Автоматизированная система анализа и интерпретации электрокардиосигнала

Полный текст:


Аннотация

В статье рассматриваются алгоритмы выделения и классификации информативных признаков электрокардиосигнала. Исследован алгоритм Пана-Томпкинса, выполняющий предобработку и определение R -пика кардиосигнала. Задача достоверного определения информативных признаков ЭКГ, является наиболее актуальной в наше время. Решение данной проблемы позволит повысить точность автоматизированных систем анализа кардиосигналов. В качестве данных, подаваемых на вход классификатора, выступают параметры вариабельности сердечного ритма, найденные по Баевскому Р.М., а так же аппроксимирующие и детализирующие коэффициенты многоуровневого одномерного дискретного вейвлет -преобразования. Для классификации найденных информативных признаков используется метод опорных векторов (SVM). Представлена программная реализация вышеописанных алгоритмов, по результатам работы которой сделано заключение о ее работоспособности. DOI: 10.7463/rdopt.0116.0831932

Об авторах

Т. М. Волосатова
МГТУ им. Н.Э. Баумана
Россия


А. Ю. Спасёнов
МГТУ им. Н.Э. Баумана
Россия


А. О. Логунова
МГТУ им. Н.Э. Баумана
Россия


Список литературы

1. Дубровин В.И., Твердохлеб Ю.В., Харченко В.В. Автоматизированная система анализа и интерпретации ЭКГ // Радиоэлектроника, информатика, управление. 2014. № 1. С. 150 - 157. DOI : 10.15588/1607-3274-2014-1-22

2. Волосатова Т.М., Чичварин Н.В. Исследования гемодинамики человека с применением спектральных методов // Сборник научных трудов по материалам II Международной научно-практической конференции «Современные тенденции развития науки и технологий». Часть 2. Белгород, 31 мая 2015. С . 57-63.

3. Afseen Naaz, Mrs Shikha Singh. Feature Extraction and Analysis of ECG signal for Cardiac Abnormalities - A Review // International Journal of Engineering Research & Technology. 2014, vol.3, no.11, pp . 23 - 30 .

4. Иванько Е.О., Иванушкина Н.Г., Синекоп Ю.С. Многоуровневый анализ электрокардиограмм для выявления поздних потенциалов предсердий // Электроника и Связь. Тематический выпуск "Электроника и нанотехнологии». 2009. №2. С. 160-164.

5. Meyer O., Bischi B., Weihs C. Data Analysis, Machine Learning and Knowledge Discovery. Ch . “ Support Vector Machines on Large Data Sets: Simple Parallel Approaches”. 2013, pp.87-95. DOI: 10.1007/978-3-319-01595-8_10

6. Калиниченко А.Н. Оценка точности вычисления спектральных показателей вариабельности сердечного ритма // Информационно-управляющие системы. 2007. № 6. С . 41 - 48.

7. Романова Т.Н., Плаксина М.В. Применение вейвлет-преобразования для анализа спектрограмм, полученных на Оже-спектрометре // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. № 4. С .1-10. DOI: 77-30560/355664

8. Карпенко А.П., Панков М.К. Статистическое моделирование быстродействия программ // Наука и образование. МГТУ им . Н . Э . Баумана . Электрон . журн . 2014. №1. С . 188-213. DOI: 10.7463/0114.0679688

9. Pan J., Tompkins W. A real - time QRS detection algorithm // IEEE Transactions on biomedical engineering. 1985, vol.BME-32, no.3, pp.230-236. DOI: 10.1109/TBME.1985.325532

10. MedUniver [Электронный ресурс] // URL :http://meduniver.com/Medical/Therapy/118.html (дата обращения 29.12.15).

11. Polikar R . The Wavelet Tutorial [Электронный ресурс] // URL :http://person.hst.aau.dk/enk/ST8/wavelet_tutotial.pdf (дата обращения 29.12.15).


Дополнительные файлы

Для цитирования: Волосатова Т.М., Спасёнов А.Ю., Логунова А.О. Автоматизированная система анализа и интерпретации электрокардиосигнала. Радиостроение. 2016;(1):1-18.

For citation: Volosatova T.M., Spasenov A.I., Logunova A.O. Automated ECG Analysis and Interpretation System. Radio Engineering. 2016;(1):1-18. (In Russ.)

Просмотров: 145

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2587-926X (Online)