Spis treści: 7. DODATEK A: OPIS INFORMATYCZNYCH PROCEDUR DODATEK B: SPIS ZAWARTOŚCI DOŁĄCZONEGO NOŚNIKA Wersja 1.0 Kraków, styczeń 2010.

Transkrypt

1 AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Wyznaczanie morfologii uderzeń serca. QRS_MORPH Spis treści: 1. ABSTRAKT WSTĘP REZULTATY WNIOSKI I PODSUMOWANIE LITERATURA ODNOŚNIKI DODATEK A: OPIS INFORMATYCZNYCH PROCEDUR DODATEK B: SPIS ZAWARTOŚCI DOŁĄCZONEGO NOŚNIKA... 9 Wykonali: Bartosz Beza, Piotr Figiel V rok Informatyka Stosowana konsultant: dr hab. inż. Piotr Augustyniak Wersja 1.0 Kraków, styczeń

2 1. Abstrakt Projekt QRS_MORPH jest modułem systemu automatycznej analizy elektrokardiogramów. Moduł ma za zadanie określanie źródła pobudzenia uderzenia serca na podstawie morfologii reprezentantów klas QRS. Moduł stworzono z użyciem środowiska Matlab. Do badania zagadnienia oraz testów użyto sygnałów z bazy MIT-BIH Arrhythmia Database[6]. Uzyskano zadowalające rezultaty w przypadku pacjentów z brakiem dużej ilości patologii skurczów serca co pokazuje, że użycie prostych metod detekcji jest uzasadnione i poprawne. Nie udało się połączyć w całość wszystkich modułów systemu. 2. Wstęp a) Cele i założenia projektu. Zadanie automatycznego określania morfologii wykrytych klas zespołów QRS jest jednym z ważniejszych zadań w elektrokardiografii. Określając morfologię zespołów QRS system jest w stanie określić pochodzenie tego zespołu przez stwierdzenie czy występują prawidłowe pobudzenia nadkomorowe czy nieprawidłowe komorowe oraz ich ilości. W przypadku komorowych rytmów zastępczych patologią objęty jest węzeł SA, w przypadku nadmiarowych komorowych rytmów, patologią objęty jest mechanizm zastępczych generatorów rytmu. Występowanie zespołów komorowych może być także wynikiem uszkodzenia przewodnictwa serca [1]. Realizacja projektu polega na zaimplementowaniu algorytmu określającego morfologię zespołów QRS - prawdopodobne źródło pobudzenia. Wynikiem ma być przyporządkowanie odpowiedniej klasie jednej z czterech cech jakościowych: zespół nadkomorowy SV (1) 1, zespół komorowy V(5), zespół inny nie możliwy do określenia (13), artefakt omyłkowo wykryty jako zespół QRS (0). b) Dyskusja dostępnych rozwiązań. Zadanie detekcji morfologii zespołów QRS wymaga określenia zestawu parametrów w pewnej N-wymiarowej przestrzeni, gdzie N to ilość tych parametrów [2]. Parametry powinny być dobrane w taki sposób aby maksymalnie rozróżniały przypadek zespołów komorowych od nadkomorowych. Powszechnie przyjętym kryterium podziału jest długość zespołu QRS gdzie przyjmuje się że zespoły krótsze niż 100 ms są nadkomorowe, natomiast dłuższe niż 130 ms są komorowe. Jako kolejny parametr można przyjąć maksymalną prędkość sygnału, gdzie dla zespołu SV będzie ona dużo większa niż dla V [1]. Innymi możliwymi do zastosowania parametrami mogą być funkcje amplitudy QRS, pola powierzchni pod krzywą analizowanego fragmentu, wyznaczenie środka 1 W nawiasach przedstawione zostały numery kodowe poszczególnych pobudzeń zgodne z konwencją i zapisami w bazie MIT-BIH -2-

3 ciężkości kształtu analizowanego zespołu, policzenie współczynnika kształtu, momentów centralnych przebiegu lub widma. W literaturze pojawiają się także próby wykorzystania transformacji Karhunena-Loeve'go w celu redukcji wektora cech do wektora o mniejszej liczbie nieskorelowanych elementów lub dekompozycja sygnału EKG z użyciem teorii falek. Posiadając wektor parametrów opisujących zespół QRS, musi on być porównany z pewnym wzorcowym sygnałem danego typu lub musi zostać poddany progowaniu, które jednoznacznie przydzieli sygnał do pewnej klasy. Porównania z wzorcem może następować w wyniku wyliczenia wzajemnej korelacji elementów lub na przykład w wyniku policzenia odległości pomiędzy wektorami reprezentującymi zespół QRS który rozpoznajemy a wzorcowym zespołem zapisanym w systemie. Połączeniem tych dwóch rozwiązań jest metoda wykorzystująca odległość Mahalanobisa. Metoda ta zwana także ważoną odległością euklidesową, uwzględnia przy porównywaniu dwóch wektorów, informacje zarówno o wariancjach składowych wektora cech ale także o ich wzajemnej korelacji. Wektor parametrów zespołu QRS można także rozważyć jako wektor wejściowy odpowiednio przygotowanej sieci neuronowej. c) Zarys ogólny proponowanego rozwiązania. Rozwiązania zastosowane w module QRS_MORPH musiały zachować kompatybilność z pozostałymi modułami systemu, czego konsekwencją była ograniczona możliwość dostępu do pełnego zakresu informacji o analizowanym sygnale EKG. W ramach projektu przebadano szereg parametrów możliwych do wyliczenia z dostępnych na etapie przetwarzania informacji. Parametry, które poddane zostały testom to między innymi: długość QRS, prędkość sygnału, moc sygnału, wartość skuteczna sygnału, wartość pola powierzchni pod krzywą QRS, centralne momenty od 1 do 4 stopnia (wraz z parametrami wykorzystującymi momenty jak współczynnik skośności czy kurtoza) zarówno dla przebiegu w dziedzinie czasu jak i policzone z widma sygnału. Ponadto przetestowano wyliczanie parametru obwodu i pola powierzchni trójkąta tworzonego przez wykryte punkty QRS oraz wzajemnego stosunku powyższych. Przeprowadzone próby i wyliczone statystki wskazały, że większość wyliczanych parametrów źle rozróżniała przyjęte rodzaje pobudzeń. Wybrano jedynie dwa parametry: długość QRS oraz kurtozę z przebiegu sygnału QRS będącą miara spłaszczenia rozkładu wartości cechy. Kurtoza dana jest wzorem: K = gdzie 4 to moment centralny czwartego rzędu a 4 to odchylenie standardowe. Próg dla długości zespołu QRS przyjęty został zgodnie z informacjami zaczerpniętymi z literatury, natomiast dla kurtozy przeprowadzono proces maksymalizacji ilości poprawnie wykrytych zespołów QRS w funkcji wartości progu. Przyjęto że komunikacja pomiędzy modułami będzie miała miejsce z wykorzystaniem pliku w formacie XML. Przyjęty format pliku pozwala na łatwe zapisanie posiadanych ilości informacji -3-

4 wraz z podziałem hierarchicznym dla poszczególnych parametrów. Co więcej pliki w formacie XML w łatwy sposób można przenosić między różnymi platformami co wymaga jedynie zapewnienia poprawności kodowania znaków całego pliku. Odczyt i zapis plików XML realizowany jest z wykorzystaniem gotowego toolboxa do programu Matlab[8]. 3. Rezultaty Przeprowadzono testy z wykorzystaniem zapisów bazy MIT-BH. Porównywano kody wykrytych przez moduł QRS_MORPH morfologii z zapisami w bazie. Tabela 1 przedstawia otrzymaną skuteczność rozwiązania. Warto zwrócić uwagę na bardzo słaby wynik rozpoznawania dla zapisu 107. Tabela 1. Wyniki testów modułu QRS_MORPH. Wyniki detekcji morfologii QRS były porównywane z zapisami w bazie Numer zapisu z bazy MIT-BH MIT-BIH. Skuteczność rozpoznania [%] Wnioski i podsumowanie Otrzymano dobre wyniki rozpoznawania średnio na poziomie około 70%. Wynik średni jest bardzo zaniżony z powodu rezultatów rozpoznania dla sygnału 108 z bazy MIT-BH. Sygnał ten sygnałem o specyficznej morfologii, zespoły komorowe przyjmują różne kształty z powodu bloku serca, stąd też przyjęty próg detekcji dla standardowego pobudzenia komorowego kompletnie nie zdaje egzaminu w tym przypadku. Co więcej baza rozróżnia więcej możliwości klasyfikacji. Oprócz podziału na zespoły komorowe (PVC) i pobudzenia nadkomorowe (Normal) baza wyróżnia także LBBB i RBBB czyli bloki prawej i lewej odnogi pęczka Hissa. W projekcie bloki zostały sprowadzone do klasyfikacji jako Normal. Z otrzymanych wyników wnioskować można, że istnieje możliwość bardzo prostego rozpoznawania i klasyfikacji zespołów QRS z użyciem prostych do policzenia parametrów. -4-

5 Większym problemem jest sam dobór progowania wybranych parametrów. Problem ten mógłby zostać rozwiązany przez użycie odpowiednio przygotowanej i nauczonej sieci neuronowej. Co więcej sieć neuronowa mogłaby zostać nauczona rozpoznawania przypadków nietypowych, w których schorzenia serca powodują powstanie bardzo nietypowych zespołów QRS lub nałożenie się wielu rodzajów pobudzeń na siebie. 5. Literatura [1] Piotr Augustyniak, Przetwarzanie sygnałów elektrodiagnostycznych, Uczelniane wydawnictwo Naukowo-Dydaktyczne, Kraków 2001 [2] S.H Rappaport, L. Gillick, G.B Moody, R. G. Mark, QRS Morphology Classification Quantitative Evaluation of Different Strategies, Computers in Cardiology 1982, [3] Philip de Chazal, Maria O Dwyer, and Richard B. Reilly, Automatic Classification of Heartbeats Using ECG Morphology and Heartbeat Interval Features, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 51, NO. 7, JULY 2004 [4]JCTB Moraes, MO Seixas, FN Vilani, EV Costa, A Real Time QRS Complex Classification Method using Mahalanobis Distance, Escola Politécnica da Universidade de São Paulo, São Paulo, SP, Brazil [5] F Chiarugi, D Emmanoulidou, I Tsamardinos, IG Tollis, Morphological Classification Using Similarity Features and a Two-Phase Decision Tree, University of Crete, Computer Science Department, Heraklion, Crete, Greece [6] IvayloIChristov, Real time electrocardiogram QRS detectionusing combined adaptive threshold, BioMedical Engineering OnLine, BioMedical Engineering OnLine 2004, 3:28 doi: / x Odnośniki [7] [8] -5-

6 7. DODATEK A: Opis informatycznych procedur morph_det.m Główna funkcja detekcyjna. Argumenty: ecg sygnał ekg sampling_frequency częstotliwość próbkowania q numer próbki załamka q badanego zespołu QRS s numer próbki załamka s badanego zespołu QRS Wyjście: morphology_code numer kodowy wykrytego rodzaju zespołu QRS, 1 Normal, 5 PVC, 13 Unknown, 0 NotQrs morph_det.m Skrypt wywołujący funkcję detekcyjną dla danych przesyłanych między modułami w pliku PSSDM_shared.xml Argumenty: - Wyjście: zapis w PSSDM_shared.xml wartości kodu morphology_code dla poszczególnych klas i uderzeń serca Zależności: wymagane: morph_det.m, dane z modułów (PSSDM_shared.xml ): QRS_DET, QRS_CLASS, -6-

7 QRS_WAVE readtestdata.m Funkcja ładująca dane za bazy MIT-BH oraz modułu QRS_DET Argumenty: record_id numer sygnału z bazy MIT-BH Wyjście: M sygnały EKG annot wektor anotacji annot_time wektor czasu wystąpienia anotacji Q wektor numerów kolejnych załamków q R wektor numerów kolejnych załamków r S wektor numerów kolejnych załamków s Dodatkowe informacje: funkcja została napisana w oparciu o skrypt Roberta Tratinga, poniżej komentarz z tego skryptu: % This programm reads ECG data which are saved in format 212. % (e.g., 100.dat from MIT-BIH-DB, cu01.dat from CU-DB,...) % The data are displayed in a figure together with the % annotations. % The annotations are saved in the vector ANNOT, the % corresponding times (in seconds) are saved in the vector % ATRTIME. % The annotations are saved as numbers, the meaning of the % numbers can be found in the codetable "ecgcodes.h" available % at % ANNOT only contains the most important information, which is % displayed with the program rdann (available on % in the 3rd row. % The 4th to 6th row are not saved in ANNOT. -7-

8 % created on Feb. 27, 2003 by % Robert Tratnig (Vorarlberg University of Applied % Sciences) % ( rtratnig@gmx.at), % % algorithm is based on a program written by % Klaus Rheinberger (University of Innsbruck) % ( klaus.rheinberger@uibk.ac.at) testy.m Skrypt testujący działanie wykrywania z pominięciem pliku PSSDM_shared.xml Argumenty: - Wyjście: Wypisanie w konsoli programu Matlab ilości poprawnie rozpoznanych zespołów QRS podane w procentach Zależności: wymagane pliki: readtestdata.m, morph_det.m -8-

9 8. DODATEK B: Spis zawartości dołączonego nośnika ADD dodatki qrs_det.zip zestaw przykładowych wyników działania modułu QRS_DET SRC pliki źródłowe projektu: morph_det.m skrypt z funkcją wykonującą detekcję morfologii QRS qrs_morpg.m skrypt uruchomieniowy wykonujący detekcję morfologii QRS z danych dostarczonych z innych modułów projektu za pomocą pliku PSSDM_shared.xml readtestdata.m funkcja odczytująca dane testowe z bazy MIT-BIH oraz projektu QRS_DET autorstwa Tomasza Kozery i Pawła Rębisza testy.m skrypt pozwalający wykonać detekcję QRS z danych z modułu QRS_DET bez użycia pliku PSSDM_shared.xml LIB biblioteki: XML_Toolbox.zip toolbox programu Matlab pozwalający na odczyt i zapis plików XML DOC dokumentacja oraz załączniki: raport-qrs_morph-beza-figiel.pdf PSSDM_struktury.doc opis struktur danych PSSDM_shared.XML przykładowy plik XML -9-