать
система удаленного мониторинга, нами предлагается многоуровневая структура
системы удаленного мониторинга состояния сердечного ритма пациента с ФП [1].
Мы исходили из того, что в системе удаленного мониторинга информационные
преобразования должны реализовываться последовательно. Поэтому система
должна иметь несколько уровней, на каждом из которых решаются определенные
задачи и будет обеспечиваться функциональная эффективность этапов
преобразования медико-биологической информации. На каждом уровне такой
системы решаются конкретные задачи, обеспечивающие целевые функции съема и
регистрации сигналов, оценки текущего состояния, мониторинга и контроля за
динамикой сердечного ритма пациента.
Каждый уровень многоуровневой системы состоит из элементов управления
и исполнительных элементов, обеспечивающих возможность длительного
непрерывного интеллектуального мониторинга состояния здоровья пациента в
33
режиме реального времени, оперативного информирования о состоянии пациента
и выработки рекомендаций при обострении заболевания для принятия решений по
оказанию необходимой медицинской помощи. Известно, что интеллектуальные
информационно-измерительные системы – это системы, обеспечивающие
изменение режимов работы, алгоритмов обработки и анализа измерительной
информации в зависимости от изменения состояния объекта измерения или
управления. Целесообразность использования интеллектуального режима работы
в системе удаленного непрерывного мониторинга обусловлена тем, что при
состоянии здоровья пациента, соответствующем состоянию индивидуальной
нормы, в целях оптимального использования вычислительных и энергетических
ресурсов системы достаточно контролировать наиболее значимый показатель,
характеризующий наступление эпизода ФП. В условиях нормы состояния здоровья
пациента нет необходимости контроля всего комплекса диагностически значимых
(многообразие) показателей. Это позволит в состоянии индивидуальной нормы
пациента использовать так называемый «фоновый» режим мониторинга по
наиболее значимому диагностическому показателю и экономить вычислительные
и энергетические ресурсы системы. При появлении подозрений на развитие ФП
система должна изменить параметры и режимы мониторинга, использовать
дополнительно алгоритмы обработки и анализа биомедицинских данных для
повышения точности и достоверности диагностирования ФП. Исполнительные
элементы каждого уровня должны оперативно управляться командами через
каналы связи (беспроводные каналы связи, WWAN, WLAN, GSM) при изменении
состояния пациента. Структурная схема многоуровневой системы представлена на
Рис. 2.1.

34
Рис. 2.1. Структура системы удаленного непрерывного мониторинга состояния
здоровья пациента с ФП.

Первый уровень системы представлен носимым устройством пациента


(НУП). Функциональное назначение НУП – обеспечение длительной непрерывной
регистрации ЭКГ сигнала с пациента. В условиях повседневной активной
жизнедеятельности этот сигнал регистрируется совместно с большим количеством
помех, прежде всего синфазной (сетевой) помехой, постоянной разностной
помехой, обусловленной поляризацией электродов, миографической разностной
помехой (двигательные артефакты), обусловленной сократительной активностью
мышц при движениях пациента, помехой, обусловленной изменением
сопротивления контакта «электрод – поверхность тела пациента». Все эти помехи,
носят аддитивный характер и усложняют достоверную оценку ДЗП ЭКГ сигнала,
снижают эффективность и достоверность работы системы всей системы.
Электрокардиографический сигнал после предварительной обработки (подавление
синфазной помехи, фильтрации в полосе частот от 0,5 Гц до 120 Гц),
преобразования в цифровой код с носимого устройства пациента через канал
Bluetooth (ВТ) подается на носимый компьютер пациента (НКП), в качестве
которого используется смартфон или планшет.
Современные смартфоны и планшеты обладают мощными
вычислительными ресурсами (восьми ядерные процессоры, работающие на
35
тактовой частоте несколько ГГц, объем оперативной памяти не менее 128 Гбайт,
каналы коммуникации Wi-Fi и Bluetooth). Этих вычислительных ресурсов вполне
достаточно для обработки нескольких каналов ЭКГ-сигнала, оценки ДЗП ФП,
обеспечивать режим интеллектуального мониторинга состояния здоровья
пациента.
Функциональное назначение НКП – обеспечение длительного непрерывного
контроля динамики сердечного ритма пациента по комплексу значимых
показателей, характеризующих ФП. При соответствии текущего состояния
здоровья пациента состоянию индивидуальной нормы первый и второй уровень
системы должны циклически непрерывно продолжать контроля динамики
сердечного ритма. При выходе текущего состояния пациента области
индивидуальной нормы второй уровень системы должен диагностировать у
пациента, либо наступление эпизода ФП, либо другие нарушения ритма сердца, не
представляющие опасности для его жизни. В случае наступления эпизода ФП НКП
должен проинформировать его о нарушении сердечного ритма для того, чтобы
пациент снял любую физическую нагрузку и в состоянии покоя смог восстановить
нормальный ритм работы предсердий. В случае наступления эпизода ФП НКП с
момента начала ФП до окончания эпизода ФП должен непрерывно пересылать на
третий уровень системы – СЛУ – значения диагностических показателей,
определяющих ФП, время наступления ФП, отслеживать продолжительность
эпизода ФП. Эта информация представляет для лечащего врача большую ценность
для изучения характера изменения продолжительности эпизодов ФП, динамики
сердечного ритма, выявления причин, обусловливающих ФП, оценки
эффективности использования лекарственных средств и схемы их использования
для конкретного пациента.
Функциональное назначение третьего уровня системы – формирование базы
данных мониторинга эпизодов ФП. Эта информация используется для оценки
целого ряда показателей, отражающих динамику нарушений ритма сердца, время
наступления эпизодов ФП, продолжительность эпизодов ФП. На третьем уровне
системы осуществляются формирование гистограммы распределения «Частота –
36
продолжительность» эпизодов ФП и сигнала тревоги при критических состояниях
пациента, оценку и коррекцию граничных значений индивидуальной нормы,
коррекцию критериев диагностики ФП. Эта информация передается через канал
WLAN или WWAN на НКП для обеспечения длительного непрерывного
мониторинга состояния здоровья пациента. При превышении частоты и
продолжительности диагностируемых у пациента эпизодов ФП критических
уровней формируется сигнал тревоги и передается на КЛВ. Лечащий врач, получив
сигнал тревоги с СЛУ, получает также показатели, отражающие характер
изменения нарушений ритма сердца, гистограмму распределения «Частота
эпизодов ФП – продолжительность эпизодов ФП», ряд ДЗП, характеризующих ФП.
Функциональное назначение четвертого уровня системы – предупреждение
лечащего врача о критическом состоянии пациента, частных или продолжительных
проявлениях эпизодов ФП пациента, представления врачу комплекс значимых
показателей, на основе которых лечащий врач должен принять решение об
информационном или медицинском сопровождении пациента, оказания удаленной
экстренной помощи пациенту, назначение лекарственного средства для
нормализации состояния, схему приема лекарственного средства, уточнения
самочувствия пациента, обеспечить экстренную эвакуацию пациента в лечебное
учреждение.
Информационное взаимодействие между уровнями системы обеспечивается
каналами беспроводной связи. По каналам связи обеспечивается передача
регистрируемых биомедицинских сигналов и данных, передача комплекса
значимых показателей для диагностики ФП, информацию о времени наступления,
продолжительности эпизодов ФП, показателей, отражающих характер развития
ФП, а также управляющей информации, обеспечивающей интеллектуальный
режим функционирования всей системы. Интеллектуальность работы заключается
в задании режимов съема и регистрации биомедицинских сигналов, обработки и
анализа биомедицинских данных, использовании тех или иных алгоритмов
обработки и анализа медико-биологической информации в зависимости от
текущего состояния здоровья мониторируемого пациента. Каждый элемент
37
многоуровневой системы содержит модули управления, позволяющие пациенту
контролировать состояние своего здоровья и врачу отслеживать процесс развития
ФП, подобрать эффективную тактику лечения заболевания и медицинского
сопровождения с ФП.
В структуре системы удаленного мониторинга состояния здоровья пациента
с ФП наибольший интерес представляет носимое устройство пациента (НУП). Как
было отмечено ранее, к НУП предъявляются требования по обеспечению
длительного съема и регистрации ЭКГ-сигнала в условиях активной
жизнедеятельности, продолжительной автономности работы, минимальные
габариты и вес, комфортность использования в условиях длительного
мониторинга, но и самое главное обеспечение условий для интеллектуального
режима съема, регистрации, обработки и анализа биомедицинской информации.
Известно, что в условиях активной жизнедеятельности наибольший уровень
миографических помех возникает в классических отведениях ЭКГ-сигнала,
уровень миографических помех для грудных отведений может быть значительно
меньше. Кроме того, известно, что возникающие при ФП так называемые f-волны
(f-waves) наиболее выражены в грудных отведениях ЭКГ сигнала - II, III, V1, V2 и
aVR [2]. В этой связи в НУП целесообразно использовать 3-канальную схему
регистрации ЭКГ сигнала и в зависимости от уровня миографических помех и
мощности f-волн обеспечить выбор отведения, по которому будет обеспечиваться
максимальное отношение сигнал/помеха (ЭКГ – сигнал/миографическая помеха)
для обеспечения высокой точности выявления эпизодов ФП.
Эффективность функционирования системы удаленного мониторинга,
которая определяется как точностью диагностики ФП, так надежностью работы
системы, определяется эффективностью функционирования каждого уровня
системы, тем не менее, влияние НУП на эффективность работы всей системы
достаточна высока, так как НУП обеспечивает съем и регистрацию ЭКГ сигналов
с пациента и от качества съема ЭКГ сигналов в значительной степени зависит
точность и достоверность диагностики ФП. С учетом обеспечения

38
интеллектуального режима мониторинга и длительной автономности работы НУП
напрашивается следующая структура носимого устройства пациента (Рис. 2.2).

Рис. 2.2. Структура носимого устройства для удаленного мониторинга состояния


пациента с ФП.

НУП должно состоять из следующих модулей:


• Электродной системы (ЭС) для регистрации ЭКГ с различных грудных
отведений. Для обеспечения надежности съема и высокого качества
регистрируемых ЭКГ сигналов в течение длительного времени необходимо
использовать самоклеящиеся серебряные электроды для холтеровского
мониторирования. Они обеспечивают низкое сопротивление электрод – тело
пациента до 8 суток, что гарантирует незначительное падение напряжения на
сопротивлении контакта, а также низкий уровень потенциала поляризации
(постоянной разностной помехи), Для минимизации влияния различных
миографических помех в условиях активной жизнедеятельности используется ЭКС
грудного отведения, с целью снижения влияния двигательных артефактов на ЭКГ
сигнал. Расположения электродов для регистрации ЭКГ грудного отведений

39
представлены на Рис. 2.3 (на примере для регистрации I, II, III отведений на
грудной клетке пациента);

Рис. 2.3. Схема расположения электродов для регистрации ЭКГ сигнала


грудного отведения.

• Блок усилителей биопотенциалов (УБП), стоящий из не менее 3-х каналов


УБП. Они предназначены для подавления синфазной (сетевой) помехи, усиления
разностного ЭКГ - сигнала, обеспечения высокого входного сопротивления для
эффективного съема ЭКГ сигнала. Для обеспечения улучшенных технических и
метрологических характеристик УБП целесообразно реализовывать на основе
интегральных модулей Analog Front End (AFE) медицинского назначения,
состоящих из блока подавления синфазных помех, фильтрации низкочастотных и
высокочастотных помех, схемы мультиплексирования каналов регистрации ЭКГ
сигналов;
• Высокопроизводительный микроконтроллер (МК) предназначенный для
управления работой НУП и реализации интеллектуального режима мониторинга с
40
целью обеспечения энергосбережения и высокой точности выявления эпизодов
ФП. Для повышения автономности работы носимого устройства целесообразно
использовать микроконтроллер с низким энергопотреблением;
• Модуль беспроводной связи на основе контроллера RF или Bluetooth
(КВТ), предназначенный для передачи цифровых сигналов выхода
микроконтроллера на НКП для дальнейшей обработки;
• Автономный источник питания (АИП), обеспечивающий энергопитание
НУП.
Учитывая высокий уровень развития компьютерных систем, в том числе
носимых, в качестве НКП, возможно и носимого компьютера врача целесообразно
использовать смартфоны или планшеты. Современные смартфоны и планшеты
имеют высокопроизводительный восьми ядерный процессор, обеспечивает
высокую скорость обмена данных с периферийными средствами, значительный
объем оперативной памяти, средства коммуникации – Bluetooth и Wi-Fi.
Третий уровень системы реализуется на СЛУ, в качестве которого
используется высокопроизводительный стационарный компьютер.
Таким образом, архитектура системы удаленного мониторинга имеет
иерархическую распределенную структуру. Такая архитектура позволяет
распределить задачи, решаемые системой удаленного мониторинга по различным
уровням, обеспечить для каждого этапа высокую эффективность съема,
регистрации, обработки и анализа биомедицинских сигналов, оценку текущего
состояния здоровья пациента, контроль за состоянием здоровья, оперативную
передачу биомедицинской информации на третий уровень системы, обработку и
анализ информации длительного мониторинга и передачу информации врачу.

2.2. Формирование комплекса диагностически значимых показателей для


выявления эпизодов фибрилляции предсердий.

Проблема диагностики опасных аритмий, в том числе ФП, относится к числу


сложных проблем кардиологии. Решение этой проблемы еще более усугубляется
41
диагностикой вне медицинского учреждения, в условиях активной
жизнедеятельности пациента, при длительном мониторинге состояния здоровья
пациента. Это может быть дома или на улице. Дополнительные сложности
появляются в результате того, что в условиях активной жизнедеятельности
возрастают миографические помехи, влияние множества факторов, в том числе
физиологического плана, когда на работу сердечно-сосудистой системы, и, в
частности, деятельность сердца оказывают влияние другие системы организма –
нервная система, эндокринная, опорно-двигательная и т.д. Это означает, что для
выявления эпизодов ФП использование только одного признака ФП недостаточно,
точность диагностики будет низкой. Необходимо сформировать комплекс ДЗП,
использовать ряд признаков наступления эпизодов ФП и логические правила,
которые будут учитывать характер изменения значимых показателей. Кроме того,
для обеспечения интеллектуального режима мониторинга состояния здоровья
пациента необходимо использовать признаки, критерии управления режимом
съема, регистрации ЭКГ сигналов, их обработки и анализа ДЗП.
Одним из значимых признаков появления любой аритмии сердца, в том числе
опасных аритмий, является увеличение вариабельности сердечного ритма (ВСР) и
ее дисперсии (ДВСР) (Рис. 2.4) [2]. Однако увеличение ВСР и ДВСР часто
возникает при увеличении уровня физической активности (УФА), например, при
беге, подъеме по лестнице, перетаскивании тяжелых предметов. Это объясняется
тем, при физической нагрузке на организм увеличивается работа, выполняемая
организмом, для выполнения этой работы увеличивается сжигание углеводов в
клетках организма, а, следовательно, увеличиваются кровоток и частота дыхания.
Развитие опасных аритмий может быть и в условиях покоя пациента [2, 50].
Поэтому, для дифференциации развития аритмий наряду с оценкой ЧСС, ВСР и ее
дисперсии необходимо регистрировать УФА пациента с помощью акселерометров,
установленных на конечностях пациента. УФА – показатель, эквивалентный
мощности, развиваемой пациентом, при выполнении им работы, т.е. работа в
единицу времени.

42
Рис. 2.4. Ритмограмма у пациента с ФП.

Таким образом, на первом этапе мониторинга для диагностирования аритмий


необходимо оценивать ЧСС, ВСР, ДВСР и УФА, которая работу, выполняемую
пациентом в единицу времени.
Важным признаком ФП является появление спонтанного высокочастотного
возбуждения в области предсердий (так называемый тремор миокарда предсердий)
с частотой от 250 до 600 колебаний в минуту и отсутствие Р зубца на ЭКГ сигнале.
Тремор миокарда предсердий вызывает на ЭКГ сигнале так называемые f волны (f
waves). Спектр этих волн находится в диапазоне от 4 до 10 Гц, однако амплитуда
не превышает десятков милливольт. Регистрация f волн в on-line весьма затруднена
в виду малого значения амплитуды, однако использование синхронного
накопления волн в пределах 10 – 15 кардиоциклов обеспечивает надежное их
обнаружение.
Таким образом, следующими ДЗП ФП являются f волны на ЭКГ сигнале и
отсутствие Р зубцов.
В процессе изучения структуры скаттерограммы (корреляционной
ритмограммы) была выявлена закономерность распределения ритма для
нормального синусового ритма, ФП и фибрилляции желудочков (Рис. 2.5) [41].

43
Рис. 2.5. Скаттерограмма у пациента при ФП и норме.

ФП часто сопровождаются одиночными и групповыми чередующимися ТП


и предсердными экстрасистолами (ПЭ) (или желудочковыми экстрасистолами
(ЖЭ)), которые могут содержать от одного до четырех укороченных кардиоциклов
(Рис. 2.6) [104].
ПЭ и ЖЭ существенно затрудняют выявление ФП, поэтому для обеспечения
надежного выявления ФП необходимо исключать из анализа ЭКГ- сигнала
укороченные кардиоциклы ПЭ.

Рис. 2.6. Предсердные экстрасистолы в ЭКГ сигнале у пациента с ФП


(бигеминии).

Эпизоды ФП могут чередоваться с эпизодами ТП. Характерным признаком


ТП является наличие вместо P зубца на ЭКГ сигнале стабильных по частоте
колебаний мышц предсердий в диапазоне от 4 до 6 Гц. Различие ТП и ФП
проявляется в том, что так называемые f волны для ФП имеют широкую полосу
44
спектра мощности с возможностью нескольких локальных максимумов, а спектр
мощности остаточного сигнала (за вычетом спектра QRST комплекса) имеет узкую
полосу с одним локальным максимумом. Для этого сигнала характерна высокая
стабильность частоты (Рис. 2.7) [103].

Рис. 2.7. Типичный спектр плотности мощности предсердной активности


фрагмента ЭКГ сигнала у пациента с ТП.

Для повышения надежности выявления эпизодов ФП необходимо на первом


этапе выделить этапы предсердной и желудочковой экстрасистолии, удалить их из
дальнейшего анализа, а оставшие кардиоциклы подвергнуть детальному анализу на
предмет дифференциальной диагностики ФП или ТП.
Таким образом, для выявления эпизодов ФП в условиях удаленного
мониторинга в режиме реального времени для обеспечения высокой
чувствительности и специфичности метода диагностики необходимо использовать
следующие признаки ЭКГ сигнала для выявления в первую очередь ПЭ и ЖЭ, затем
ТП и ФП:
− Увеличение ЧСС;
− Увеличение ВСР;
− Увеличение дисперсии ВСР;
− Наличие предсердных экстрасистол для удаления их от дальнейшего анализа;
− Отсутствие Р зубца на ЭКГ- сигнале;
− Появление f волн, обусловленных спонтанным возбуждением мышц
предсердий;
45
− Полоса частот спектра мощности остаточного сигнала;
− Наличие одного или нескольких максимумов на спектре мощности
остаточного сигнала;
− Стабильность/нестабильность частоты f волн.
Перечисленные признаки ФП могут быть дополнены в целях повышения
точности диагностики по результатам экспериментальной апробации комплекса.

2.3 Метод удаленного мониторинга ЭКГ сигнала в реальном режиме времени


на предмет обнаружения фибрилляции предсердий.

Как было отмечено в разделе 2.1 система удаленного мониторинга состояния


сердечного ритма пациента с целью формирования сигнала тревоги для врача об
эпизодах ФП должна иметь пространственно-распределенную иерархическую
структуру. Для эффективного функционирования такой системы важно грамотно
организовать функционирование и взаимодействие удаленных между собой уровней
системы, исключить сбои в работе на том или ином уровне, так как сбой или
неправильная работа на одном уровне может перечеркнуть работу всей системы. Это
заключение подтверждает утверждение о важности разработки метода удаленного
мониторинга в реальном режиме времени.
Рассмотрим подключение элементов системы и их функционировании для
мониторинга состояния здоровья пациента (Рис. 2.8). Подключение системы
мониторинга к пациенту начинается с включения НКП. Он является
интеллектуальным элементом системы, который обеспечивает взаимодействие с
НУП и СЛУ. При его включении активируются канал Bluetooth (RF) для связи с
НУП и канал WLAN или WWAN для связи с СЛУ.

46
Рис. 2.8. Алгоритм мониторинга сердечного ритма пациента.

После включения НКП и задания идентификатора пациента необходимо


включить НУП. При его включении активируется беспроводной канал передачи
данных Bluetooth (RF), будет выполнено подключение НУП к НКП. Тестовый
сигнал с НУП, который отражает, в том числе состояние его источника питания,
должен поступить на НКП, подтвердить обеспечение надежной связи между этими
уровнями системы.

47
После успешного подключения НУП необходимо выполнить подключение
НКП к СЛУ через канал WLAN или WWAN и по идентификатору пациента система
управления базы данных должна открыть его раздел в базе данных, после чего на
персональный компьютер пациента должно быть послано подтверждение о
наличии связи и открытии раздела пациента. На этом завершается первый этап
работы системы мониторинга, который назовем подключение элементов
пространственно-распределенной системы и их тестировании (Рис. 2.9).
Второй этап работы системы удаленного мониторинга пациента –
подключение самого пациента к системе мониторинга и осуществление
длительного непрерывного мониторинга состояния сердечного ритма (Рис. 2.10).
Этап начинается с прикрепления малогабаритного устройства пациента и
наложением грудных электродов. После завершения этой операции врачом
осуществляется задание необходимых сведений в НКП, контроль подключения
электродов и датчиков и запуск режима мониторинг состояния. В процессе
мониторинга сердечного ритма осуществляется регистрация ЭКГ-сигнала с
грудных отведений с целью обеспечения наилучшего соотношения сигнал-помеха,
УФА пациента, так как ЧСС существенно зависит от УФА.
НУП – важный элемент системы удаленного мониторинга. Если НКП при
снижении уровня заряда можно подключить к источнику питания для заряда его
аккумулятора, также как и носимый компьютер врача, то подключение НУП в
случае снижения заряда его аккумулятора нельзя будет подключить к источнику
питания.

48
Рис. 2.9. Алгоритм подключение элементов пространственно-распределенной
системы и их тестирования.

49
Рис. 2.10. Алгоритм подключения пациента к системе мониторинга.

Поэтому проблема автономности НУП становиться весьма актуальной и


важной. Для увеличения автономности НУП до уровня не менее 18 часов в сутки
(мы допускаем, что во время сна нет необходимости в использовании НУП) нами
50
предложен интеллектуальный режим мониторинга. Он заключается в том, что для
минимизации энергозатрат на первом этапе мониторинга достаточно отслеживать
изменение ЧСС. При отсутствии физической нагрузки первым признаком ФП
является увеличение ЧСС, ВСР и дисперсии ВСР. Для оценки ЧСС нет
необходимости в обеспечении высокой частоты дискретизации ЭКС сигнала.
Минимальная ЧСС около 50 ударов, минуту или 0,8 Гц. Для отслеживания ЧСС
достаточно обеспечить ЧСС на уровне 50, максиму 100 Гц. Это означает что,
задавая минимальную частоту дискретизации процессор микроконтроллера будет
работать на пониженной тактовой частоте, а это существенно снижает ток
потребление микроконтроллера. Как только ЧСС возрастет до уровня не менее 60
(65 ударов) минуту процессор НУП должен перейти на повышенную частоту
дискретизации. Таким образом, изменение частоты дискретизации ЭКГ- сигнала
позволяет снизить энергопотребление и увеличить автономность НУП. Следует
отметить, что в процессе активной жизнедеятельности все время будет меняться
уровень миографической помехи на поверхности грудной клетки. Важным
диагностическим показателем ФП является мощность f волн. Эти волны наиболее
выражены в грудных отведениях ЭКГ сигнала - II, III, V1, V2 и aVR. Однако
уровень миографических помех в этих отведениях может быть различным. В целях
повышения точности обнаружения f волн мы предлагаем расширить
интеллектуальность режима мониторинга и на выбор каналов регистрации ЭКГ
сигнала. В предлагаемой системе используются три канала регистрации ЭКГ-
сигнала, что обусловлено требованиями обеспечения надежного различения
признаков ФП. Процессор носимого устройства в процессе регистрации ЭКГ-
сигнала по трем каналам должен оценивать соотношение сигнал/миографическая
помеха и использовать для дальнейшей оценки ДЗП то канал регистрации ЭКГ-
сигнала, по которому соотношение сигнал/помеха будет минимальным. Назовем
этот режим работы НУП режимом выбора канала регистрации ЭКГ сигнала исходя
из соотношения сигнал/помеха. Таким образом, регистрируемый ЭКГ сигнал после
усиления дифференциальным усилительным каскадов, аналого-цифрового
преобразования с частотой дискретизации в зависимости от ЧСС пациента
51
поступает на микроконтроллер и далее передается через контроллер Bluetooth
(контроллер RF) поступает на НКП. При увеличении ЧСС пациента, что может
быть обусловлено либо нарушением ритма сердца или увеличением физической
нагрузки на пациента, НКП увеличивает частоту дискретизации ЭКГ сигнала и
осуществляет оценку ДЗП ФП: ЧСС, ВСР, дисперсии ВСР, анализ периодов
следования кардиоциклов для выявления экстрасистол, оценку спектра мощности
f волн для обнаружения ТП и т.д. После оценки перечисленных ДЗП они
сравниваются с пороговыми значениями этих показателей для конкретного
пациента (индивидуальной нормой). Если значения ДЗП не будут превышать
пороговых значений, что соответствует нормальному синусовому ритму пациента,
процесс мониторинга будет продолжен. Регистрация, обработка и контроль ДЗП в
режиме нормы замыкается на двух элементах системы удаленного мониторинга –
носимом устройстве пациента и носимом компьютере пациента. При снижении
ЧСС пациента ниже заданной величины (она индивидуально, для большинства
пациентов она ниже 60 ударов/минуту) НУП может перейти к мониторингу только
одного ДЗП – ЧСС с заданием минимальной частоты дискретизации ЭКГ сигнала.
В том случае, когда ДЗП превысят порог индивидуальной нормы и в
соответствии с логическими правилами комплексирования ДЗП будут
сформированы сигналы тревоги, определяющие эпизоды ТП, ПЭ (и ЖЭ) или ФП.
В этом случае НКП через каналы WLAN или WWAN передаст комплекс
показателей, характеризующие эпизоды ТП, ФП или ПЭ (ЖЭ) на СЛУ. На СЛУ
наряду с ДЗП нарушения сердечного ритма передаются: время начала нарушения
сердечного ритма, продолжительность сердечного приступа, уровень физической
нагрузки пациента.
Рассмотрим обработку и анализ ДЗП при выявлении эпизодов нарушений
сердечного ритма на СЛУ.
При поступлении информации об очередном эпизоде ФП, которая включает
следующие сведения – время наступления ФП, ЧСС на момент наступления
эпизода ФВ, ВСР, дисперсия ВСР, наличие или отсутствие ПЭ (ЖЭ) на протяжении
эпизода ФП, вид экстрасистолии (количество циклов экстрасистол в кардиоцикле),
52
наличие эпизодов ТП на протяжении ФП, мощность f – волн, продолжительность
эпизода ФП. Эта информация сохраняется в базе записей мониторируемого
пациента. СЛУ учреждения проверяет наличие указаний от лечащего врача и при
их отсутствии посылает информацию на НКП об успешном приеме данных.
На следующем этапе работы компьютера СЛУ осуществляется обработка и
анализ информации, полученной от НКП и данных, полученных ранее. Обработка
данных заключается в оценке частоты повторяемости эпизодов ФП за
определенный промежуток времени (сутки, неделя, месяц), выявлении
закономерностей по времени появления эпизодов ФП, определение гистограммы
распределения «Продолжительность проявления эпизодов ФП – частота эпизодов
ФП» за определенный промежуток времени (сутки, неделя, месяц), сравнение
полученной на текущий момент гистограммы распределения с гистограммой
распределения, полученный за предыдущий период времени (сутки, неделя, месяц)
и оценка динамики изменения показателей – увеличение/снижение частоты
эпизодов ФП, увеличение/снижение продолжительности эпизодов ФП. При
превышении этих показателей пороговых значений, задаваемых врачом,
осуществляющим наблюдение пациента, компьютер СЛУ формирует сигнал
тревоги для врача, дополняя информацией о динамике нарушений сердечного
ритма пациента, гистограммой распределения «Продолжительность проявления
эпизодов ФП – частота эпизодов ФП», сведениями о времени и продолжительности
наступления эпизодов ФП, показателями ЧСС, ВСР, ДВСР. Эта информация
пересылается на КЛВ, осуществляющего наблюдение за пациентом, для принятия
решения о необходимости оперативной информационной поддержке пациента или
медицинского сопровождения в виду ухудшения состояния здоровья пациента.
Информационная поддержка пациента заключается в формировании
предписаний пациенту по режиму его отдыха, назначения лекарственных средств
и схеме их приема, назначении терапевтических мероприятий. При появлении
затруднений у врача о назначении лекарственных средств и схеме их приема врач
может запросить с СЛУ информационную поддержку. Она заключается в том, что
врачу будут предложены варианты решений, сформированные профильными
53
специалистами высшей квалификации на основе опыта лечения нарушений
сердечного ритма.
По завершении врачом формирования предписаний пациенту эта
информация пересылается через СЛУ на НКП. Пациент, получив предписания от
врача, должен их незамедлительно выполнять. Это касается в первую очередь
приема лекарственных средств и режима покоя, снятия всех каких-либо
физических и психоэмоциональных нагрузок на пациента. Врач, осуществляющий
наблюдение пациента, по истечении некоторого времени может обратиться через
СЛУ на НКП с целью получения данных – показателей функционирования
сердечно-сосудистой системы пациенты. Эта информация поступает на СЛУ,
фиксируется в базе записей пациента и пересылается лечащему врачу. Такая
организация элементов многоуровневой пространственно-распределенной
системы позволяет оперативно получить информацию о динамике состояния
пациента после приема лекарственных средств. Процесс взаимодействия между
врачом и пациентом через элементы системы – СЛУ – носимый компьютер врача
может повторяться с целью оптимизации схемы лечения пациента с учетом
индивидуальных особенностей, реакции пациента на назначенные лекарственные
средства. Эта схема взаимодействия реализует принципы персонифицированной
медицины, когда лечащий врач имеет возможность в режиме реального времени
наблюдать изменение состояния пациента на назначенные лечебные мероприятия.
В том случае, когда врач получает сигнал тревоги об ухудшении состояния
пациента, врач может принять решение об оказании экстренной медицинской
помощи. Через СЛУ врач осуществляет вызов кардиологической бригады
неотложной помощи к месту нахождения пациента, пересылает информацию этой
бригаде информацию о показателях функционирования сердечно-сосудистой
системы пациента с целью снижения затрат времени на предварительное
обследование пациента. Таким образом, кардиологическая бригада неотложной
помощи заранее готовится к контакту с пациентом, зная его показатели
жизнедеятельности, динамику развития заболевания.

54
В процессе информационной поддержки и медицинского сопровождения у
врача имеется возможность оперативно получать информацию о состоянии
пациента, историю заболевания, динамику осложнения заболевания, информацию
о лекарственных средствах и схемах их приема, которые обеспечили конкретному
пациенту наилучший терапевтический эффект.

2.4. Диагностика эпизодов фибрилляции предсердий в условиях активной


жизнедеятельности пациента.

В медицинской практике сегодня широко используются методы диагностики


нарушений сердечного ритма, в том числе ФП, обеспечивающие высокую точность
и достоверность выявления ФП и желудочков. Эти методы предназначены для
обследования пациента в лечебном учреждении и обеспечивают чувствительность
и специфичность диагностики не менее 95%. Столь высокая чувствительность и
специфичность метода диагностики обусловлена в первую очередь качественным
съемом и регистрацией ЭКГ сигнала, низким уровнем миографических помех и
двигательных артефактов. Можно сказать, что съем и регистрация ЭКГ сигнала
осуществляются в идеальных условиях. Однако пациент с нарушениями
сердечного ритма проходит обследование в лечебном учреждении ограниченное
время, его жизнедеятельность не ограничивается только стенами лечебного
учреждения. После выписки из лечебного учреждения пациент продолжает вести
активную жизнедеятельность, и он не застрахован от случаев появления опасных
для жизни нарушений сердечного ритма вне лечебного учреждения. Для
повышения качества жизни пациента и оказания эффективной медицинской
помощи важно знать, как часто у пациента с нарушениями сердечного ритма имеют
место эпизоды ФП, как меняется продолжительность эпизодов ФП, какова
динамика частоты и продолжительности эпизодов ФП, как связаны эпизоды ФП с
влиянием каких-то факторов. Поэтому большое значение приобретает вопрос
удаленного мониторинга и контроля сердечного ритма пациента, выявления
эпизодов ФП, получения детальной информации о динамике нарушений
55
сердечного ритма и оказания экстренной медицинской помощи при резком
обострении заболевания. Однако возникает проблема обеспечения высокой
точности и достоверности диагностики ФП пациента при мониторинге сердечного
ритма в условиях активной жизнедеятельности пациента вне лечебного
учреждения.
Проблема диагностики ФП вне лечебного учреждения обусловлена тем, что
при активной жизнедеятельности, во-первых, имеет место значительные
миографические помехи, в том числе регистрируемые и при грудных отведениях,
а также двигательные артефакты. Во-вторых, важными признаками нарушения
сердечного ритма являются повышение ЧСС, повышение ВСР и дисперсии ВСР. А
в условиях активной жизнедеятельности у любого человека, в том числе с
отсутствием патологии сердечного ритма, при увеличении физической нагрузки
будет иметь место увеличение ЧСС. Следовательно, разрабатываемый метод и
система удаленного мониторинга сердечного ритма пациента и выявления
эпизодов ФП должны различать, чем обусловлено повышение ЧСС – нарушением
сердечного ритма или увеличением физической нагрузки, а также обеспечить
высокую точность и достоверность выявления эпизодов ФП при значительных
уровнях миографических помех и двигательных артефактов.
При развитии эпизодов ФП наблюдается повышение ЧСС, ВСР и дисперсии
ВСР (ДВСР), появление вместо P зубца ЭКГ сигнала и f-волн с частотой от 3 до 10
Гц, обусловленных спонтанным возбуждением предсердий. При мониторинге
сердечного ритма пациента вне лечебного учреждения, например, дома, в условиях
физической активности пациента, значительно возрастает мощность
миографической помехи и двигательных артефактов. Поэтому для повышения
точности выявления эпизодов ФП необходимо использовать:
- комплексирование показателей, значимых для диагностики ФП;
- использование алгоритмов обработки и анализа ЭКГ сигнала, которые
позволят снизить уровень миографических помех и артефактов двигательной
активности.

56
Точность выявления эпизодов ФП в первую очередь зависит от качества
регистрируемого ЭКГ сигнала. Снижение уровня помех и артефактов для
дальнейшей обработки ЭКГ сигнала с использованием цифровой фильтрации не
дает значимого эффекта, так как спектр помех и артефактов находится в том же
частотном диапазоне, что и ЭКГ сигнала. Поэтому в условиях физической
активности пациента необходимо использовать нетрадиционные подходы, которые
позволили бы снизить уровень помех и артефактов.
Для повышения достоверности выявления эпизодов ФП за счет снижения
уровня помех и артефактов предлагается следующий алгоритм обработки ЭКГ-
сигнала (Рис. 2.11).
Миографическая помеха и артефакты двигательной активности не влияют на
точность оценки временных характеристик ЭКГ сигнала – ЧСС, ВСР и ДВСР.
Поэтому в процессе обработки ЭКГ сигнала в режиме реального времени
осуществляются следующие процедуры:
Модуль 1. Формирование скользящего окна ЭКГ сигнала;
Модуль 2. Выделение R зубцов ЭКГ сигнала с использованием алгоритма
Пан-Томпкинса;
Модуль 3. Оценка ЧСС, ВСР и ДВСР;
Модуль 4. Оценка уровня физической активности по показаниям
акселерометров;
Модуль 5. Сравнение ЧСС, ВСР и ДВСР с показателями индивидуальной
нормы для текущего УФА пациента;
Модуль 6. Задание идентификатора продолжения или прекращения
удаленного мониторинга сердечного ритма пациента;
Модуль 7. Условный блок, обеспечивающий продолжение или прекращение
мониторинга сердечного ритма по значению идентификатора;
Модуль 8. При текущих значениях ЧСС, ВСР и ДВСР ниже пороговых
значений продолжается дальнейший мониторинг сердечного ритма, при
превышении перечисленных показателей пороговых уровней, что означает

57
наличие подозрения на появление эпизода ФП, осуществляется переход к
процедуре оценки уровня помех;
Модуль 9. Оценка уровня миографических помех и артефактов;

Рис. 2.11 - Алгоритм обработки ЭКГ- сигнала в условиях физической активности.

Модуль 10. При уровне помех и артефактов ниже порогового уровня, что
означает хорошее качество регистрируемого ЭКГ сигнала, осуществляется переход
к дальнейшей обработке ЭКГ сигнала, выявления эпизодов экстрасистолии (ЭС) и

58
ТП, оценке комплекса ДЗП для выявления эпизодов ФП (модуль 11). Этот модуль
будет подробно представлен на Рис. 2.12;
Модуль 12. Формирование сигнала оповещения пациента о подозрении на
наличие эпизода ФП при превышении уровня миографических помех и артефактов
порогового уровня.
Модуль 13. Выполнение пациентом режима покоя в течение 2 – 3 минут
(снять физическую нагрузку, присесть или прилечь) и осуществляется переход к
модулю 7.
Таким образом, при появлении подозрений на наличии эпизодов ФП у
пациента и значительном уровне миографических помех и двигательных
артефактов пациент оповещается о необходимости снятия физической активности
и пребывания в состоянии покоя в течение небольшого времени для качественного
съема ЭКГ сигнала с целью повышения достоверности диагностики эпизода ФП.
Нарушения сердечного ритма, в частности ФП, часто сопровождаются ТП и
чередующимися эпизодами ЭС.
Для повышения точности выявления эпизодов ФП необходимо выявлять
чередующиеся эпизоды ТП и ЭС и удалять их из последовательности
анализируемых кардиоциклов.
При эпизодах ЭС появляются от одного до четырех коротких кардиоциклов,
которые необходимо удалить из дальнейшего обработки и анализа с целью оценки
ДЗП ФП. Выявление эпизодов ЭС основано на оценке в скользящем окне среднего
значения продолжительности кардиоциклов без ЭС (модуль 1, Рис. 2.11),
выявлении кардиоциклов (модуль 2), продолжительность которых в N раз меньше
среднего значения продолжительности кардиоциклов (N = 1,6 – 2,0), определении
количества кардиоциклов с ЭС (модуль 3, Рис. 2.12) и количество повторяющихся
экстрасистол (модуль 4, Рис. 2.12).

59
Рис. 2.12. Алгоритм выявления кардиоциклов ЭС и ТП и их удаления из
последовательности кардиоциклов, анализируемых на предмет выявления
эпизодов ФП.

Выявление эпизодов ТП основано на поцикловом определении остаточного


сигнала, получаемого в результате вычитания от цикла к циклу текущего ЭКГ
сигнала усредненного по скользящему окну комплекса QRST (модуль 5, Рис. 2.12),
определении спектра мощности остаточного сигнала (модуль 6) и параметров
спектра мощности (модуль 7) – частоты доминантной компоненты спектра
мощности и полосы частот компоненты на уровне S = 0,707. Для ТП характерны

60
наличие одной доминантной частоты в спектре мощности (наличие одного ярко
выраженного максимума) и узкой полосы частот для этой компоненты.
Модуль 8. Сравнение параметров доминантной компоненты с
критериальными уровнями.
Модуль 9. Формирование сигнала о выявлении эпизодов ТП.
Модуль 10 – переход к модулю 1 Рис. 2.11
При отсутствии доминантной компоненты в спектре мощности остаточного
сигнала будет продолжена оценка ДЗП ФП.
Для выявления эпизодов ФП на основе комплексирования показателей,
значимых для диагностики заболевания, необходимо выполнить следующие этапы.
Оценка комплекса ДЗП ФП начинается с оценки вариабельности TQ
сегмента ВTQ и дисперсии вариабельности ДВTQ (модуль 11, Рис. 2.12), оценки
полосы частот в спектре мощности и наличие нескольких доминантных частот
остаточного сигнала (модуль 12), в подтверждении отсутствия P зубцов в
кардиоциклах, не содержащих ЭС и ТП, формировании интегрального показателя
IP (модуль 13) ФП с учетом наличия следующих признаков: увеличение ЧСС, ВСР,
ДВСР, ВTQ и ДВTQ выше заданных порогов SK, наличие f- волн, полосы частот
этих волн в спектре мощности, отсутствие Р зубцов [27, 28]. При наличии всех
перечисленных признаков ФП формируется сигнал, указывающий на наличии
эпизода ФП (модуль 14). При выявлении у пациента эпизодов ФП система
удаленного мониторинга пересылает на СЛУ информацию о времени наступлении
эпизода ФП, продолжительности эпизода ФП, значения показателей ЧСС, ВСР,
ДВСР, ВTQ и ДВTQ, значение полосы частот f- волн (модуль 15).
При получении носимой системой пациента подтверждение получения
данных СЛУ (модуль 16) система переходит к обработке и анализу ЭКГ сигнала в
следующем скользящем окне.
Таким образом, использование предложенных алгоритмов обработки ЭКГ-
сигнала для уменьшения уровня миографических помех и двигательных
артефактов, а также комплексирование показателей, значимых для диагностики
ФП, позволяет повысить точность и достоверность диагностики ФП.
61
2.5. Вывод по главе 2

Решение задач диссертационного исследования позволил получить


следующие результаты, касающиеся построения систем удаленного мониторинга и
сформулировать выводы относительно реализации компонентов
информационного, методического и инструментального обеспечения системы
удаленного мониторинга сердечного ритма пациента и выявления эпизодов ФП.
1. Система удаленного мониторинга и контроля сердечного ритма пациентов
и выявления эпизодов ФП должна иметь три уровня, работающих автономно.
Первый уровень – уровень пациента должен состоять из НУП, обеспечивающего
съем и регистрацию ЭКГ- сигнала и передачу данных на НКП. Этот уровень
системы должен обеспечивать решение задачи оптимального съема и регистрации
сигналов, мониторинга и контроля сердечного ритма пациента. При соответствии
контролируемого параметра индивидуальной норме медицинские данные
функционирование подсистемы ограничивается только уровнем пациента.
Второй уровень системы – уровень лечебного учреждения представлен СЛУ,
предназначен для получения биомедицинских данных от пациента при выходе
показателей, значимых для выявления эпизодов ФП, за пределы индивидуальной
нормы. СЛУ накапливает статистику эпизодов ФП и формирует показатели,
характеризующие динамику заболевания у пациента.
Третий уровень системы – уровень лечащего врача представлен
стационарным и/или носимым компьютером лечащего врача. Он предназначен для
получения информации с СЛУ тревожной сигнализации об отрицательной
динамике эпизодов ФП, увеличении частоты и продолжительности эпизодов ФП,
что может угрожать жизни пациента, использования системы удаленного
мониторинга для назначения лечебных мероприятий, информационной поддержки
и медицинского сопровождения пациента при ухудшении состояния здоровья
пациента.

62
2. При мониторинге и контроле сердечного ритма пациента с целью
выявления эпизодов ФП в условиях активной жизнедеятельности пациента вне
лечебного учреждения имеет место влияние ряда факторов на деятельность
сердечно-сосудистой системы, снижение чувствительности и специфичности
метода диагностики. Для повышения точности и достоверности диагностики
эпизодов ФП предлагается для выявления эпизодов ФП использовать комплекс
показателей, значимых для диагностики: увеличение ЧСС, ВСР, дисперсии ВСР
ДВСР, появление f- волн в спектре мощности остаточного сигнала с несколькими
доминантными частотами, увеличение вариабельности TQ сегмента, отсутствие P
зубцов. Увеличение количества ДЗП, используемых для выявления эпизодов ФП
позволит увеличить чувствительность и специфичность метода диагностики.

63
ГЛАВА 3. АЛГОРИТМЫ ОБРАБОТКИ И АНАЛИЗА ЭКГ СИГНАЛОВ
ДЛЯ ВЫЯВЛЕНИЯ ЭПИЗОДОВ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ

Выявление эпизодов ФП в условиях активной жизнедеятельности


предполагает предварительную обработку ЭКГ сигналов, направленную на
подавление миографических помех и артефактов, вызванных двигательной
активностью, обработку ЭКГ сигнала с целью оценки показателей, значимых для
диагностики ФП, анализ динамики этих показателей для выявления эпизодов ФП,
исключения эпизодов ТП и ЭС. Данная глава посвящена разработке алгоритмов
обработки и анализа ЭКГ сигнала в реальном режиме времени с использованием
скользящего окна, в пределах которого оцениваются значимые показатели и
динамика их изменения в процессе мониторинга и контроля сердечного ритма
пациента. Для повышения чувствительности и специфичности метода диагностики
эпизодов ФП было использовано комплексирование ДЗП, рассмотренное в главе 2.
Технические решения рассматриваемого раздела диссертации направлено на их
использование в системе удаленной тревожной сигнализации эпизодов ФП в
режиме реального времени.
При этом, в данной главе необходимо решать следующие задачи:
- Анализ факторов, влияющих на эффективность обработки ЭКГ сигналов
для выявления эпизодов ФП;
- Разработка метода и алгоритма обработки ЭКГ сигналов для выявления
эпизодов ФП;
- Разработка метода обнаружения ЭС на фоне нормального синусового ритма
для повышения чувствительности и специфичности выявления эпизодов ФП;
- Разработка метода и алгоритма для дифференцирования фибрилляции-
трепетания предсердий и нормы;
- Разработка решающего правила и критериев для классификации классов
аритмий.

64
3.1. Анализ факторов, влияющих на эффективность обработки ЭКГ сигналов

Задача выявления эпизодов ФП в условиях активной жизнедеятельности


является достаточно сложной из-за влияния факторов, вызывающих появление
помех и артефактов и влияющих на изменение ДЗП, а, следовательно,
усложняющих выявление эпизодов ФП. Этим объясняется низкая эффективность
выявления и прогнозирования ФП с помощью известных носимых систем
мониторинга. Так как разрабатываемая система предназначена для непрерывного
мониторинга состояния пациента, как в состоянии покоя, так и в движении, то
выделение R зубцов и оценка частоты кардиоциклов осложняется наличием
различных помех. Это, безусловно, сказывается на надежности оценки различных
ДЗП, которая осуществляется с использованием R зубцов, и достоверности
обнаружения эпизодов ФП.
Факторы, влияющие на оценку ДЗП, могут разделиться на 2 группы:
1) Помехи, возникающие при непрерывной регистрации ЭКГ сигнала в
условиях проявления различных помех;
2) Инструментальные и методические погрешности оценки ДЗП,
обусловленные погрешностями синхронизации обработки сигналов относительно
R зубцов.
В условиях активной жизнедеятельности, на ЭКГ сигнал накладывается
аддитивные помехи: сетевая наводка, миографические помехи, двигательные
артефакты, треморы (дрожание), потенциал поляризации электродов, сигналы
наводки от низкочастотных источников электромагнитного поля. Эти помехи в
различной степени влияют на ЭКГ сигнал, изменяют отношение сигнал/ шум (Рис.
3.1). Эти помехи затрудняют оценку ДЗП ЭКГ сигнала, в результате чего
анализируемый фрагмент ЭКГ сигнала не может быть классифицированным
(unclassified). Поэтому необходима предварительная фильтрация ЭКГ сигнала для
достоверной оценки ДЗП. Для подавления сетевой синфазной помехи необходимо
использовать дифференциальный усилительный каскад с высоким коэффициентом
подавления синфазной помехи, для удаления потенциала поляризации – активный
65
фильтр верхних частот, для снижения уровня миографических помех и
двигательных артефактов - выбор места крепления электродов, частотных
характеристик фильтров нижних и верхних частот.
При нарастании ФП, как правило, увеличивается ВСР и отсутствуют P волны
на всех отведениях и вместо P волн, появляются f волны различной формы и
амплитуды. Предсердные f волны появляются по всему кардиоциклу. Они имеют
очень маленькую амплитуду (сотые доли – десятые доли мВ), поэтому, выявление
f волн значительно затрудняется из-за наличия помех с большей амплитудой.
Использование интеллектуального алгоритма выявления эпизодов ФП, это может
привести к ложной тревожной сигнализации эпизодов ФП, так как, на фоне
низкоамплитудной предсердной активности помехи возникают по фрагментам
обработки. Волны фибрилляции (f-волны) подразделяются на две группы: крупные
(coarse), если амплитуда больше 0,1 мВ, и мелкие (fine), если амплитуда меньше 0,1
мВ. Поэтому оценка предсердной активности на отсутствие P волн осложняется (по
методу обнаружения P волны или оценки спектральной плотности мощности
предсердной активности), особенно в случаях, когда f волны имеют амплитуду
менее 0,1 мВ. Волны фибрилляции (f-волны) наиболее выражены в отведениях II,
III, V1, V2 и aVR, в других отведениях они также присутствует, но с меньшей
амплитудой.

Рис. 3.1. Фрагмент ЭКГ сигнала с помехами.

Пациенты, которые длительно и непрерывно мониторируются с целью


изучения динамики сердечного ритма, могут страдать различными сердечно-
сосудистыми заболеваниями, такими как фибрилляция-трепетание предсердий,
66
желудочковые экстрасистолии (ЖЭ), предсердные экстрасистолии (ПЭ), АВ –
блокада, фибрилляция-трепетание желудочков. Наиболее часто встречаются ТП,
ЖЭ и ПЭ. ТП часто сопровождается с ФП. На поверхностном ЭКГ сигнале при ТП,
присутствуют идентичные F волны вместо P волн. При ТП блок F волн чередуется
ритмично или аритмично. Поэтому, для выявления эпизодов ФП, необходимо
провести обработку ЭКГ сигнала по следующим этапам: предварительная
фильтрация, обнаружение характерных точек (максимума R зубца, TQ сегменты),
исключение видов ЭС, дифференцирование фибрилляции-трепетания предсердий.
Эпизоды ФП могут быть короткими с продолжительностью менее 10 с. В
некоторых случаях эпизод ФП длится в течение одного кардиоцикла и внезапно
появляются у пациента с пароксизмальной ФП. Также пациенты могут находиться
в состоянии ФП при персистирующей ФП. Поэтому использование скользящего
окна обработки и анализа ЭКГ сигнала от 1 до 2 минут не позволит выявить
короткие эпизоды ФП, следовательно, не позволит получить достоверные
результаты обработки для обнаружения коротких эпизодов ФП. У пациентов с ФП
часто возникают различные виды аритмий, несвязанных с ФП. Это также
усложняет обработку ЭКГ сигнала для выявления эпизодов ФП. Часто эпизоды
нормы и ФП чередуются в течение нескольких секунд.
Второй группой факторов являются инструментальные и методические
погрешности оценки ДЗП, обусловленные погрешностями синхронизации
обработки сигналов относительно R зубцов. В процессе мониторинга сердечного
ритма по R зубцу определяются ЧСС, ВСР, методом синхронного накопления
формируется остаточный сигнал для выявления f волн и определения их спектра и
мощности, определяются характерные точки ЭКГ сигнала, по которым далее
определяются продолжительность TQ сегмента, вариабельность TQ сегмента. R
зубцы используются для выявления эпизодов ЭС, количество экстрасистол. При
значительных помехах выделение R зубцов может быть некорректным.
Фактически проблемы выделения R зубцов является причиной погрешности
оценки ДЗП ФП.

67
Знание факторов, влияющих на оценку ДЗП ФП, очень важно для грамотного
построения алгоритмов обработки и анализа ЭКГ сигнала с целью выявления ФП.
При разработке алгоритма выявления эпизодов ФП в системе удаленной тревожной
сигнализации необходимо особое внимание уделить снижению влияния
перечисленных факторов, что в итоге позволит снизить эпизоды ложной тревоги,
повысить эффективность и точность обработки ЭКГ сигналов. При разработке
алгоритмов обработки ЭКГ сигнала необходимо помнить, что разрабатываемая
система удаленного мониторинга должна выявлять эпизоды ФП в режиме
реального времени (потом пациенту оказывать помощь будет поздно), поэтому для
снижения уровня помех и повышения точности оценки ДЗП необходимо
использовать алгоритмы, реализуемые при меньших затратах времени,
использовать интеллектуальные режимы обработки и анализа биомедицинской
информации.

3.2. Этапы обработки ЭКГ сигнала для выявления эпизодов ФП

Для повышения точности и достоверности выявления эпизодов ФП нами


предложен модифицированный алгоритм, который учитывает не только
повышение ВСР и появление f волн вместо P волн, но и дополнительные признаки
ФП. Известно, что ФП обусловлена нарушением передачи возбуждения от
синусового узла к атриовентрикулярному узлу и появлением множественных
очагов возбуждения в миокарде предсердий. Это нарушение в значительной
степени обуславливает вариабельность TQ сегмента. Разработанный нами
модифицированный алгоритм учитывает изменение целого ряда показателей [27]:
размах ВСР dRR, среднее значение ВСР RRmean, дисперсия ВСР disRR и
вариабельность TQ сегментов VarDe, предусматривает исключение различных
видов аритмий, не связанных с ФП (экстрасистолы, предсердные экстрасистолы,
бигеминии, тригеминии, куплеты и триплеты). Для выявления коротких эпизодов
ФП мы предлагаем использовать скользящее окно продолжительностью 10 с, так

68
как эпизоды ФП продолжительностью менее 10 с не представляют опасность для
жизни пациента.
Для выявления эпизодов ФП необходимо учитывать и оценивать признаки
нарастания ФП: хаотичная активность предсердий, нерегулярность деятельности
сердца, увеличение ВСР, дисперсии изменения ЧСС, появление низко
амплитудных f волн с частотой от 3 до 10 Гц, пропадание P зубцов ЭКГ сигнала и
вариабельность TQ сегментов при ФП. На Рис. 3.2 представлен предлагаемый нами
алгоритм выявления эпизодов ФП.
Обозначаются следующие события: увеличение размаха ВСР S1, увеличение
дисперсии ЧСС S2, увеличение изменчивости TQ сегментов S3. Состояние пациента
с ФП определяется логической функцией.
FTS = S1 S2 S3 (3.1)

где FTS - логическая функция, характеризующая наличие или отсутствие эпизода


ФП.
Так как при ФП вместо P волн появляются низкоамплитудные f волны,
которые лучше проявляются в отведениях II, III, V1, V2 и aVF, для снижения
уровня миографических помех и двигательных артефактов мы предлагаем
использовать грудные отведения.
Для выявления эпизодов ФП осуществляются следующие этапы обработки
ЭКГ сигналов:
Этап № 1 – предварительная фильтрация ЭКГ сигналов, предназначается для
удаления низкочастотных и высокочастотных составляющих ЭКГ сигнала, так как,
эти составляющие влияют на оценку предсердной активности с малой амплитудой.
Этап № 2 – выделение характерных точек. Здесь осуществляются: выделение
R – зубцов, определение границ QRS комплексов, выявление конца T волны для
вычисления ВСР и оценки вариабельности TQ – сегментов.

69
Рис. 3.2. Алгоритм выявления эпизодов ФП при регистрации ЭКГ сигнала.

Этап № 3 – выделение эктопических аритмий. У пациентов с ФП часто


встречаются различные виды аритмий, не связанных с ФП. Для исключения
влияния всех аритмий на формирование ДЗП при выявлении эпизодов ФП
осуществляется выделение этих аритмий.
70
Этап № 4 – формирование комплекса ДЗП на кардиоциклах, не содержащих
эктопические аритмии. Вычисляем показатели ВСР и вариабельность TQ –
сегментов.
Этап № 5 – формирование решающих правил и задание критериев
классификации. На основе полученных показателей выявляемее эпизод ФП.
Фактически для выявления ФП на первом этапе (подозрение на наличие ФП) в НКП
осуществляется комплексирование значимых показателей: ФП диагностируется
при наличии всех признаков, определяемых ДЗП. Для подтверждения эпизода ФП
мы предлагаем использовать однонаправленную однослойную нейронную сеть
(НС). На входы нейронной сети будут подаваться ДЗП (ЧСС, ВСР, ДВСР, ВTQ
сегмента, характеристики f волн), на выходе сети будет ответ – наличие или
отсутствие эпизода ФП. Обучение НС должно осуществляться по базе данных
длительной регистрации ЭКГ сигнала при эпизодах ФП.
Для обработки и анализа ЭКГ сигнала и мониторинга сердечного ритма
формируется скользящее окно с продолжительностью 10 с. Такое окно позволяет,
во-первых, обнаруживать короткие эпизоды ФП. Во-вторых, снизить
продолжительность вычислений для оценки ДЗП и необходимые для их
осуществления аппаратные ресурсы.
Подробное рассмотрение предложенного алгоритма будет выполнено в
последующих разделах.

3.3. Предварительная фильтрация ЭКГ сигналов

Предварительная фильтрация ЭКГ сигнала осуществляется с целью


снижения уровня помех. В условиях активной жизни пациента на ЭКГ сигнале в
первую очередь появляются низкочастотные артефакты и дрейф изолинии из-за
поляризации электродов, плохого контакта электродов с кожей, движения пациента
во время съема ЭКГ сигнала. Существуют различные алгоритмы подавления помех
с использованием фильтра верхних частот с частотой среза менее 0,5 Гц, методов
интерполяции. Недостатком использования фильтра верхних частот является тот
71
факт, что вместе с дрейфом изолинии удаляется низкочастотных составляющих
ЭКГ сигнала, что влияет на оценку ЭКГ сигнала. Метод интерполяции
чувствителен к высокочастотным помехам, ограничивает частотный диапазон
устраняемой помехи. На наш взгляд, для удаления дрейфа изолинии эффективнее
использовать медианные фильтры. Принцип алгоритма построения медианного
фильтра заключается в том, что центральный отсчет в скользящем окне заменяется
медианой, который будет использоваться для удаления аномальных отсчетов и
выбросов независимо от их амплитудных значений. Выходной сигнал y(t)
скользящего медианного фильтра с размером окна 2s+1 получается из входного
временного ряда в соответствии с выражением:
y(t ) = medfilt ( x(t − s), x(t − s + 1),..., x(t −1), x(t ), x(t +1),..., x(t + s −1), x(t + s)). (3.2)
Для упрощения алгоритмов окно медианных фильтров выбирается с
нечетным числом отсчетов [78, 87]. Преимущество этого метода заключается в том,
что он осуществляется во временной области, метод используется для
корректировки изолинии, что сохраняет форму ЭКГ сигнала, исключает смещение
ST сегментов. Это не влияет на оценку предсердной активности ЭКГ сигнала (Рис.
3.3).
Удаление дрейфа изолинии осуществляется по следующим шагам:
1) Осуществляется фильтрация входного ЭКГ сигнала ecg(t) с
использованием медианного фильтра с размером окна равного 0,2/Fd, где Fd –
частота дискретизации входного сигнала. На выходе медианного фильтра
формируется сигнал ecg1(t);
2) Далее повторно используется медианный фильтр с размером окна,
0,6/Fd для фильтрации сигнала ecg1(t), получается сигнал на выходе ecg2(t);
3) Сигнал с удаленным дрейфом изолинии ecg3(t) получается путем
вычитания ecg2(t) из входного ЭКГ сигнала ecg(t).
ecg 3(t ) = ecg (t ) − ecg 2(t ). (3.3)

72
Рис. 3.3. ЭКГ сигнал с устранением дрейфа изолинии с использованием
медианной фильтрации.

Далее ЭКГ сигнал сглаживается с использованием фильтра Савицкого –


Голея [55, 56]. Сглаживающие фильтры Савицкого – Голея, они также называются
полиномиальными сглаживающими фильтрами или сглаживающими фильтрами с
минимальной квадратической ошибкой, как правило, используются для
сглаживания зашумленных сигналов с широким (без шума) спектром.
Пусть x[n], n = −M , M - дискретные отсчеты с центральным отсчетом x[0] .

Полиномиальная аппроксимация данных 2M + 1 отсчетов является полиномом p ( n)

порядка N.
N
p(n) =  ak n k . (3.4)
k =0

Получаем средне квадратическую ошибку аппроксимации, равную:

73
2
M
 N 
 N =    ak nk − x(n)  . (3.5)
n =− M  k = 0 

Сигнал на выходе фильтра получается путем применения дискретной


свертки:
M M
y[n] = 
m =− M
h[m]x[n − m] =  h[n − m]x[m], i = 0, N ;
m =− M
(3.6)

Коэффициенты полинома аппроксимации получаются путем взятия


производной  N с минимальной средне квадратической ошибкой:
 N M
 N 
=  2ni   ak n k − x[n]  = 0; (3.7)
ai n =− M  k =0 

или
N
 M i+k  M

  
k = 0  n =− M
n  k  n x[n]; i = 0, N ;

a =
n =− M
i
(3.8)

Уравнение (3.8) решается, только если выполняется условие 2M  N . Пусть


A = { n,i } - матрица с элементами, которые определяются в соответствии с условием

 n,i = ni , −M  n  M , i = 0, N . Транспонированная матрица AT = {i ,n } и B = AT A является


M M
симметричной с элементами i ,k =  in nk =
n =− M

n =− M
k ,i ; i = 0, N ; k = 0, N .

Из уравнения (3.8) получаем следующее уравнение.


Ba = AT Aa = AT x, (3.9)
где x =  x[−M ],..., x[−1], x[0], x[1],..., x[M ]T и a =  a0 , a1 ,..., an T .

Из уравнения (3.9), мы получим коэффициенты полинома аппроксимации.


a = ( AT A) AT x = Hx (3.10)
Сглаживающие фильтры Савицкого – Голея работают намного лучше
обычных усредняющих нерекурсивных фильтров, которые имеют тенденцию
удалять вместе шумом значительную долю высокочастотных составляющих
сигнала. Фильтры Савицкого – Голея осуществляют полиномиальную
аппроксимацию отдельных кадров входного сигнала по критерию минимума
квадратической ошибки. В этом смысле они являются оптимальным. На Рис. 3.4

74
представлен результат сглаживания ЭКГ сигнала с использованием фильтра
Савицкого – Голея 7-го порядка при длине кадров данных, равной 21.

Рис. 3.4. Сглаживание ЭКГ сигнала с использованием фильтра


Савицкого – Голея.

Таким образом, использование медианных фильтров и фильтра Савицкого –


Голея позволяет снизить долю высокочастотных составляющих и удалить дрейф
изолинии ЭКГ сигнала, что в итоге позволит повысить оценку ДЗП ФП, в
частности, предсердной активности, на следующем этапе обработки.

3.4. Алгоритм выделения характерных точек ЭКГ сигнала

Алгоритм выделения характерных точек ЭКГ сигнала состоит из нескольких


этапов.
А. Выделение R – зубцов.
На этом этапе осуществляется выделение характерных точек ЭКГ сигнала.
Важное в данной задаче имеет место выделение R – зубцов QRS комплексов. Для
75
этого широко используется алгоритм Пана – Томпкинса [36]. Этот алгоритм
рассчитан на работу в реальном масштабе времени и состоит из следующих этапов:
полосовой фильтрации, дифференцирования, возведения в квадрат,
интегрирования сигналов, адаптивной пороговой процедуры и процедуры поиска.
В алгоритме используются линейные преобразования, не требующие большого
аппаратного ресурса вычисления. Это обеспечивает способность реализовать
алгоритма в режиме реального времени удаленного непрерывного мониторинга
сердечного ритма. На Рис. 3.5 представлена схема п алгоритма Пана – Томпкинса.

Рис. 3.5. Схема представления алгоритма Пана – Томпкинса.

Полосовой фильтр с целыми коэффициентами используется для устранения


помех ЭКГ сигнала (дрейф изолинии и шумов) и представляет комбинацию двух
фильтров. Выбранная полоса пропускания в диапазоне 0,5 – 15 Гц в полосовом
фильтре необходима для повышения эффективности выделения QRS комплекса
ЭКГ сигнала. Фильтр нижних частот (ФНЧ) имеет передаточную функцию:
(1 − z −6 )2
H LP ( z ) = . (3.11)
(1 − z −1 )2

Фильтр верхних частот (ФВЧ) имеет передаточную функцию.


−1 + 32 z −16 + z −32
H HP ( z ) = . (3.12)
1 + z −1
Процедура дифференцирования используется для подавления компонентов
зубцов P и T волн и усиливает высокочастотные компоненты в ЭКГ сигнале,
связанные с QRS комплексом из-за крутых склонов QRS комплексов. Данная
операция задается передаточной функцией (T – период дискретизации, T = 1/ Fd ).

76
1
H diff ( z ) = (− z −2 − 2 z −1 + 2 z1 + z 2 ). (3.13)
8T

Далее для повышения эффективности обнаружения R – зубцов, где имеет


место более высокая амплитуда, осуществляется процедура возведения в квадрат.
y(n) = x(n)2 . (3.14)
Выходной сигнал после выполнения этой процедуры демонстрирует
многочисленные пики в пределах QRS – комплекса. Для сглаживания этих пиков в
алгоритме Пана – Томпкинса используется интегрирующий фильтр типа
скользящего окна. Процедура интегрирования задается уравнением.
1
y(n) = [ x(n − ( N − 1)) + x(n − ( N − 2)) + ... + x(n)], (3.15)
N

где N – число отсчетов скользящего окна интегрирования.


На Рис. 3.6 представлены результаты предварительной обработки ЭКГ сигнала по
этапам выделения R – зубцов ЭКГ сигнала с частотой дискретизации Fd = 250 Гц.

Рис. 3.6. Предварительная обработка ЭКГ сигнала для выделения R – зубцов.

77
Далее осуществляются адаптивная пороговая процедура и процедура поиска.
С учетом минимального значения ЧСС не менее 200 мс, пороговая процедура в
алгоритме Пана – Томпкинса адаптируется к изменениям в сигнале ЭКГ путем
вычисления скользящих оценок пиков, связанных с сигналом и шумом. Результаты
обнаружения QRS – комплексов представлены на Рис. 3.7.
Выделение R – зубцов является ключевым моментом, на основе которого
можно определять и другие характерные точки ЭКГ сигнала относительно R –
зубцов и ВСР по фрагментам ЭКГ сигнала.

Рис. 3.7. Результат обнаружения R – зубцов ЭКГ сигнала с использованием


алгоритма Пана – Томпкинса.

Б. Выделение границы QRS комплекса ЭКГ сигнала


Границы QRS комплекса отражает процесс распространения возбуждения по
желудочкам сердца. Методы точного определения этих границ не существуют, так
как определяется участок, на котором с наибольшей вероятностью
обнаруживаются характерные точки QRS комплексов. Алгоритм последовательно

78
определяет следующие точки: зубцы Q, зубцы S, начало и окончание QRS
комплекса.
Для выделения QRS комплексов целесообразно использовать грудные
отведения II, III, для которых весь комплекс QRS положительный, зубцы Q и S
определяются с помощью окна шириной 0,12 с, являются точками экстремума
между R – зубцами, и, соответственно, передним и задним границами окна на
расстояния 0,06 с относительно R зубцов QRS комплекса. Начало и окончание QRS
комплекса определяются относительно Q и S зубцов на расстояния 15 мс:
loc _ q = min ecg (loc _ r − 0, 06 Fd : loc _ r );
loc _ s = min ecg (loc _ r : locr + 0, 06 F );
 d
 (3.16)
loc _ qrs _ onset = loc _ q − 0, 015Fd ;
loc _ qrs _ offset = loc _ s + 0, 015Fd ,

где loc_q, loc_s, loc_r, loc_qrs_onset, loc_qrs_offset, соответственно, положение Q,


R, S, начало и окончание QRS комплекса, Fd – частота дискретизации.
В. Выделение конца T волны.
Определение конца T волн ЭКГ сигнала является достаточно сложной
задачей. T волна имеет амплитуду значительно меньше амплитуды R – зубцов. Для
обнаружения T волны существуют различные методы: низкочастотные
фильтрации [37, 80], вейвлет – преобразование [80], классификация на основе
нечеткой логики [80] и Байесовский вывод [81]. Известен алгоритм на основе
низкочастотной фильтрации [37]. Данный алгоритм обусловлен вогнутостью T
волны. Алгоритм обладает рядом преимуществ относительно других методов:
• В алгоритме используются только КИХ фильтры;
• Алгоритм характеризуется высокой эффективностью обнаружения в
условиях значительных помех;
• В алгоритме не требуется предусматривать пороговые значения.
В рассматриваемом алгоритме вычисляется площадь под кривой T волны A(t)
по скользящему окну (Рис. 3.8). Конец T волны определяется точкой, где A(t)
достигает максимального значения.

79
Рис. 3.8. Морфология T волны по алгоритму Zhang.

Площадь под кривой T волны A(t) вычисляется по формуле (3.17).


t
A(t ) =  [s( ) − s(t )]d ,
t −W
(3.17)

где W – ширина окна, 0  W  L ( L = t2 − t1 ), s(t) – кривая T волны, [ta , tb ] – интервал с

более вероятностью обнаружения T волны, [t1 , t2 ] – вогнутый участок T волны, ttop –

точка экстремума T волны.


Данная формула применяется при изменении формы T волны по различным
видам сердечно-сосудистых заболеваний, а также, по другим ЭКГ отведениям. При
этом, кривая T волна может быть как вогнутой, так выпуклой.
При ФП за счет появления хаотичной f волны по всему кардиоциклу,
предсердная составляющая ЭКГ сигнала перекрывается T волной, поэтому, точное
определение конца T волны осложняется, изменяется положение конца T волны
относительно R зубцов. В норме за счет стабильности продолжительности QT
интервала (процесс реполяризации желудочков, продолжительность 340 – 440 мс)
положение конца T волны не изменяется.
На Рис. 3.9 представлены результаты выделения границы QRS комплекса и
конца T волны ЭКГ сигнала при норме и при ФП.
С учетом того, что при норме сегменты PR ЭКГ сигнала не изменяются от
цикла к циклу, имеет место высокая корреляция TQ сегментов. При ФП TQ
сегменты не коррелируются. На этой основе на следующих этапах обработки ЭКГ
сигнала оцениваем корреляцию TQ сегментов по Эвклидово расстоянию и задаем
для них критерии для оценки вариабельности TQ сегментов в норме и ФП.
80
Рис. 3.9. Результаты выделения характерных точек ЭКГ сигнала:
a – в норме, б – ФП.

Таким образом, предложенный нами модифицированный алгоритм


выделения характерных точек обладает высокой эффективностью за счет того, что
алгоритм адаптируется при наличии помех и к изменению формы ЭКГ сигнала при
ФП.

3.5. Алгоритм детектирования эктопических аритмий

При регистрации ЭКГ сигналов у пациента с ФП, часто наблюдаются


различные виды аритмий, такие как, ЖЭ и ПЭ. Эти виды нарушений проявляются
в виде одиночных комплексов, бигеминии, тригеминии, куплета, триплета и т. д.
(Рис. 3.10).

Рис. 3.10. Фрагмент ЭКГ сигнала с появлением одиночных ПЭ


пациента в состоянии нормы.
81
Для улучшения результата выявления эпизодов ФП, т.е. повышения
специфичности (Sp) во избежание ложной сигнализации эпизодов ФП и
чувствительности (Se) для повышения обнаружения эпизодов ФП необходимо
исключить все перечисленные виды аритмий, не связанные с ФП.
При перечисленных видах аритмий на ЭКГ сигнале появляются QRS
комплексы, для которых расстояние между ними и предыдущим QRS комплексом
короче среднего значения длительности RR интервала, а расстояние между ними и
следующим QRS комплексом становится длиннее среднего значения длительности
RR интервала, так как они соответствуют раннему комплексу и компенсаторной
паузе (premature QRS complex and compensatory pause) для ЖЭ (Рис. 3.11). ПЭ
характеризуется преждевременным появлением отдельных предсердных
сокращений. При ПЭ суммарная длительность интервала RR до и после
экстрасистолы меньше удвоенного интервала RR. При ПЭ в отличие от ЖЭ
компенсаторная пауза отсутствует. Это объясняется тем, что возбуждение
синусового узла подавляется в ретроградном направлении ПЭ и возникает
преждевременное возбуждение предсердий. Однако, по соотношению интервала
RR до и после экстрасистолы это отношение сохраняется [86].

Рис. 3.11. Экстрасистолы на фоне нормального синусового ритма.

Для детектирования перечисленных видов аритмий, существуют различные


методы. В методе P. Langley [38] QRS комплекс детектируется как аритмия, если
расстояние между интересующим комплексом и предыдущим комплексом
значительно меньше адаптивного порогового значения. По каждому скользящему
окну вычисляется среднее значение RR интервалов. Эктопические аритмии
82
обнаруживаются, если условие RR(k )  0,8RR выполняется, где RR(k ) – значение k-
ого RR интервала. Кроме того, ЖЭ, ПЭ и артефакты классифицируются, если в
соответствии выполняются следующие условия.
0, 9 RR  RR( k + 1)  1,1RR;


 RR(k + 1) − RR  0, 3( RR − RR(k )); (3.18)

0, 9 RR  RR( k ) + RR( k + 1)  1,1RR.

Данный метод применяется для обнаружения аритмий в виде куплета и


триплета. Результаты исследования показали, что точность классификации с
использованием данного алгоритма составляет не менее 70 % [38]. Однако при
появлении чередующихся экстрасистол в виде групп двух, трех или больше
экстрасистол (Рис. 3.12), точность обнаружение экстрасистолы снижается. Для
устранения этого недостатка мы предлагаем модифицированный метод для
обнаружения этих видов экстрасистол на фоне нормального синусового ритма.

Рис. 3.12. Фрагмент ЭКГ сигнала с присутствием групп экстрасистол.

Экстрасистолы (ЖЭ, ПЭ) в общем случае представляют собой


последовательные комплексы RR(i, j ), i = 1, N , j = 1, M i −1 (N – количество групп

экстрасистол, M i - количество экстрасистол в i-ой группе экстрасистол, RR(i,1) –

первый комплекс экстрасистолы, RR(i, M i − 1) - последний комплекс). Предположим

RRm(i) = max{RR(i, j )}, i = 1, M i −1. По видам экстрасистолии, последовательность

кардиоциклов является экстрасистолой, если следующее условие выполняется.

83
 RRm(i )
 RR(i, j ) =  ij + 1,  ij  [0;0,1], i = 1, N , j = 1, M i − 1;

 RR(i, j )  0, 45c; (3.19)
 RR(i, M )  1.5RR(i, M − 1);
 i i


Это условие справедливо для выявления различных групп экстрасистолии.
N
Предположим, что в скользящем окне обработки обнаруживаются M =  M i -
1

количество экстрасистол в окне обработки. Обозначается P – множество


кардиоциклов, включенных в экстрасистолы.
Получаем следующее равенство:
N M i −1
RRm(i) N B − M

i =1 j =1  ij + 1
+  RR(i)
iP
= RR, (3.20)
NB
В связи с тем, что значения RR max( j ) мало варьируются, предположим, что

RRm(i)  RRm, i = 1, N . Получим.


N M i −1 NB −M
1
RRm  +  RR(i)
i =1 j =1  ij + 1 iP
= RR, (3.21)
NB

где N B - общее количество кардиоциклов в скользящем окне обработки, RR -


среднее значение ЧСС в скользящем окне обработки.
Отметим, что значения RR(i), i  P варьируются и больше RRm в диапазоне от
1 до 1,5 раза. Это означает, что предыдущий кардиоцикл экстрасистолы больше
чем RRm, последующий кардиоцикл экстрасистолы аппроксимируется равным
1,5*RRm.
Целью проводимого нами исследования является обнаружение и удаление
всех видов экстрасистол. Предусмотрим значение порога для обнаружения
экстрасистол таким образом, что все короткие кардиоциклы будут исключаться.
Заметим, что среднее значение остальных кардиоциклов, не включенных в Р
не менее 1,25*RRm. Тогда, из уравнения (3.21), получим.
84
N M i −1
1
RRm(  + 1, 25( N B − M ))  N B RR; (3.22)
i =1 j =1  ij + 1

Получим
N B RR
RRm  N M i −1
; (3.23)
1
 
i =1 j =1  ij + 1
+ 1, 25( N B − M )

Из условия 0   ij  0,1 мы получим:


NB
RRm  RR; (3.24)
M
+ 1, 25( N B − M )
1,1

Или
NB
RRm  RR; (3.25)
1, 25 N B − 0,34M

NB
Выберем пороговое значение Thr = RR. По этой формуле
1, 25 N B − 0,34M

адаптивное значение порога выбирается по количеству кардиоциклов M. Это


позволит повысить чувствительность и специфичность выявления эпизодов ФП и
уменьшить ложную тревогу за счет исключения кардиоциклов с ТП и ЭС.
Разработанный алгоритм содержит следующие этапы.
1. Формирование скользящего окна обработки;
2. Выделение R зубцов;
3. Вычисление среднее значение ЧСС;
4. Нахождение значения M - количество RR – интервалов, где RR  0, 45c ;

5. Если RR меньше порогового значения, комплекс может быть включен


в группу экстрасистол.
Предложенный нами метод был протестирован на базе MIT BIH Arrhythmia
Database c целью выявления видов экстрасистол (желудочковые и предсердные
экстрасистолы) на фоне нормального синусового ритма. Точность детектирования
экстрасистолии на фоне нормального ритма составляет 85 %.

85
3.6. Формирование комплекса диагностически значимых показателей для
выявления эпизодов фибрилляции предсердий.

Эпизоды ФП характеризуются совокупностью признаков и для повышения


точности и достоверности их выявления необходимо использовать
комплексирование ДЗП. Как было отмечено в разделе 2 для повышения точности и
достоверности диагностики эпизодов ФП необходимо оценивать следующие
показатели: ВСР (размах ЧСС, дисперсия ЧСС, среднее значение ЧСС),
вариабельность TQ сегментов с учетом исключения видов аритмий, не связанных
с ФП. На Рис. 3.13 представлен алгоритм формирования комплекса ДЗП с
исключением видов аритмий, не связанных с ФП.
Размах ВСР dRR, среднее значение ВСР RRmean и дисперсия ВСР disRR
вычисляются по формулам:
dRR = RR max − RR min;


 RRmean =  RR / N B ; (3.26)

disRR =  ( RR − RRmean) / ( N B − 1),
2

где RRmax, RRmin – соответственно, максимальное и минимальное значения ВСР, N B


– общее количество кардиоциклов после удаления эктопических аритмий.
Для выявления присутствия f волны на ЭКГ сигнале осуществляется
синхронизация TQ сегментов. Здесь производится интерполяция по максимальной
продолжительности TQ сегментов. На Рис. 3.14 представлено накопление TQ
сегментов в случае нормального синусового ритма и ФП.
Для оценки вариабельности TQ сегментов в работе [34] предложен метод
определение числа точек пересечения адаптивной прямой линии с TQ сегментами
рассматриваемого фрагмента с учетом исключения высокочастотной составляющей
ЭКГ сигнала. В работе [35] предложен метод вычисления вейлет – энтропии TQ
сегментов и сравнение уровней энтропии при наличии помех, норме и ФП. Для
оценки вариабельности TQ сегментов мы предлагаем оценивать Эвклидово
расстояние между интересующим TQ сегментом и средним TQ сегментом.

86
Рис. 3.13. Алгоритм формирования комплекса ДЗП с исключением аритмий.

87
а б
Рис. 3.14. Накопление TQ сегментов ЭКГ сигналов на примере сигнала 04746 из
базы данных MIT BIH AF Database: a – норма, б – ФП.

Эвклидово расстояние между вектором p и q представляет собой длину


отрезка их присоединения. В декартовой координате, если p = ( p1 , p2 ,..., pn ) и q = (

q1 , q2 ,..., qn ) – две точки в n-мерном эвклидово пространстве, тогда расстояние (d)


между p и q векторами вычисляется по формуле Пифагора:
n
d(p, q) = d(q, p) = (q1 − p1 )2 + (q2 − p2 )2 + ... + (qn − pn )2 =  (q − p )
i =1
i i
2
. (3.27)

В частности, эвклидово норма – длина вектора p вычисляется по формуле:


||p|| = d(p, p) = p12 + p22 + ... + pn2 . (3.28)

В соответствии с этим определением вычисляем следующее отношение


между интересующим TQ j сегментом и усредненным TQ сегментом.

 NB

  TQi
TQ = i =1
;
 NB
 (3.29)
 TQ j − TQ
 De = .
 TQ
 j

88
Отношение De часто используется для оценки отклонения значений
физической величины в множестве их средних значений. Повышенное значение De
отражает отклонение рассматриваемого TQ сегмента относительно усредненного
TQ сегмента, так и, увеличение изменчивости TQ сегментов по интересующему
фрагменту ЭКГ сигнала.
Для оценки нарастания ФП, вычисляется следующее отношение:
N De  DФ
VarDe = , (3.30)
NB

где, N D  D - число значений De, превышающих пороговое значение Dф ; Dф -


e ф

пороговое значение корреляции TQ сегментов; N B - общее количество


кардиоциклов после удаления эктопических аритмий.
Если VarDe превышает пороговое значение, это отражает вариабельности TQ
сегментов в рассматриваемом фрагменте ЭКГ сигнала. Пороговые значения будем
рассматривать в разделе 3.8.
Сопоставим комплекс показателей Θ1 = {PВСР, PTQ}, где PВСР = {dRR, RRmean,
disRR} и PTQ = {De, VarDe}. Если эти показатели превышают значения порога ξ, то
эпизод подозревается как эпизод ФП.
Разработанный метод оценки TQ сегментов обладает следующими
преимуществами по сравнению со сказанными методами.
• Требуется низкая емкость вычисления (low-cost computing);
• Снижение влияния помех при оценке вариабельности TQ сегментов,
повышение помехоустойчивости за счет оценки усредненного значения TQ
сегментов и нормировки;
• Не требуется предусмотренное пороговое значение.
На Рис. 3.15 и 3.16 представлены, соответственно, ВСР и вариабельность TQ
сегментов с исключением эктопических аритмий, сигнала 08215 из базы данных
MIT BIH AF Database в норме и ФП.

89
Рис. 3.15. ВСР и вариабельность TQ сегментов в норме.

Рис. 3.16. ВСР и вариабельность TQ сегментов в ФП.

Таким образом, нами разработан алгоритм формирования комплекса ДЗП.


Для повышения эффективности и достоверности выявления эпизодов ФП
необходимо учитывать и оценивать комплекс показателей с учетом исключением
видов аритмий, не связанных с ФП. Разработанный алгоритм и метод вычисления

90
комплекса ДЗП обеспечивает повышение эффективности и применимость для
удаленной тревожной сигнализации благодаря низкой емкости и аппаратному
ресурсу вычисления.

3.7. Анализ и обработка ЭКГ сигналов для различения фибрилляции –


трепетания предсердий

Для различения (дифференцирования) фибрилляции – предсердий и нормы


необходимо выявить присутствие хаотичной предсердной активности при
нарастании заболевания, соответственно, называемой f волной при ФП и F волной
при ТП. Проведем оценку предсердной активности при ФП, а затем - для ТП.
Распространенным методом выявления в ЭКГ сигнале f волн является
спектральный анализ сигнала предсердной активности, который формируется
путем удаления QRST комплексов из ЭКГ сигнала (Рис. 3.17) [24]. При ФП f волны
появляются по всему кардиоциклу, поэтому для выделения f волн из ЭКГ сигнала
необходимо использовать накопление QRST комплексов и далее – вычитание
усредненного QRST комплекса из текущего комплекса.
Для выделения f волн необходимо осуществить следующие преобразования:
Этап № 1 – предварительная фильтрация ЭКГ сигнала. На этапе
осуществляются устранение помех и дрейфа изолинии, сглаживание сигналов.
Этап № 2 – выделение характерных точек ЭКГ сигнала. На этапе
осуществляются выделение R – зубцов ЭКГ сигнала, границ QRS комплексов и
конца T волн.
Этап № 3 – кластеризация QRST комплексов по формам. На этапе
выделяются кластеры – QRST комплексы различной формы, в том числе при
аритмиях.
Этап № 4 – вычисление усредненного QRST комплекса по каждому кластеру
и формирование остаточного сигнала (residual signal) путем вычитания из текущего
ЭКГ сигнала усредненного QRST комплекса.

91
Рис. 3.17. Алгоритм выделения f волн из ЭКГ сигнала.

Выделенные предсердные активности из ЭКГ сигналы в норме и ФП


представлены на рис. 3.18.

Рис. 3.18. Выделенная предсердная активность из ЭКГ сигнала на примере


сигнала 06995 базы данных MIT BIH AF Database: a – в норме,
б – ФП.

Нами были проведены разработка и исследование алгоритма выявления f


волн на основе вычисления спектральной плотности мощности (СПМ) по методу

92
Уэлча. Использовалось быстрое преобразование Фурье (БПФ) по 8192 дискретным
отсчетам, 50 % перекрытие соседних окон и сглаживающее окно Хэмминга. Для
исследования СПМ предсердной активности в норме и при ФП использовались
базы данных MIT-BIH AF Database. На Рис. 3.19 представлены типичные СПМ
предсердной активности и на Рис. 3.20 и 3.21 представлены СПМ предсердной
активности при норме и при ФП по фрагментам ЭКГ сигнала с
продолжительностью 10 с.
При ФП наблюдается доминантная частота СПМ предсердной активности в
диапазоне от 4 – 10 Гц. Для нормальных синусовых ритмов по СПМ нельзя
утверждать о наличии доминантной частоты, спектр мощности является
широкополосным. Отличие СПМ для нормального синусового возбуждения и при
ФП можно объяснить тем, что в норме после удаления QRST комплексов,
остаточный сигнал состоит из узких P волн, а при ФП остаточный сигнал включает
составляющую с частотой мерцания предсердий в диапазоне от 250 – 600 ударов в
минуту.

Рис. 3.19. Спектральная плотность мощности предсердной активности ЭКГ на


примере сигнала 06995 базы данных MIT BIH AF Database: а – в норме, б – ФП.

93
Рис. 3.20. СПМ предсердной активности по фрагментам с продолжительностью 10
с при эпизодах ФП.

Рис. 3.21. СПМ предсердной активности по фрагментам с продолжительностью 10


с при норме.

Анализ спектра мощности остаточного сигнала для выявления эпизодов ФП


не всегда обеспечивает требуемый уровень эффективности результата, так как на
94
фоне низкоамплитудной предсердной активности всегда присутствуют помехи,
имеют место значимые методические погрешности выделения характерных точек
и кластеризации QRST комплексов. Увеличение размера окна и количества
кардиоциклов для формирования усредненного QRST комплекса с одной стороны
увеличивает точность оценки усредненного сигнала, однако снижает точность
оценки границ QRS комплекс и конца T волны из-за нестабильности сердечного
ритма. Снижение размера окна приводит к погрешностям оценки усредненного
QRST комплекса и СПМ, что негативно сказывается на достоверности выявления
эпизодов ФП. Эти исследования показали, что для повышения достоверности
выявления эпизодов ФП и дифференцирования фибрилляции-трепетания
предсердий и нормы необходимо использовать несколько ДЗП.
При ТП на ЭКГ зубец P отсутствует, но заметно правильное чередование
крупных F волн с частотой 220-350 волн в минуту. В атриовентикулярном узле
часть импульсов блокируется, желудочки могут возбуждаться и сокращаться
ритмично с определенным соотношением к предсердным волнам (8:1…4:1, 3:1, 2:1,
1:1) [64] (Рис. 3.22).

Рис. 3.22. ЭКГ пациента с ТП.

Для различения (дифференцирования) трех классов состояния сердечного


ритма «норма», «ФП» и «ТП» рассмотрим дополнительную характеристику СПМ
предсердной активности, полученной путем удаления QRST комплексов из ЭКГ
сигнала. При ФП наблюдается изменяющаяся доминантная частота fД СПМ f волн

95
в диапазоне от 3 Гц до 10 Гц с широкой полосой спектра, а при ТП, доминантная
частота fД СПМ не изменяется и находится в диапазоне от 4 Гц до 5 Гц с узкой
полосой спектра, и СПМ сосредотачивается в основном в доминантной частоте.
Такой фрагмент ЭКГ рассматривается как эпизод ТП. При норме СПМ
предсердной активности состоит из нескольких составляющих гармоник в
диапазоне от 1 Гц до 10 Гц и в том случае нельзя утвердить о наличии доминантной
частоты (Рис. 3.23).

Рис. 3.23. Спектральная плотность мощности при норме, ФП и ТП.

Зададим некоторый уровень СПМ Q, который характеризует


сосредоточенность спектра мощности около доминантной частоты f Д в диапазоне
Δf, на уровне 0,5 от максимального значения СПМ:

Q= , (3.31)
f
где f Д – доминантная частота СПМ предсердной активности, Δf – ширина полосы

Δf = f2 – f1.
Аналогично оценим концентрацию мощности f волн по уровню частот f Д по
формуле.
1,18 f Д

 P ( f )df
SC =
0,81 f Д
,
Fd / 2 (3.32)

0
P ( f )df

где P( f ) - плотность мощности предсердной активности.


96
Составим комплекс показателей Θ2 = {PВСР, PTQ, PFW}, где PВСР = {dRR,
RRmean, disRR}, PTQ = {De, VarDe} и PFW = {Q, SC, NP} (NP – количество пиков СПМ
предсердной активности на уровне S = 0,5. В результате анализа СПМ предсердной
активности, при ТП, значение SC больше порога (35 %). Для него характерна
стабильность доминантной частоты при ТП.
Для различения (детектирования) эпизодов фибрилляции – трепетания
предсердий, а также различения (дифференциации) фибрилляции – трепетания
предсердий и синусового ритма необходимо разработать алгоритм классификации.

3.8. Разработка решающих правил и критериев классификация

Рассмотрим вопрос формирования решающих правил и критериев


классификации нормального синусового ритма, ФП и других аритмий.
Существуют различные методы классификации на основе комплекса ДЗП: в [71]
предложен алгоритм на основе метода главных компонент с нелинейной кривой
классификации (principal component analysis – PCA), в [58, 59, 72] была применена
нейронная сеть (artificial neural network – ANN), в [61, 62] использовался метод
опорных векторов (support vector machine – SVM), в [34, 35] – предложен метод
линейной классификации (linear classification). При использовании метода главных
компонентов процесс обучения обусловлен большим множеством для построения
кривой классификации и выбора главных компонентов. При использовании метода
опорных векторов требуется построение гиперплоскости для классификации. В
методе классификации с использованием нейронной сети требуется большое
количество обучающих образов (training dataset) для обновления весовых
коэффициентов с целью повышения эффективности и достоверности
классификации. Недостатком метода PCA является частичная потеря информации,
а при использовании методов ANN и SVM – необходимо большое количество
образов для процесса обучения. Мы предлагаем использовать метод линейной
классификации на основе комплекса перечисленных ДЗП: ВСР (размах ВСР,
дисперсия ВСР, среднее значение ВСР) и вариабельность TQ сегментов. При этом
97
функция состояния пациента определяется по формуле (3.1) FTS = S1 S2 S3 , где S1,
S2, S3 – события нарастания ФП, соответственно, увеличение размаха ВСР,
увеличение дисперсии ВСР и увеличение вариабельности TQ сегментов. Решение
о выявлении эпизода ФП принимается только в том случае, когда все события
проявляются одновременно (события S1, S2, S3 принимают истинные значения), а
также все значения ДЗП превышают пороговые значения. В данном разделе мы
определим пороговые значения для комплекса ДЗП и осуществим задание
критериев (условий) классификации по комплексу ДЗП ФП.
При нарастании ФП у пациента всегда наблюдается увеличение ВСР и
дисперсии ВСР. На Рис. 3.24 представлена ритмограмма ЭКГ сигнала, взятого из
базы данных MIT BIH AF Database при переходе из состояния нормы в состояние
ФП.
Пороговые значения Thr1 и Thr2 для показателей ВСР, соответственно,
размаха ЧСС и дисперсии ВСР, эмпирически задаются, равны 0,07 с и 0,05 с при
формировании скользящего окна с продолжительностью 10 с.

Рис. 3.24. Ритмограмма пациента при переходе от состояния нормы


в состояние ФП.

Третьим показателем, входящим в комплекс ДЗП для выявления эпизодов


ФП является вариабельность TQ сегментов. При норме, за счет высокой
корреляции TQ сегментов, значение De по формуле 3.29 не изменяется от
кардиоцикла к кардиоциклу, а при ФП это значение сильно варьируется в пределах
скользящего окна. Пороговое значение De выбирается эмпирически, равным 0,8
(Рис. 3.25) [16, 17].

98
Рис. 3.25. Значения De при переходе от состояния нормы в состояние ФП.

Показатель VarDe, позволяющий характеризовать нарастание ФП по


скользящему окну ЭКГ сигнала, рассчитается по формуле 3.30. При нарастании ФП
показатель VarDe увеличивается. На Рис. 3.26 представлено изменение значения
показателя VarDe при изменении состояния пациента на примере записи 08405
базы данных MIT BIH AF Database: эпизоды ФП и нормы чередуются, между двумя
эпизодами нормы появляется эпизод ФП с продолжительностью 20 с.
Оптимальное значение порога для показателей VarDe равно 0,5. При
нарастании ФП сформированные показатели Θ1 = {PВСР, PTQ}, где PВСР = {dRR,
RRmean, disRR} и PTQ = {De, VarDe}, превышают пороговые значения,
установленные выше таким образом, т. е., если Θ1 ≥ ξ, эпизод рассматривается как
эпизод ФП, где ξ = {0,07 c; 0,05c; 0,5}.

99
Рис. 3.26. Изменение показателя VarDe при изменении состояния пациента

Необходимо обратиться, что при ФП, бывает случай, что при котором ритм
сердца регулярен и ЧСС высокая (наджелудочковая тахикардия – НЖТ или
суправентикулярная тахикардия), т.е., RRmean ≤ 0,45 c и disRR ≤ 0,02 c (Рис. 3.27).
Этот эпизод часто продолжается в течении 10 – 20 с при нарастании ФП и
рассматривается как эпизод ФП.

Рис. 3. 27. Эпизод ФП с чередующей наджелудочковой тахикардией.

Для различения ТП и нормы определим количество пиков NP СПМ по уровню


S = 0,5 и также, по показателю концентрации спектра мощности SC. За счет
появления идентичных F волн при ТП, если (NP = 1) ^ (SC > 35 %) ^ (Θ1 < ξ), то
подтверждается эпизод ТП. В случае (NP > 1) ^ (Θ1 < ξ) ^ (RRmean > 0,45 c), то
эпизод рассматривается как эпизод нормы.

100
На Рис. 3.28 представлены решающие правила классификации и критериев
для выявления эпизодов ФП и дифференцирования фибрилляции – трепетания
предсердий и нормы.

Рис. 3.28. Решающие правила классификации аритмий.

Таким образом, сформированы правила для выявления эпизодов ФП, так и,


дифференцирования классов на основе ДЗП, характеризующих признаки аритмий
(ФП, НЖТ, ТП) и нормы, во временной и частотной области. Проведенная
обработка ЭКГ сигналов для выявления эпизодов ФП показала, что разработанный
алгоритм позволяет реализовать выявление эпизодов ФП в режиме реального
времени для системы удаленного непрерывного мониторинга пациента в условиях
активной жизнедеятельности.

101
3.9. Вывод по главе 3

В процессе разработки методов и алгоритмов выявления эпизодов ФП для


удаленной тревожной сигнализации эпизодов ФП в условиях активной
жизнедеятельности, получены следующие результаты.
1. В целях обеспечения высокой достоверности выявления эпизодов ФП в
условиях активной жизнедеятельности пациента диагностическое правило должно
учитывать несколько признаков проявления нарушения сердечного ритма:
увеличение ВСР, увеличение дисперсии ВСР, отсутствие P зубца, появление f волн,
увеличение изменчивости продолжительности TQ сегмента.
2. Разработан метод выявления эпизодов ФП, позволяющий реализовать в
режиме реального времени, в котором, учитываются и оцениваются факторы,
влияющие на результаты обработки. Осуществлена обработка ЭКГ сигналов по
этапам: предварительная фильтрация, выделение характерных точек, исключение
наличия видов экстрасистолии, вычисление ДЗП.
3. Для выявления эпизодов ФП и классификации аритмий, проведены анализ
и обработка ЭКГ сигналов во временной и частотной области для повышения
достоверности и эффективности системы.

102
ГЛАВА 4. ТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ И
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

Рассматриваемая глава посвящена разработке носимого устройства для


регистрации биомедицинских сигналов и мобильного приложения для системы
удаленного мониторинга состояния пациента с ФП. Приведены результаты
экспериментальной апробации с использованием баз данных с
верифицированными записями MIT BIH AF Database Массачусетского
технологического института и базы данных Национального Медицинского
Исследовательского Центра им. В.А. Алмазова, также представлены результаты
клинической апробации в Национальном Медицинском Исследовательском
Центре им. В.А. Алмазова для оценки эффективности работы с применением
алгоритма выявления эпизодов ФП в системе удаленного мониторинга состояния
пациента.

4.1. Разработка носимого устройства для регистрации биомедицинских


сигналов

Носимое устройство предназначено для съема и регистрации


биомедицинских сигналов. Для выявления эпизодов ФП используется съем и
регистрация ЭКГ сигнала грудного отведения, где предсердная f волна наиболее
выражена. В нашей разработке предложено использовать II отведение для
регистрации и обработки ЭКГ сигнала. Предложена структурная схема носимого
устройства, описаны особенности разработки носимого устройства для улучшения
качества регистрируемого ЭКГ сигнала на базе современной электроники.
Структура НУП представлена на Рис. 4.1.
Для мониторинга состояния пациента носимое устройство запускается по
команде лечащего врача через НКП (смартфон пациента). Для использования в
условиях активной жизнедеятельности НУП должно иметь небольшие вес и

103
габариты, чтобы не доставлять неудобства пациенту при длительном его
использовании, и автономность работы не менее 16 часов. Разработанное
устройство включает необходимые элементы для повышения качества регистрации
ЭКГ сигнала в домашних условиях, обеспечения надежности и достоверности
выявления эпизодов ФП при дальнейшей обработке сигнала на НКП.
Для усиления полезного сигнала и его выделения на фоне значительных
синфазных помех, НУП состоит из следующих элементов.
1. Электроды (Э) используются для регистрации ЭКГ сигнала различных
отведений. Для обеспечения надежности регистрации ЭКГ сигнала электроды
накладываются на груди пациента с целью минимизации уровня миографических
помех в условиях активной жизнедеятельности пациента.
2. Усилитель биопотенциалов (УБП) предназначен для предварительной
фильтрации ЭКГ сигналов, подавления синфазной помехи. Для обеспечения
улучшенных технических характеристик ЭКГ сигнала используются высоко
интегрированные модули Analog Front End (AFE) медицинского назначения,
состоящие из дифференциального усилителя, фильтров нижних и верхних частот,
схемы выявления обрыва электродов.
3. Высокопроизводительный микроконтроллер (МК) предназначен для
управления работой носимого устройства при изменении состояния здоровья
пациента. При этом режимы работы НУП переключаются МК с целью
энергосбережения и повышения точности выявления факта нарастания ФП. Для
повышения автономности работы носимого устройства используется
микроконтроллер с низким энергопотреблением.
4. Модуль беспроводной связи по беспроводному каналу (КВТ)
предназначен для приема и передачи данных с выхода микроконтроллера на
смартфон пациента (СМП) для дальнейшей цифровой обработки. При этом
используется микромощный модуль Bluetooth или радиоканал связи, которые
обеспечивают возможность передачи данных на расстояние до нескольких метров.
5. Блок питания (БП) НУП обеспечивает автономность работы носимого
устройства на время не менее 16 часов, после чего требуется подзарядка источника
104
питания. Источник питания обеспечивает возможность работать НУП автономно и
непрерывно за указанный промежуток времени для мониторинга состояния
пациента с ФП при его бодрствовании.
В качестве УБП используется интегральная микросхема AD8232 фирмы
Analog Devices. Микросхема AD8232 является маломощной, малогабаритной и
пригодна для широкого класса задач мониторинга состояния здоровья человека,
обеспечивает возможность создания монитора сердечного ритма и кардиомонитора
для использования за пределами территории интенсивной терапии. Указанная
микросхема включает в себя двухполюсный ФВЧ, который выполнен в общей
архитектуре инструментального усилителя, и нейтральный операционный
усилитель, который позволяет применить многополюсную низкочастотную
фильтрацию для устранения шумов. AD8232 выполняет извлечение, усиление и
фильтрацию слабых биопотенциалов на фоне шумов, позволяя аналого-цифровому
преобразователю АЦП с минимальным энергопотреблением и высокой точностью
оцифровывать регистрируемый сигнал. Интегрированный двухполюсный ФВЧ с
частотой среза 0,3 Гц используется для устранения эффектов, вызванных
движением и поляризацией электродов, связан с инструментальным усилителем.
Их комбинация обеспечивает высокий коэффициент усиления и фильтрацию в
одном каскаде. Универсальный операционный усилитель может быть использован
для реализации трехполюсного ФНЧ с частотой среза 37 Гц, подавляющего
инфранизкие шумы типа 1/f. Общий коэффициент усиления сигнала в полосе
пропускания составляет 400. Для существенного подавления синфазной помехи и
отслеживания дрейфа нуля микросхема содержит дополнительный усилительный
каскад напряжения, выходной сигнал которого подается к электроду,
подключаемому к правой ноге пациента. AD8232 работает от одного источника
питания в диапазоне от 2,0 до 3,5 В, потребляет ток 170 мкА в рабочем режиме и
40 нА в неактивном состоянии.
Микроконтроллер (МК) STM32F407VG6 - 32-разрядное микропроцессорное
устройство с архитектурой ARM-32 фирмы STMicroelectronics, содержит 12
разрядный АЦП для оцифровывания аналогового сигнал в дискретные отсчеты.
105
Частота дискретизации регистрируемого ЭКГ сигнала в фоновом режиме задается
равной 250 Гц с помощью таймера микроконтроллера по режиму PWM.
Микроконтроллер имеет DMA (прямой доступ к памяти), который обеспечивает
передачу данных с памяти на периферию и наоборот без участия контроллера
(CPU).

Рис. 4.1. Структура носимого устройства для регистрации ЭКГ сигнала

Для передачи данных используется канал Bluetooth или радиоканал. При


сравнении эффективности работы КВТ в задаче непрерывного мониторинга
состояния пациента предпочтение было отдано контроллерам Bluetooth класса 2
[75]. Они обеспечивают эффективную передачу данных на расстояние не менее 15
метров. Передача данных осуществляется по пакетам M – байтов. Количество
байтов данных при передаче зависит от характеристик приемников, используемых
для отображения биомедицинских сигналов на экране дисплея. Это, в частности,
разрешение экрана смартфона (планшета) или компьютера. Формат пакетов
передаваемых данных сформируется следующим образом:

106
Байт 0 Байт 1 Байт 2 ----------- Байт (M – 1) Байт M Байт (М + 1)

где, байт 0 – для идентификации пакетов, байт 1, M – байты дискретных


отсчетов ЭКГ сигнала, байт M + 1 – для идентификации конца пакетов.
Задание режимов работы каналов регистрации сигналов НУП, управление
работой носимой системы осуществляются через беспроводной канал Bluetooth.
При изменении состояния пациента носимый компьютер пациента управляет
режимом работы НУП в целях обеспечения энергосбережения и повышенной
автономности работы НУП, повышения эффективности и точности оценки ДЗП
носимой системой. Носимое устройство осуществляет оповещение пациента в
случае превышения отношения сигнал/помеха за счет увеличения миографической
помехи и артефактов, так и, при обрыве электродов по командам управления.
Блок питания содержит модуль заряда и преобразования напряжения. С этой
целью используются модуль USB LiIon/LiPoly Charger-v1.2 (Adafruit) с
использованием контроллера зарядки MCP73833 Microchip и повышающий
преобразователь напряжения Step-Up Voltage Regulator U1V11F5 (Pololu) с
использованием микросхемы TPS61200 Texas Instrument, который обеспечивает
питание контроллера от одного источника питания, работоспособность схемы при
входном напряжении всего лишь 0,5 В, сохраняя работоспособность НУП при
превышении входного напряжения над выходным за счет автоматического
переключения в режим линейного понижающего стабилизатора. Устройство с
емкостью источника питания 1000 мАч работает непрерывно и автономно в
течение не менее 16 часов.
Внешний вид носимого устройства представлен на Рис. 4.2.

107
Рис. 4.2. Внешний вид носимого устройства для регистрации
ЭКГ сигнала грудного отведения.

Таким образом, разработано НУП для регистрации ЭКГ сигнала для удаленного
мониторинга и выявления эпизодов ФП. Для обеспечения требуемых технических
характеристик устройства регистрации использовались микросхемы серии Analog
Front End, которые обеспечивают необходимую точность регистрации сигнала и
автономность работы системы для удаленного длительного непрерывного
мониторинга состояния пациента во время наблюдения.

4.2. Разработка мобильного приложения для носимой системы удаленного


мониторинга состояния пациента с фибрилляцией предсердий

Современное развитие компьютерных технологий способствовало


появлению смартфонов и планшетных компьютеров с высокопроизводительными
процессорами, которые обеспечивают возможность приема-передачи больших
потоков данных, ускорения скорости вычислений, хранения данных в памяти
смартфона, что особенно важно для систем удаленного мониторинга состояния
здоровья пациента. В разработанной системе дискретные отсчеты ЭКГ поступают
на НКП, в качестве которого используется смартфон, для дальнейшей обработки.
Нами разработано мобильное приложение для обработки и анализа ЭКГ сигнала

108
для выявления эпизодов ФП. Оно содержит модули, которые реализуются
различные задачи обработки и анализа ЭКГ сигнала (Рис. 4.3):
1. Модуль базы данных о пациенте для хранения основной информации о
пациенте, индивидуальные показатели (вес, рост, история заболевания пациента,
признаки заболевания);
2. Модуль вычисления статистических показателей, отражающих
средние значение ЧСС, значения ВСР, ДВСР при различных уровнях физической
активности, частоту появления эпизодов ФП, продолжительности эпизодов;
3. Модуль хранения данных в виде базы данных ДЗП, данных динамики
изменения состояния пациента и гистограмм распределения «Частота эпизодов
ФП), «Продолжительность эпизодов ФП» за определенный промежуток времени;
4. Модуль передачи данных на СЛУ с помощью каналов связи WLAN или
WWAN. Модуль осуществляет передачу комплекса ДЗП при наступлении эпизодов
ФП, гистограммы распределения «Частота эпизодов ФП» «Продолжительность
эпизодов ФП, начало и продолжительность выявленных эпизодов ФП.

Рис. 4.3. Структура мобильного приложения НКП для выявления ФП.

Для непрерывного мониторинга сердечного ритма пациента в работе


использовался планшет Nexus 7 2012 Mobile с операционной системой Android
5.0.2. Приложение состоит из следующих модулей: модуль хранения основной
109
информации о пациенте (ФИО, вес, рост и запросы по синдромам у пациента),
модуль мониторинга состояния пациента, модуль сохранения данных и модуль
вычисления статистики комплекса ДЗП. Интерфейс пользователей представлен на
Рис. 4.4.

Рис. 4.4. Главное меню приложения.

Во вкладке «Registration» пациенты вводят основные сведения о пациенте. Вся


информация сохраняется в базе данных SQLite смартфона. Для просмотра этой
информации можно открыть вкладку «Patients». Вкладка «Instruction» представляет
инструкцию использования носимого устройства и приложения для пациентов. Для
запуска мониторинга состояния пациента необходимо войти во вкладку «Monitoring»
и включить Bluetooth подключение. После подключения к носимому устройству
пациент запускает мониторинг состояния через кнопку «Start». Завершение процесса
мониторинга сердечного ритма пациента задается кнопкой «Stop».
Для вычисления ДЗП используется Android NDK – средство для интенсивного
вычисления потоков данных, моделирования физических процессов, разработки игры
и обработки и анализа сигналов, которые требуют много памяти [66]. Это набор
инструментов, позволяющий реализовать приложения, используя языки высокого
уровня программирования C / C++. На экране планшета отображаются регистрируемые
110
ЭКГ сигналы в режиме реального времени, полученные с НУП через канал Bluetooth.
Статистические показатели вычисляются обновляются и отображаются на экране
смартфона каждую секунду (Рис. 4.5).

Рис. 4.5. Мобильное приложение для выявления


эпизодов ФП.

Пациенты визуально могут узнать свое состояние сердечного ритма


(состояние нормы или ФП) по оцениваемым в режиме реального времени ДЗП,
которые отображаются на экране планшета. Если у пациента наступает эпизод ФП,
то приложение сообщит пациенту о наступлении эпизода ФП (AF Episode) и
соответственно, в норме (Non AF Episode), если у пациента нормальный синусовый
ритм сердца. При выявлении эпизодов ФП данные отправляются на СЛУ для
формирования статистики нарушений, хранения информации об частоте и
продолжительности эпизодов ФП.
Как было отмечено во второй и третьей главах диссертации система
непрерывного мониторинга состояния пациента формируется скользящее окно
обработки ЭКГ сигнала (Рис. 4.6). Окно сдвигается дискретно с шагом 300 отсчетов

111
по частоте Fd = 250 Гц (примерно на один кардиоцикл). НКП изначально находится
в состояния ожидания поступления ЭКГ сигнала. При поступлении данных в НКП
отсчеты ЭКГ сигнала заполняются в буфере с предусмотренной длиной 2500*4
байтов, так как, дискретные отсчеты представляются в виде десятичного кода с
плавающей точкой (double).

Рис. 4.6. Формирование скользящего окна ЭКГ сигнала.

Комплекс ДЗП вычисляется по каждому скользящему окну обработки (Рис.


4.7). Далее осуществляется классификация состояния пациента в соответствии с
решающими правилами, предложенными в третьей главе. По каждому окну
обработки данных реализуются следующие этапы обработки ЭКГ сигнала:
предварительная фильтрация сигнала (устранение дрейфа изолинии и сглаживание
сигнала), выделение характерных точек (R зубцы, границы QRS комплексов,
окончание T волн), детектирование эктопических аритмий (ЖЭ и ПЭ), вычисление
показателей ВСР (вариационный размах dRR, среднее квадратическое отклонение
dispRR, среднее значение ЧСС RRmean), вычисление вариабельности TQ сегментов
VarDe (Рис. 4.8.). При превышении пороговых значений ξ, предложенных в главе
3, смартфон предупредит пациента о наступлении эпизода ФП.

112
Рис. 4.7. Алгоритм обработки сигналов по скользящему окну.

Рис. 4.8. Алгоритм формирования ДЗП по скользящему окну.


113
Все рассчитанные показатели далее сохраняются в памяти смартфона в виде
файла или в SQLite (таблица 4.1) для отправки данных на СЛУ или просмотра
динамики изменения состояния самим пациентом, оповещения пациента при
частом повторении эпизодов ФП. Для регистрации ЭКГ сигнала в течение одного
часа используется память объемом 100 Кб для хранения ДЗП и 5 Мб для записи
ЭКГ сигнала. Оцифрованные отсчеты ЭКГ сигнала также сохраняются в памяти
смартфона для ретроспективного анализа лечащим врачом развития заболевания у
пациента, процесса перехода от состояния нормального синусового ритма к ФП.
Для снижения избыточной информации о пациенте на СЛУ передаются данные
(комплекс ДЗП) только для состояния ФП пациента.

Таблица 4.1. Форматирование данных в памяти смартфона

Показатели Формат данных Длина


Вариационный размах ВСР (dRR) Double 8 байт
Стандартное отклонение ВСР (dispRR) Double 8 байт
Среднее значение ВСР (RRmean) Double 8 байт
Вариабельность TQ сегментов (VarDe) Double 8 байт
Дата и время регистрации (dd:mm:yyyy hh:mm:ss) String 19 байт
Состояния пациента (AF или Non AF) String 6 байт

Установленное на НКП приложение позволяет пациенту контролировать


свое здоровье за все время наблюдения. Вся информация о текущем эпизоде ФП
фиксируется на СЛУ, формируется гистограмма распределения
продолжительности эпизодов ФП, например, за последние сутки, которая
отображается на фоне гистограмм за предыдущие периоды времени. Сигнал
тревоги о выявленных у пациента эпизодах ФП врач получает, либо в случае
увеличения частоты наступления эпизодов ФП (отрицательная динамика состояния
сердечного ритма), либо при наступлении эпизода ФП большой
продолжительности. Пороговые уровни частоты и продолжительности, при
которых формируется сигнал тревоги, задаются лечащим врачом с учетом

114
индивидуальных особенностей нарушения ритма сердца пациента. При
наступлении очередного эпизода ФП врач, осуществляющий наблюдение за
пациентом, получает на свой смартфон оперативную информацию о состоянии
подопечного пациента, время наступления и продолжительность текущего эпизода
ФП, гистограмму распределения продолжительности эпизодов ФП.
Пациенту с нарушением ритма сердца самостоятельно невозможно
установить начало развития эпизода ФП. Для врача, наблюдающего пациента,
информация о времени начала эпизода ФП и его продолжительности имеют
большое значение. Мониторинг времени начала эпизодов ФП позволяют врачу
выяснить причины, провоцирующие эпизоды ФП, а мониторинг
продолжительности эпизодов ФП позволяют врачу оценить эффективность
использования лечебного воздействия, выбрать тактику лечения конкретного
пациента. В этой связи в разработанном алгоритме выявления эпизодов ФП
предусмотрена фиксация времени наступления ФП, продолжительности эпизодов
ФП, построение гистограммы распределения «Частота эпизодов ФП»
«Продолжительность эпизодов ФП» за заданный период времени наблюдения
пациента. Отображение такой гистограммы в динамике по смещению ее
максимума позволяет врачу оценить эффективность лечебного процесса.
Для реализации разработанного алгоритма в on-line режиме используется
скользящее окно с продолжительностью 10 с. Это окно сдвигается дискретно с
шагом q = 1,2 с, соответствующим максимальному значению RR-интервала. При
обнаружении эпизодов ФП по каждым q = 1,2 с, текущее значение
продолжительности эпизодов Lcurr вычисляется по формуле 4.1 с учетом
предыдущего Lprev :
Lcurr = Lprev + q. (4.1)
Все ДЗП и время оценки ДЗП обновляются каждые 1,2 секунды и
сохраняются в памяти смартфона пациента или в базе SQLite за некоторый
промежуток времени. Далее, ДЗП и гистограмма распределения «Частота эпизодов
ФП – продолжительность эпизодов», границы эпизодов ФП отправляются на СЛУ
каждые 30 минут. На основе полученной информации на СЛУ осуществляются
115
анализ динамики изменения состояния пациента и развития ФП, полученная
информация оперативно направляется лечащему врачу. Кроме того, для
ретроспективного анализа в памяти планшета также сохраняются ДЗП и запись
ЭКГ сигналаза определенный промежуток времени.
Таким образом, разработано мобильное приложение для поддержки пациента
с применением алгоритма выявления эпизодов ФП. В отличии от других известных
аналогов приложение обладает рядом преимуществ. Во-первых, носимая система,
включающая НУП и НКП, обеспечивает длительный непрерывный мониторинг
сердечного ритма пациента. Во-вторых, данные о состояния (записи и ДЗП)
сохраняются для ретроспективного анализа, это позволяет лечащему врачу узнать
процесс развития заболевания у пациента, эффективность лечения. В-третьих,
разработанная система предназначена для мониторинга сердечного ритма в
условиях активной жизнедеятельности пациента вне лечебного учреждения.

4.3. Результаты экспериментальной апробации

4.3.1. Результаты апробации на базе верифицированных записей

Для оценки эффективности алгоритм выявления эпизодов ФП были


проведены экспериментальные исследования с использованием
верифицированных записей базы данных MIT BIH AF Database
(https://www.physionet.org/cgi-bin/atm/ATM) и базы данных Национального
Медицинского Исследовательского Центра им. В.А. Алмазова.
База данных MIT BIH AF Database содержит 25 верифицированных записей
ЭКГ сигналов (большинство из них представляет себя пароксизмальную ФП по
двум отведениям). Каждая запись регистрировалась в течении 10 часов по частоте
дискретизации 250 Гц и 12-разрядному АЦП и содержит два сигнала, которые не
указаны от какого отведения ЭКГ сигнала. Имеются фрагменты, где появляются
эпизоды ТП.

116
Исследования проведены на обучающей выборке фрагментов эпизодов ФП и
нормы, содержащей фрагменты ЭКГ сигнала данной базы данных с
продолжительностью 10 с. Фрагменты ЭКГ сигналов взяты из каждой записи с
маркерами эпизодов нормы (N) и ФП (AF) по аннотации верифицированных
записей.
Вторая база данных для экспериментального исследования – база данных
Национального Медицинского Исследовательского Центра им. В.А. Алмазова.
Данная база данных содержит 5 записей холтеровского мониторирования
пациентов с ФП в течение около 24 час с частой дискретизации 257 Гц. Один из
них – пациент с постоянной ФП, 4 пациента с пароксизмальной ФП. Результаты
исследования по сравнению с верифицированным результатом приведены в
таблице (по показателям чувствительности, специфичности и точности
диагностики) (запись 30007502 – постоянная ФП, записи 80003725,
FF5060526111605, Kotcharev, ME18120405155453 – пароксизмальная ФП). В
особенности у пациентов 80003725 и Kotcharev наблюдаются экстрасистолии, в
некоторых фрагментах сигнала имеет место высокий уровень помехи. Для
тестирования разработанного алгоритма использовалось второе отведение ЭКГ
сигнала.
Таблица 4.2. Результаты исследования на базе данных НМИЦ им. Алмазова3
Record TPS FN TPP FP ESE E+P ERef ETst DSe D+P
30007502.dat 1 0 8 0 100 100 1 8 99,32 100
80003725.dat 4 8 4 59 33,33 6,35 12 63 37,33 0,82
FF5060526111605.dat 6 0 5 8 100 38,46 6 13 99,37 99,44
Kotchkarev.dat 29 2 27 81 93,55 25 31 108 89,08 37,72
ME18120405155453.dat 13 7 12 25 65 32,43 20 37 98,78 96,55
Gross 53 17 56 173 75,71 24,45 70 229 99,11 95,43

В таблице показаны результаты исследования с применением разработанного


алгоритма для каждой записи и проведены итоговые результаты для выявления

3
Se = TP / (TP+FN), +P = TP / (TP+FP)
DSe = ref_overlap / ref_duration, D+P = test_overlap / test_duration
117
эпизодов ФП по всем данным записям. Для оценки эффективности алгоритма,
вычисляются следующие показатели чувствительности DSe и специфичности D+P.
При этом показатели чувствительности и специфичности по всем записям
составили соответственно, 99,11 % и 95,43 %. В итоге, для обоих баз данных,
полученные показатели чувствительности, специфичности и точности составили
95,00 %, 94,00 % и 94,5 %. Полученные результаты показали, что разработанный
алгоритм дал достаточно хорошие результаты выявления эпизодов ФП по
сравнению с существующими алгоритмами (таблица 4.3).

Таблица 4.3. Сравнение алгоритмов выявления эпизодов ФП


Алгоритм Se, % Sp, %
Slocum et al. 62,80 77,46
Tatento and Glass 94,40 97,20
Dash et al. 94,40 95,10
Babaeizadeh et al. 92,00 95,50
Huang et al. 96,10 98,10
Lake and Moorman 91,00 94,00
Предложенный алгоритм 95,00 94,00

Ограничением разработанного алгоритма является снижение показателя


специфичности для пациентов, которые страдают другими заболеваниями,
например, АВ – блокада 1-ого типа, 2-ого типа, т.е., нарушение проводимости
импульсов в атриовентикулярном узле, (где имеет место изменение сегмента PR и
спада P волны относительно изолинии, наличие нескольких P волн между
последующими кардиоциклы) (Рис. 4.8), а также частично у пациентов с частой
экстрасистолией, пациентов с чередующимися эпизодами ФП и нормы
(вероятность появления таких случаев составляет 1 в 100 – 150, т.е., у каждых 100
– 150 пациентов имеется 1 пациент).

118
Рис. 4.8. AB – блокада второго типа.

С использованием разработанных методов и алгоритмов обработки и анализа


ЭКГ сигнала для дифференциации (различения) фибрилляции-трепетания
предсердий и нормы на основе вычисления показателя концентрации и количества
максимумов в СПМ по спектральной плотности мощности предсердной
активности получена точность классификации не менее 95 % по базе MIT BIH AF
Database.
Таким образом, разработанный алгоритм дает хорошие результаты
выявления эпизодов ФП по сравнению с существующими алгоритмами и может
использоваться для автоматической обработки и анализа эпизодов ФП в
длительном холтеровском мониторировании.

4.3.2. Клиническая апробация

Нами была проведена клиническая апробация в Национальном Медицинском


Исследовательском Центре им. В.А. Алмазова под наблюдением врача в
отделениях реанимации и хирургии. Для оценки эффективности разработанных
алгоритмов выявления эпизодов ФП сигналы регистрировались у различных
пациентов с пароксизмальной и постоянной ФП, у пациентов в ходе проведения
операционной процедуры (по методу абляции легочных вен, радиочастотной
абляции) и после операции. Тестирование было проведено на 31 пациенте
(женщины и мужчины с возрастом от 40 до 80 лет): 8 пациента с постоянной ФП и
18 пациентов с пароксизмальной ФП, 1 пациент после операции, 4 пациента с ТП.
В том числе, у трех первых пациентов ЭКГ сигнал регистрировался в палатах (как

119
при домашних условиях), а остальные записи были проведены в ходе операции с
продолжительностью регистрации сигналов от 1,5 часов до 4 часов. Пациенты
диагностировались с атеросклеротическим кардиосклерозом и гипертонией,
сахарным диабетом как основной диагноз с осложнением ФП. В домашних
условиях эпизоды ФП могут возникать внезапно днем или ночью. Эпизоды ФП у
пациентов могут возникать при проведении операции из-за эффекта
психологического страха или белого халата. Поэтому нами были проведены
исследования для большинства пациентов в ходе операции с использованием
разработанной носимой системы по рекомендации врача.
В ходе исследования была апробирована носимая системы для непрерывного
мониторинга состояния пациента с ФП с участием врачей и пациентов. Протокол
исследования был одобрен этическим комитетом НМИЦ им. В.А. Алмазова.
Для оценки эффективности алгоритма работы системы вычислялись
показатели по формуле 4.2, характеризующие способность выявления эпизодов ФП
и нормы.

TD1
K D1 = ;
TФВ1
(4.2)
T
KD2 = D2 ,
TФВ 2

где KD1 – показатель, характеризующий положительные результаты выявления


эпизодов ФП, TD1 – количество эпизодов ФП, определяемых с помощью носимой
системы, TФВ1 – время фиксации эпизодов ФП под наблюдением лечащего врача,
KD2 – показатель, характеризующий положительные результаты определения
эпизодов нормы, TD2 – количество эпизодов нормы, определяемых с помощью
носимой системы, TФВ2 – время фиксации эпизодов нормы под наблюдением
лечащего врача.
Сложность исследования заключалась в том, что у пациентов с
пароксизмальной ФП, которые находятся в палатах не всегда появляются эпизоды
при регистрации. При регистрации ЭКГ сигналов во время операции влияние
операционной процедуры хирурга сказались на результаты исследования (процесс
120
возбуждении в ходе операции по методу абляции легочных вен, радиочастотная
катетерная абляция), движение пациента, тремор. Кроме того, пациенты могли
страдать несколькими другими сердечными заболеваниями, такие как,
фибрилляции – трепетание желудочков, блокада АВ – узла и т.д.
В ходе проведения экспериментальных исследований регистрировались ЭКГ
сигналы II – отведения, чтобы лучше выявить появление f – волн на ЭКГ сигнале.
Эпизоды ФП фиксировались под наблюдением лечащего врача по монитору ЭКГ
сигнала 3-х отведений (I, II, III отведения), так и интракардиальной
электрокардиограммы. У 70 % пациентов, которые проходили в операцию,
возникала аритмия (эпизоды ФП), разработанный нами алгоритм показал точность
выявления эпизодов в этих случаях до 100 %. Алгоритм показал точность
диагностики 100 % при переходе от ФП в норму при восстановлении синусового
ритма у пациента, и наоборот при продолжительности эпизодов ФП от 30 сек до
нескольких часов (при постоянной ФП или персистирующей ФП). На Рис. 4.9
представлены результаты исследования на пациентах при нарастании эпизодов ФП
и при успешном восстановлении синусового ритма у пациента с пароксизмальной
ФП (Рис. 4.10). Соответственно, на экране отображается текущий ритм сердца,
комплекс ДЗП для выявления эпизодов ФП и текущее состояние пациента. При
нарастании эпизодов ФП будет выдаваться на экране AF Episode (Рис. 4.9), при
нормальном синусовом ритме будет Non AF Episode (Рис. 4.10), т.е., на ЭКГ
сигнале снова появляется P волна после успешного восстановления синусового
ритма.

121
Рис. 4.9. Эпизод ФП у пациента.

Рис. 4.10. Пациент после восстановления синусового ритма.

В итоге полученные результаты выявления эпизодов ФП под наблюдением


врача – специфичность, чувствительность и точность выявления ФП по всем
записям составили соответственно, 93 %, 95 % и 93,5 %. ДЗП ЭКГ сигналов
сохраняются в памяти смартфона для анализа динамики изменения состояния
пациента во время наблюдения и пересмотра ЭКГ сигнала для выработки
заключения о состоянии пациента, а также отправляются далее на СЛУ (Рис. 4.11).

122
Рис. 4.11. Статистика ДЗП состояния пациента за некоторый промежуток
времени.
Таким образом, результаты экспериментальной апробации показали, что
разработанный алгоритм обеспечил достаточно высокую точность диагностики
ФП в условиях повседневной жизнедеятельности, так и в клинических условиях.
Это позволяет пациенту и лечащему врачу отслеживать состояние здоровья
пациента в режиме реального времени с использованием носимой системы.
Разработанная система обеспечивает возможность комплексной диагностики с
применением телемедицинской технологии для удаленного длительного
непрерывного мониторинга состояния пациента с ФП.

4.4. Вывод по главе 4

По результатам экспериментальной апробации разработанной системы с


использованием верифицированных записей и данных, полученных в клинических
условиях, можно сделать следующие выводы, касающиеся применения системы
выявления эпизодов ФП при длительном мониторировании сердечного ритма
пациента в режиме реальном времени:
1. Проведены исследования для проверки эффективности методов и
алгоритмов удаленного мониторинга сердечного ритма и тревожной сигнализации

123
эпизодов ФП. Экспериментальные исследования показали, что разработанные
методы имеют перспективы для дальнейшего проектирования систем удаленного
мониторинга состояния пациента с ФП. Полученные результаты повысили
достоверность выявления эпизодов ФП.
2. С использованием разработанного алгоритма можно сделать выводы о
процессе развития заболевания, провести оценку эффективности лечения по
полученным параметрам (границы эпизодов ФП, продолжительность эпизодов и
частота в промежутке наблюдения).

124
ЗАКЛЮЧЕНИЕ

Решение задач, сформулированных в диссертационной работе, направлено на


разработку метода и системы для удаленного непрерывного мониторинга
сердечного ритма и тревожной сигнализации эпизодов ФП, позволяющих вне
лечебного учреждения в условиях активной жизнедеятельности пациента выявлять
обострение заболевания.
Основные результаты диссертационной работы:
1. Разработана концептуальная модель, обобщенная структура, метод и
алгоритм работы системы удаленного мониторинга состояния здоровья пациента с
ФП в условиях активной жизнедеятельности. Разработанная система обеспечивает
пространственно-распределенную реализацию этапов регистрации, анализ и
обработку сигналов для выявления эпизодов ФП, динамики изменения сердечного
ритма, формирование информационной поддержки и оказание медицинской
помощи при обострении заболевания, повышение эффективности и надежности
системы, повышение достоверности диагностики ФП в условиях активной
жизнедеятельности.
2. Сформирован комплекс ДЗП для осуществления удаленного
мониторинга эпизодов ФП (увеличение ВСР, увеличение ЧСС, отсутствие P волны
и присутствие f волн, наличие предсердных и желудочковых экстрасистол, наличие
ТП).
3. Разработаны методы и алгоритмы удаленного мониторинга состояния
пациента для выявления эпизодов ФП, классификации фибрилляции-трепетания
предсердий с целью повышения эффективности выявления ФП, автономности
носимой системы в условиях активной жизнедеятельности.
4. Разработаны метод и алгоритм обработки ЭКГ сигнала для выявления
эпизодов ФП в условиях активной жизнедеятельности на основе нарастания ФП по
методу комплексирования ДЗП. Разработанные методы позволяют выявлять
эпизоды ФП в онлайн режиме.

125
5. Разработаны методы и алгоритмы классификации фибрилляции-
трепетания предсердий и нормы на признаки заболевания. Сформированы
решающие правила и критерии классификации трех классов.
6. Проведены экспериментальные исследования на базе данных с
верифицированными записями. Полученные результаты показали, что можно
использовать разработанные методы и алгоритмы для выявления эпизодов ФП и
классификации фибрилляции-трепетания предсердий и нормы.
7. Проведена клиническая апробация носимой системы выявления
эпизодов ФП. На основе полученных результатов, можно сформировать показатели
для выявления процесса развития заболевания, динамики изменения состояния
пациента.

126
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ЭКГ – Электрокардиограмма
ФПГ – Фотоплетизмограмма
ФП – Фибрилляция предсердий
ТП – Трепетание предсердий
ВСР – вариабельность сердечного ритма
ДВСР – Дисперсия вариабельности сердечного ритма
ВTQ – Вариабельность TQ сегментов
ДВTQ – Дисперсия вариабельности TQ сегментов
ЧСС – Частота сердечных сокращений
ДЗП – Диагностически значимых показателей
СПМ – Спектральная плотность мощности
ЭС – Электродная система
УБП – Усилитель биопотенциалов
МК – Микроконтроллер
AFE – Analog Front End
АЦП – Аналого-цифровой преобразователь
АИП – Автономный источник питания
КВТ – Контроллер Bluetooth
СЛУ – Сервер лечебного учреждения
СМВ – Смартфон врача
СМП – Смартфон пациента
НКП – Носимый компьютер пациента
НУП – Носимое устройство пациента
КЛВ – Компьютер лечащего врача

127
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Юлдашев З.М., Пустозеров Е.А., Анисимов А.А. Многоуровневая


интеллектуальная система удаленного мониторинга состояния здоровья людей с
хроническими заболеваниями // Биотехносфера. 2016. № 5 (47). С. 2-8.
2. Сулимов В.А., Голицын С.П., Панченко Е.П. и др. Диагностика и
лечение фибрилляции предсердий. Рекомендации РКО, ВНОА и АССХ //
Электронный ресурс: http://scardio.ru/content/Guidelines/FP_rkj_13.pdf.
3. Дедов Д. В., Иванов А.П., Эльгардт И.А. Риск рецидива фибрилляции
предсердий у больных ишемической болезнью сердца и артериальной
гипертензией по данным холтеровского мониторирования электрокардиограммы
// Вестник аритмологии 59 (2010): 27-32.
4. Лукьянов, Михаил Михайлович и др. Диагностика, лечение, сочетанная
сердечно-сосудистая патология и сопутствующие заболевания у больных с
диагнозом «фибрилляция предсердий» в условиях реальной амбулаторно-
поликлинической практики (по данным регистра кардиоваскулярных заболеваний
РЕКВАЗА) // Рациональная фармакотерапия в кардиологии. 2014.10(4). C. 366-377.
5. Нгуен Ч.Т., Юлдашев З.М. Носимая система для предупреждения у
пациента мерцательной аритмии // Биотехносфера. – 2015. – № 4(40). – С. 25-27.
6. Нгуен Ч.Т., Юлдашев З.М. Система удаленного мониторинга для
прогнозирования мерцательной аритмии // Биомедицинская радиоэлектроника. –
2016. – № 8. – С. 26–30.
7. Нгуен Ч.Т., Юлдашев З.М., Садыкова Е.В. Система удаленного
мониторинга сердечного ритма для выявления эпизодов фибрилляции предсердий //
Медицинская техника. – 2017. – №3(303). – С. 28–31.
8. Нгуен, Ч.Т. Метод и алгоритм для выявления эпизодов фибрилляции
предсердий в режиме реального времени // Биотехносфера. – 2017. – №2(50). – С. 40
– 44.

128
9. Нгуен Ч.Т., Юлдашев З.М. Алгоритм выявления фибрилляции
предсердий и формирования тревожного сигнала в системе удаленного мониторинга
ЭКГ // Медицинская техника. – 2018. – № 1(307). – C. 37–40.
10. Нгуен Ч.Т., Юлдашев З.М. Программно-алгоритмическое обеспечение
носимой системы для прогнозирования мерцательной аритмии // Труды 70-ой
научно-технической конференции, посвященной Дню радио. Санкт-Петербург, 21-
29 апреля 2015. – С. 152–153.
11. Нгуен Ч.Т. Носимая система для прогнозирования мерцательной
аритмии // Труды 70-ой научно-технической конференции, посвященной Дню
радио. Санкт-Петербург, 21-29 апреля 2015. – С. 151–152.
12. Нгуен Ч.Т. Система мониторинга для прогнозирования мерцательной
аритмии // Методы компьютерной диагностики в биологии и медицине – 2015.
Материалы Всероссийской школы-семинара. Саратов, 10-12 ноября 2015. – С. 70–
72.
13. Нгуен Ч.Т. Носимая система для выявления и предупреждения у
пациента мерцательной аритмии // Сборник тезисов XII международного конгресса
«КАРДИОСТИМ». Санкт-Петербург, 18-20 февраля 2016. – С. 227.
14. Нгуен Ч.Т. Микропроцессорная система для удаленного мониторинга
состояния пациента с фибрилляцией предсердий // Актуальные проблемы
энергосбережения и эффективности в технических системах. Тезисы докладов 3-ей
Международной конференции с элементами научной школы. Тамбов, 25-27 апреля
2016. – С. 414–415.
15. Нгуен Ч.Т. Алгоритм выделения f волн при фибрилляции предсердий //
Актуальные проблемы энергосбережения и эффективности в технических
системах. Тезисы докладов 3-ей Международной конференции с элементами
научной школы. Тамбов, 25-27 апреля 2016. – С. 415–416.
16. Нгуен Ч.Т. Алгоритм оценки статистических и спектральных
характеристики в мерцательной аритмии и в норме // Труды 71-ой научно-
технической конференции, посвященной Дню радио. Санкт-Петербург, 20-28
апреля 2016. – С. 412–413.
129
17. Нгуен Ч.Т. Анализ и обработка ЭКГ сигналов для прогнозирования
фибрилляции предсердий // Труды 72-ой научно-технической конференции,
посвященной Дню радио. Санкт-Петербург, 20-28 апреля 2017. – С. 415–416.
18. Нгуен Ч.Т. Система удаленного мониторинга для онлайн выявления
эпизодов фибрилляции предсердий // Энергосбережение и эффективность в
технических системах. Материалы IV международной научно-технической
конференции студентов, молодых ученых и специалистов. Тамбов, 10-12 июля
2017. – С. 501–502.
19. Нгуен Ч.Т. Метод и алгоритм выявления эпизодов фибрилляции
предсердий // Всероссийская научно-техническая конференция студентов,
молодых ученых и специалистов «Биотехнические системы, медицинские и
экологические системы и комплексы» («БИОМЕДСИСТЕМЫ - 2017»). Материалы
конференции. Рязань. 6–8 декабря 2017 г. – С. 174 – 177.
20. Нгуен Ч.Т. Носимая система тревожной сигнализации фибрилляции
предсердий // Всероссийская научно-техническая конференция студентов,
молодых ученых и специалистов «Биотехнические системы, медицинские и
экологические системы и комплексы» («БИОМЕДСИСТЕМЫ - 2017»). Материалы
конференции. Рязань. 6–8 декабря 2017 г. – С. 306 – 309.
21. Nguyen Trong Tuyen, Zafar M. Yuldashev, Aleksei A. Anisimov. The atrial
fibrillation episodes alarm algorithm for a remote monitoring system // Proceedings of
the 2018 IEEE North West Russian Section Young Researchers in Electrical and
Electronic Engineering Conference. – St. Petersburg. – January 29 - February 01 2018. –
P. 1216-1219.
22. Нгуен Ч.Т. Система для выявления эпизодов фибрилляции предсердий
в online режиме // Сборник тезисов XIII международного конгресса
«КАРДИОСТИМ». Санкт-Петербург, 15-17 февраля 2018. – С. 169.
23. Нгуен Ч.Т. Алгоритм мониторинга состояния пациента с
фибрилляцией предсердий // Сборник тезисов XIII международного конгресса
«КАРДИОСТИМ». Санкт-Петербург, 15-17 февраля 2018. – С. 189.

130
24. Нгуен Ч.Т., Юлдашев З.М. Программа для выделения f-волн из
электрокардиосигнала // Программа для ЭВМ №2016612480 Рос. Федерация;
заявитель и патентообладатель ФГБОУ ВПО СПбГЭТУ «ЛЭТИ» им. В.И. Ульянова
(Ленина). – № 2015663217; заявл. 31.12.15; опубл. 29.02.2016.
25. Нгуен Ч.Т., Юлдашев З.М. Программа для оценки статистических и
спектральных характеристик электрокардиосигнала в норме и мерцательной
аритмий // Программа для ЭВМ №2016612484 Рос. Федерация; заявитель и
патентообладатель ФГБОУ ВПО СПбГЭТУ «ЛЭТИ» им. В.И. Ульянова (Ленина).
– № 2015663221; заявл. 30.12.15; опубл. 29.02.2016.
26. Нгуен Ч.Т., Юлдашев З.М. Программа тревожной сигнализации
фибрилляции предсердий // Программа для ЭВМ №2018610583 Рос. Федерация;
заявитель и патентообладатель ФГБОУ ВПО СПбГЭТУ «ЛЭТИ» им. В.И. Ульянова
(Ленина). – № 2017661786; заявл. 17.11.17; опубл. 12.01.2018.
27. Nguyen T.T., Z.M. Yuldashev, E.V. Sadykova. A remote cardiac rhythm
monitoring system for detecting episodes of atrial fibrillation // Biomedical Engineering.
–2017. – Volume 51, Issue 3. – P. 189-194.
28. Nguyen T.T., Z.M. Yuldashev. An algorithm for detection of atrial
fibrillation episodes and generation of alarm signals used in a cardiac rhythm remote
monitoring system // Biomedical Engineering. –2018. – Volume 52, Issue 1. – P. 51 – 55.
29. Moody G.B., Mark R.G. A new method for detecting atrial fibrillation using
R-R intervals // Computers in Cardiology. 1983. Vol. 10. PP. 227-230.
30. Logan B., Healey J. Robust detection of atrial fibrillation for a long term
telemonitoring system // Computers in Cardiology. 2005. Vol. 32. PP. 619-622.
31. Tatento K., Glass L. Automatic detection of atrial fibrillation using the
coefficient of variation and density histograms of RR and ΔRR intervals // Medical and
Biological Engineering and Computing. 2001. Vol. 39. № 6. PP. 664-671.
32. Cerutti S., Mainardi L.T., Porta A. [et. al.]. Analysis of the dynamics of RR
interval series for the detection of atrial fibrillation episodes // Computers in Cardiology.
1997. Vol. 24. PP. 77-80.

131
33. Stridh M., Sornmo L. Spatiotemporal QRST cancellation techniques for
analysis of atrial fibrillation // IEEE Trans. Biomed. Eng. 2001. Vol. 48. № 1. PP. 105-
111.
34. Du X., Rao N., Qian M. [et. al.]. A novel method for real-time atrial
fibrillation detection in electrocardiograms using multiple parameters // Annals of
Noninvasive Electrocardiology. 2014. Vol. 19. № 3. PP. 217-225.
35. Rodenas J., Garcia M., Alcaraz R., Rieta J.J. Wavelet entropy automatically
detects episodes of atrial fibrillation from single lead electrocardiograms // Entropy. 2015.
Vol. 17. № 9. PP. 6179-6199.
36. Pan J. and Tompkins W.J. A real-time QRS detection algorithm // IEEE
Trans. Biomed. Eng. 1985. Vol. 32. PP. 230-236.
37. Zhang Q., Manriquez A. I., Medigue C., Papelier Y., and Sorine M. An
algorithm for robust and efficient location of T-wave ends in electrocardiograms // IEEE
Trans. Biomed. Eng. 2006. Vol. 53. №. 12. PP. 2544–2552.
38. Langley P., Bernado D., Allen J., Bowers E., Smith F. E., Vecchietti S., and
Murray A. Can paroxysmal atrial fibrillation be predicted? // Computers in Cardiology.
2001. Vol. 28. PP. 121–124.
39. Babaeizadeh S., Gregg R., Helfenbein E. et al. Improvements in atrial
fibrillation detection for real-time monitoring // Journal of Electrocardiology. 2009. №
42. PP. 522-526.
40. Craig T. J., Wann L. S., Joseph S. A. et al. 2014 AHA/ACC/HRS Guideline
for the management of patients with atrial fibrillation: Executive summary: a Report of
the American College of Cardiology/American Heart Association Task Force on Practice
Guideline and the Heart Rhythm Society // Journal of the American College of Cardiology
2014. Vol. 64. №. 21. PP. 2246-2280.
41. Манило Л. А. Распознавание фибрилляции предсердий в
кардиологических системах диагностики и наблюдения // Биотехносфера. 2009. №
2. С. 41–45.
42. Макаров Л. М. Холтеровское мониторирование. 3-е изд. М.: Мед-
Практика-М, 2008. 456 с.
132
43. F. Castells, J.J. Rieta, J. Milet, and V. Zarzoso. Spatiotemporal blind source
separation approach to atrial activity estimation in atrial tachyarrythmias // IEEE Trans.
On Biomed. Eng. 2005. Vol. 52. №. 2. PP. 258-267.
44. J.J. Rieta, F. Castells et. al. Atrial Activity Extraction for Atrial Fibrillation
Analysis Using Blind Source Separation // IEEE Trans. on Biomed. Eng. 2004. Vol. 51.
№. 7. PP. 1176–1186.
45. J. Lee, B. A. Reyes, D. D. McManus, O. Mathias, and K. H.
Chon. Atrial fibrillation detection using an iPhone 4S // IEEE Transactions on Biomedical
Engineering, 60 (2013).
46. Пустозеров Е. А., Юлдашев З. М. Дистанционный мониторинг
состояния больных сахарным диабетом // Мед. Техника. 2014. № 2(284). С . 15-19.
47. Пустозеров Е. А., Юлдашев З. М. Система mHealth для
информационной поддержки больного сахарным диабетом // Биотехносфера. 2013.
№ 1(25). С. 39-44.
48. R. Alcaraza and J. J. Rietab. Nonlinear synchronization assessment between
atrial and ventricular activations series from the surface ECG in atrial fibrillation //
Biomedical Signal Processing and Control. 2013
49. C. C. Chang and C. J. Lin. Libsvm: A library for Support Vector Machines
// ACM Transactions on Intelligent Systems and Technology, 2 (2011), pp. 27:1-27:27.
50. Е.С. Мазур, В.В. Мазур. Фибрилляции предсердий. Учебное пособие
для студентов лечебного факультета. Тверь, 2014. 42 с.
51. Томпкинс У., Уэбстер Дж. Микрокомпьютерные медицинские
системы. Проектирование и применение: Пер. с англ. 1983. 544 с.
52. Кореневский Н.А., Попечителев Е.П. Узлы и элементы биотехнических
систем» учебник авторов. Учебное пособие. Старый Оскол: ТНТ, 2017. 448 с.
53. Немирко А.П., Манило Л.А., Калиниченко А.Н. «Математический
анализ биомедицинских сигналов и данных». – М.: ФИЗМАТЛИТ, 2017. — 248 с.
— ISBN 978-5-9221-1720-3.

133
54. Кореневский Н.А., Юлдашев З.М., Скопин Д.Е. Проектирование
биотехнических систем медицинского назначения. Учебное пособие. Старый
Оскол: ТНТ, 2017. 216 с.
55. A. Savitzky and M. J.E. Golay. Smoothing and differentiation of data by
simplified least squares procedures // Anal. Chem. Vol. 36. PP. 1627-1639. 1964.
56. Ronald W. Schafer. What is a Savitzky-Golay filter? // IEEE Signal
Processing Magazine. 2011. PP. 111-117.
57. Castells, Francisco, et al. Principal component analysis in ECG signal
processing // EURASIP Journal on Advances in Signal Processing 2007.1 (2007):
074580.
58. Kara, Sadik, and Mustafa Okandan. Atrial fibrillation classification with
artificial neural networks // Pattern Recognition 40.11 (2007): 2967-2973.
59. Yang, T-F., B. Devine, and P. W. Macfarlane. Artificial neural networks for
the diagnosis of atrial fibrillation // Medical and Biological Engineering and
Computing 32.6 (1994): 615-619.
60. Foo, Simon Y., et al. Neural network-based EKG pattern recognition //
Engineering Applications of Artificial Intelligence 15.3-4 (2002): 253-260.
61. Asgari, Shadnaz, Alireza Mehrnia, and Maryam Moussavi. Automatic
detection of atrial fibrillation using stationary wavelet transform and support vector
machine // Computers in biology and medicine 60 (2015): 132-142.
62. Mohebbi, Maryam, and Hassan Ghassemian. Detection of atrial fibrillation
episodes using SVM // Engineering in Medicine and Biology Society, 2008. EMBS 2008.
30th Annual International Conference of the IEEE. IEEE, 2008.
63. Кушаковский М.С. Фибрилляция и трепетание предсердий. Лечение
фармакологическими и электрофизизиологическими (нехиругическими) методами
// Вестник аритмологии. 1998. №7. С. 56-64.
64. Ардашев А.В., Желяков Е.Г. и др. Типичное трепетание предсердий:
классификация, клинические проявления, диагностика и лечение // Кардиология.
2010. №4. С. 57-65.

134
65. Xue, Shouhai, et al. An ECG arrhythmia classification and heart rate
variability analysis system based on android platform // Future Information and
Communication Technologies for Ubiquitous HealthCare (Ubi-HealthTech), 2015 2nd
International Symposium on. IEEE, 2015.
66. Sergey Kosarevsky, Viktor Latypov. Mastering Android NDK. Master the
skills you need to develop portable, highly-functional Android applications using NDK //
ISBN-10: 1785288334. 2015. 328.
67. Rincón, Francisco, et al. Automated real-time atrial fibrillation detection on
a wearable wireless sensor platform // Engineering in Medicine and Biology Society
(EMBC), 2012 Annual International Conference of the IEEE. IEEE, 2012.
68. Gradl, Stefan, et al. Real-time ECG monitoring and arrhythmia detection
using Android-based mobile devices // Engineering in Medicine and Biology Society
(EMBC), 2012 Annual International Conference of the IEEE. IEEE, 2012.
69. Яфаров, Александр Захарович. Система мониторинга нарушений
сердечной деятельности, обусловленных двигательной активностью: автореферат
диссертации кандидата технических наук: 05.11.17 / Яфаров Александр Захарович;
[Место защиты: С.-Петерб. гос. электротехн. ун-т (ЛЭТИ)]. - Санкт-Петербург,
2017. - 18 с.
70. Physionet: The research resource for physiologic signals /
www.physionet.org (дата доступа: 26.05.2017).
71. Моторина С.В., Калиниченко А.Н. Алгоритм выявления мерцательной
аритмии в реальном масштабе времени // Медицинская техника. 2016. № 3. С. 12-
15.
72. Couceiro R., Carvalho P., Henriques J. et al. Detection of Atrial Fibrillation
using model-based ECG analysis // 19th International Conference on Pattern Recognition.
2008. PP. 1-5.
73. Cerutti S., Mainardi L.T., Porta A. et al. Analysis of the dynamics of RR
interval series for the detection of atrial fibrillation episodes // Computers in Cardiology.
1997. № 24. PP. 77-80.

135
74. Bollmann, Andreas, et al. Analysis of surface electrocardiograms in atrial
fibrillation: techniques, research, and clinical applications // Europace 8.11 (2006): 911-
926.
75. Yi, Won-Jae, and Jafar Saniie. Patient Centered Real-Time Mobile Health
Monitoring System // E-Health Telecommunication Systems and Networks 5.04 (2016):
75.
76. Censi, Federica, et al. P-wave variability and atrial fibrillation // Scientific
reports 6 (2016): 26799.
77. Freedman, Ben, et al. Screening for atrial fibrillation: a report of the AF-
SCREEN international collaboration // Circulation 135.19 (2017): 1851-1867.
78. Hao, Weituo, Yu Chen, and Yi Xin. ECG baseline wander correction by
mean-median filter and discrete wavelet transform // Engineering in Medicine and
Biology Society, EMBC, 2011 Annual International Conference of the IEEE. IEEE, 2011.
79. Gholinezhadasnefestani, Shima, et al. QRST cancellation in ECG signals
during atrial fibrillation: Zero-padding versus time alignment // Signal Processing and
Communication Systems (ICSPCS), 2012 6th International Conference on. IEEE, 2012.
80. P. Trahanias and E. Skordalakis. Syntactic pattern recognition of the ECG //
IEEE Trans. Pattern Anal. Mach. Intell. 1990. Vol. 12. PP. 648-657.
81. O. Sayadi and M. B. Shamsollahi. A model-based Bayesian framework for
ECG beat segmentation // Physiol. Measur. 2009. Vol. 30.
82. Behar, Joachim, et al. ECG signal quality during arrhythmia and its
application to false alarm reduction // IEEE transactions on biomedical engineering 60.6
(2013): 1660-1666.
83. Henriksson, Mikael, et al. Model-based assessment of f-wave signal quality
in patients with atrial fibrillation // IEEE Transactions on Biomedical Engineering (2018).
84. Larburu, Nekane, T. Lopetegi, and I. Romero. Comparative study of
algorithms for atrial fibrillation detection // Computing in Cardiology, 2011. IEEE, 2011.
85. Первова Е.В. Современные методы амбулаторного мониторирования
электрокардиограммы. Технические аспекты // Клиницист 11.4-1 (2017).

136
86. Thong Tran, et al. Prediction of paroxysmal atrial fibrillation by analysis of
atrial premature complexes // IEEE Transactions on Biomedical Engineering 51.4 (2004):
561-569.
87. Система электрокардиографической диагностики критических
состояний в условиях свободной активности пациента: диссертация доктора
технических наук: 05.11.17 / Кривоногов Леонид Юрьевич; [Место защиты: Пенз.
гос. ун-т]. - Пенза, 2017. - 412 с.:
88. Е.С. Мазур, В.В. Мазур. Фибрилляция предсердий. Учебное
пособие для студентов лечебного факультета. Тверь 2014; 40 с.
89. Cooke, Georga, Jenny Doust, and Sharon Sanders. Is pulse palpation helpful
in detecting atrial fibrillation? A systematic review // The Journal of family practice 55.2
(2006): 130-134.
90. Lau, J., et al. Performance of an automated iPhone ECG algorithm to
diagnose atrial fibrillation in a community AF screening program (SEARCH-AF) //
Heart, Lung and Circulation 22 (2013): S205.
91. Kearley, Karen, et al. Triage tests for identifying atrial fibrillation in primary
care: a diagnostic accuracy study comparing single-lead ECG and modified BP monitors
// BMJ open 4.5 (2014): e004565.
92. Tieleman, R. G., et al. Validation and clinical use of a novel diagnostic
device for screening of atrial fibrillation // Europace16.9 (2014): 1291-1295.
93. Vaes, Bert, et al. The diagnostic accuracy of the MyDiagnostick to detect
atrial fibrillation in primary care // BMC family practice 15.1 (2014): 113.
94. Doliwa, Peter Sobocinski, Viveka Frykman, and Mårten Rosenqvist. Short-
term ECG for out of hospital detection of silent atrial fibrillation episodes // Scandinavian
Cardiovascular Journal 43.3 (2009): 163-168.
95. Marazzi, Giuseppe, et al. Comparison of Microlife BP A200 Plus and Omron
M6 blood pressure monitors to detect atrial fibrillation in hypertensive patients
// Advances in therapy 29.1 (2012): 64-70.
96. Wiesel, Joseph, Benjamin Arbesfeld, and David Schechter. Comparison of
the Microlife blood pressure monitor with the Omron blood pressure monitor for
137
detecting atrial fibrillation // The American journal of cardiology 114.7 (2014): 1046-
1048.
97. Lewis, Malcolm, et al. Screening for atrial fibrillation: sensitivity and
specificity of a new methodology // Br J Gen Pract 61.582 (2011): 38-39.
98. McManus, David D., et al. PULSE‐SMART: pulse‐based arrhythmia
discrimination using a novel smartphone application // Journal of cardiovascular
electrophysiology 27.1 (2016): 51-57.
99. Fitzmaurice, David A., et al. Screening versus routine practice in detection
of atrial fibrillation in patients aged 65 or over: cluster randomised controlled trial
// Bmj 335.7616 (2007): 383.
100. Hobbs, FD Richard, et al. European Primary Care Cardiovascular Society
(EPCCS) consensus guidance on stroke prevention in atrial fibrillation (SPAF) in primary
care // European journal of preventive cardiology 23.5 (2016): 460-473.
101. Willits, Iain, et al. WatchBP Home A for opportunistically detecting atrial
fibrillation during diagnosis and monitoring of hypertension: a NICE medical technology
guidance // Applied health economics and health policy 12.3 (2014): 255-265.
102. McManus, David D., et al. A novel application for the detection of an
irregular pulse using an iPhone 4S in patients with atrial fibrillation // Heart Rhythm 10.3
(2013): 315-319.
103. Rieta, J. J., et al. Atrial fibrillation, atrial flutter and normal sinus rhythm
discrimination by means of blind source separation and spectral parameters extraction //
Computers in Cardiology, 2002. PP. 25-28.
104. Jensen, Thomas J., et al. Impact of premature atrial contractions in atrial
fibrillation // Pacing and clinical electrophysiology 27.4 (2004): 447-452.

138