Piotr Augustyniak Optymalizacja wyboru reprezentacji zespołów skurczowych dla celów klasyfikacji zapisów holterowskich 1.

Podobne dokumenty
Automatyczna klasyfikacja zespołów QRS

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testy nieparametryczne

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie

Jak sprawdzić normalność rozkładu w teście dla prób zależnych?

Detekcja zespołów QRS w sygnale elektrokardiograficznym

Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym

Statystyka matematyczna dla leśników

LABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej

RÓWNOWAŻNOŚĆ METOD BADAWCZYCH

TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.

WNIOSKOWANIE STATYSTYCZNE

Wykorzystanie testu Levene a i testu Browna-Forsythe a w badaniach jednorodności wariancji

Zadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.

Porównanie wyników grupy w odniesieniu do norm Test t dla jednej próby

SIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY

Wydział Matematyki. Testy zgodności. Wykład 03

Statystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )

Analiza wariancji - ANOVA

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407

Projektowanie badań i interpretacja wyników okiem biostatystyka. Warszawa, 15 marca 2016, Anna Marcisz

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 6

Wykład 3 Hipotezy statystyczne

Testowanie hipotez statystycznych

WERYFIKACJA HIPOTEZ STATYSTYCZNYCH

Statystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski

Zadania ze statystyki cz.8. Zadanie 1.

Jednoczynnikowa analiza wariancji

1.ABSTRAKT REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA...5 DODATEK C. OPIS INFORMATYCZNY PROCEDUR... 7

Wprowadzenie do analizy korelacji i regresji

1. ABSTRAKT REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA DODATEK C: OPIS INFORMATYCZNY PROCEDUR...

Statystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28

Testowanie hipotez statystycznych

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas

Statystyka Matematyczna Anna Janicka

Analizy wariancji ANOVA (analysis of variance)

OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

Rozkład Gaussa i test χ2

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI

Wprowadzenie do analizy dyskryminacyjnej

Regresja logistyczna (LOGISTIC)

Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

VI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Założenia do analizy wariancji. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW

Wnioskowanie statystyczne Weryfikacja hipotez. Statystyka

Uwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości

Testy zgodności. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 11

Kierunek i poziom studiów: Biologia, poziom drugi Sylabus modułu: Metody statystyczne w naukach przyrodniczych

12/30/2018. Biostatystyka, 2018/2019 dla Fizyki Medycznej, studia magisterskie. Estymacja Testowanie hipotez

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Wykład 9 Testy rangowe w problemie dwóch prób

Rok akademicki: 2013/2014 Kod: JFM TO-s Punkty ECTS: 3. Kierunek: Fizyka Medyczna Specjalność: Techniki obrazowania i biometria

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1

Elektrokardiografia dla informatyka-praktyka / Piotr Augustyniak. Kraków, Spis treści Słowo wstępne 5

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1

Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA

STATYSTYKA I DOŚWIADCZALNICTWO. Wykład 2

Spis treści. Laboratorium III: Testy statystyczne. Inżynieria biomedyczna, I rok, semestr letni 2013/2014 Analiza danych pomiarowych

ODRĘBNA KOMPRESJA WYŻSZYCH OKTAW ELEKTROKARDIOGRAMU

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Kolokwium ze statystyki matematycznej

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI

Testowanie hipotez statystycznych.

Prawdopodobieństwo i rozkład normalny cd.

Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych

KARTA KURSU. Kod Punktacja ECTS* 1

Wykład 4: Wnioskowanie statystyczne. Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA

W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.

Statystyka i Analiza Danych

Badanie normalności rozkładu

P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H

Statystyka matematyczna. Wykład VI. Zesty zgodności

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

Rok akademicki: 2030/2031 Kod: JFM DE-s Punkty ECTS: 3. Kierunek: Fizyka Medyczna Specjalność: Dozymetria i elektronika w medycynie

KARTA PRZEDMIOTU. WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1. Brak

TESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.

Wykład 9 Wnioskowanie o średnich

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Zadania ze statystyki, cz.6

LABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI

Transkrypt:

cyfrowe przetwarzanie sygnałów automatyzacja diagnostyki medycznej elektroniczna aparatura medyczna Piotr Augustyniak Optymalizacja wyboru reprezentacji zespołów skurczowych dla celów klasyfikacji zapisów holterowskich Klasyfikacja reprezentacji zespołów QRS wydaje się być interesującą alternatywą dla klasyfikacji prowadzonej w oparciu o wycinki sygnałów. Redukcja informacji prowadzi do znacznego zmniejszenia zajętości pamięci i przyspieszenia obliczeń. Jednak prawidłowy wybór współczynników kształtu, tj. wielkości stanowiących reprezentacje zespołów QRS jest rzeczą trudną. W szczególności redukcja informacji musi przebiegać w sposób umożliwiający wyraźne rozróżnienie zespołów komorowych i nadkomorowych. Prezentowana praca dotyczy użycia metod statystycznych, a konkretnie testów parametrycznych t do wyboru tej reprezentacji zespołów QRS, która zapewnia rozróżnienie zespołów komorowych i nadkomorowych z najmniejszym prawdopodobieństwem popełnienia pomyłki. 1. WPROWADZENIE Jednym z założeń systemów 24 godzinnej diagnostyki elektrokardiograficznej (metodą Holtera) jest automatyczne wyodrębnianie i klasyfikacja elektrycznego obrazu skurczu komór (zespołów QRS). Z uwagi na znaczną ilość uderzeń serca w ciągu doby (standardowo: 80000 120000) zadanie to wykonywane jest przez maszynę cyfrową za pomocą programu analizującego, którego część zwana detektorem odpowiedzialna jest za identyfikację zespołów QRS, natomiast inna część klasyfikator dokonuje rozróżnienia typów morfologicznych uderzeń serca, co ma podstawowe znaczenie dla identyfikacji arytmii, a w konsekwencji decyduje o jakości otrzymanej diagnozy. Niezależnie od stosowanego algorytmu, przedmiotem klasyfikacji mogą być fragmenty sygnału EKG w obrębie zespołów QRS (po odpowiednim przygotowaniu: filtracji, odjęciu trendu i izolinii oraz normalizacji amplitudowej) [11], [13], [2], albo wyliczona na podstawie sygnału reprezentacja zespołu QRS [6], [9], [1]. Istotną zaletą metod wykorzystujących reprezentacje zespołów QRS jest mniejsza złożoność obliczeniowa wynikająca z faktu, że reprezentacja posiada zwykle znacznie mniejsze rozmiary (np. 2 bajty/zespół/kanał) niż wycinek sygnału w obrębie zespołu QRS (np. 10-12 bajtów/zespół/kanał). Jak widać, stosowanie reprezentacji zespołów QRS związane jest z redukcją informacji, co pociąga za sobą konieczność wyboru takich cech sygnału, które najlepiej reprezentują różnicę pomiędzy dwoma podstawowymi typami morfologicznymi skurczów serca: zespołami nadkomorowymi (SV) i zespołami komorowymi (VE). Dodatkowym kryterium przydatności konkretnej reprezentacji jest zazwyczaj złożoność obliczeniowa związana z jej uzyskaniem. Wyklucza to m. in. powszechnie stosowane w praktyce klinicznej kryterium czasu trwania zespołu QRS (przyjmuje się zespoły SV < 110 ms, a zespoły VE > 110 ms). Innym, bardziej użytecznym przykładem reprezentacji jest Katedra Automatyki AGH, al. Mickiewicza 30, PL-30-059 Kraków e_mail: august@biocyb.ia.agh.edu.pl

współczynnik kształtu wyliczony jako stosunek pola powierzchni do obwodu w obrębie zespołu QRS. Parametr taki, stosunkowo łatwy do wyliczenia zapewnia dość silne rozróżnienie zespołów SV i VE, mając jeszcze i tą zaletę, ze nie jest wymagana dokładna synchronizacja wyodrębnionych zespołów QRS. Otwarte jednak pozostaje pytanie czy wybór tak zdefiniowanej reprezentacji zespołu QRS jest optymalny. 2. MATERIAŁY I METODY Postawiony problem polega na wyborze spośród kilku zaproponowanych reprezentacji zespołów QRS tej, która gwarantuje najlepsze rozróżnienie dwu podstawowych typów morfologicznych skurczów serca: SV i VE. Jako metodę wskazania optymalnej reprezentacji proponujemy testy statystyczne istotności różnic poszczególnych reprezentacji dla zespołów SV i VE wskazanych uprzednio przez kardiologa. Reprezentacja wykazująca największą istotność różnicy zostanie uznana za optymalną. Do testów wykorzystano arytmiczną bazę danych EKG (MIT-BIH) zawierającą w katalogu podstawowym (Mitdb) 44 półgodzinne zapisy holterowskie wraz z diagnozą morfologii każdego skurczu. Podany w bazie typ morfologiczny (będący wypadkową ankiet 3...5 kardiologów z różnych ośrodków USA) stanowił zmienna grupującą w przygotowaniu danych pominięto wszystkie zespoły QRS o morfologii innej niż SV lub VE. Zmiennymi zależnymi były kolejne testowane reprezentacje zespołów QRS. Obróbkę statystyczną wykonano w środowisku STATISTICA 5.1. Program ten oferuje m. in. testy nieparametryczne Kołmogorowa-Smirnowa (Rys. 1), które zastosowano w pierwszej, wstępnej fazie analizy reprezentacji. Jako ze wszystkie testowane reprezentacje charakteryzowały się silnym rozdzielaniem zespołów SV i VE (p < 0.1%) stad w celu wyodrębnienia reprezentacji optymalnej zdecydowano o użyciu silniejszego testu parametrycznego t. Zastosowanie testu t wymagało jednak uprzedniej weryfikacji założenia o tym, że rozkłady wartości reprezentacji w każdej z dwóch podgrup SV i VE w każdej testowanej reprezentacji są rozkładami normalnymi. Dokonano tego za pomocą testu W Shapiro-Wilka przy poziomie istotności 5%. W żadnej z testowanych grup nie stwierdzono istotnej wartości statystyki W (Rys. 2), nie znaleziono także żadnych teoretycznych przesłanek dla innego niż normalny rozkładu wartości reprezentacji. Przed uruchomieniem testu t dokonano także testu jednorodności wariancji (test Levenea) w wyniku którego nie stwierdzono żadnych statystycznie istotnych (5%) niejednorodności (Rys. 3). Jest to nieco zaskakujący wniosek, powszechnie znany jest bowiem fakt, że różnorodność kształtów zespołów komorowych (VE) jest znacznie większa niż różnorodność kształtów zespołów nadkomorowych (SV). Znacznie większa różnorodność kształtów zespołów VE, a więc spodziewany większy rozrzut wartości reprezentacji w tej grupie oraz większa liczność grupy SV były powodami dla których wybrano wariant testu t z oddzielną oceną wariancji w obu podgrupach. Program STATISTICA wprowadza wtedy korekcję liczby stopni swobody dla zwiększenia dokładności oceny istotności statystycznej. Sformułowano i przetestowano 50 współczynników kształtu opisujących zespoły QRS [1], po analizie wstępnych rezultatów zdecydowano jednak, że jedynie trzy z nich warte są przedstawienia:

a) stosunek pola powierzchni do obwodu: h 10 1 = N N ( s() n ) 0 () n s( n 1) b) stosunek maksymalnej prędkości do maksymalnej amplitudy: 1 ( s ) h 5 max 2, N = 1000 max ( s() n + s( n 2) 2s( n 1) ) 2, N ( s() n ) min( s( n) ) 2, N c) ilość próbek, w których prędkość przekracza 40% prędkości maksymalnej: h k : ( s() k s( k 1) ) < 0.4 max s() n s( n 1) 10 = 1, N Wszystkie powyższe współczynniki kształtu (reprezentacje zespołów QRS) były obliczane na podstawie fragmentu sygnału rozpoczynającego się 8 próbek (63 ms) przed punktem detekcji, a kończącego się 12 próbek (94 ms) za punktem detekcji. Całkowita długość przedziału wynosiła ok. 157 ms (N = 20). Niedokładności położeń punktu detekcji w zakresie +/- 3 próbki (24 ms) nie wpływają w sposób istotny na wartość współczynników kształtu, co jest istotną zaletą proponowanego algorytmu [1]. Dzięki temu mogą być stosowane prostsze i szybsze algorytmy detekcji zespołów QRS. 3. REZULTATY Jak to zostało stwierdzone w fazie przygotowawczej za pomocą testu nieparametrycznego (Kołmogorowa-Smirnowa) wszystkie testowane reprezentacje cechują się silnym rozdzielaniem morfologii SV i VE. Należy jednak mieć na uwadze, że z punktu widzenia jakości diagnostyki holterowskiej istotną wada może być pominięcie już nawet tylko jednego (na 100000 w ciągu doby) zespołu komorowego (VE). W przypadku testów parametrycznych t program STATISTICA oprócz wartości statystyki t oblicza także dokładną wartość prawdopodobieństwa p (popełnienia błędu polegającego na odrzuceniu hipotezy o braku różnic obu testowanych grup). W celu wybrania optymalnej reprezentacji istotne jest więc nie tyle stwierdzenie, że wartość prawdopodobieństwa p nie przekracza pewnego założonego progu, ile znajomość dokładnej wartości tego prawdopodobieństwa. Optymalna reprezentacja zespołów QRS jest charakteryzowana przez minimalną wartość p. Jest to współczynnik kształtu opisujący fragment sygnału EKG w obrębie zespołu QRS w sposób pozwalający rozróżnić zespoły typu SV i VE z najmniejszym prawdopodobieństwem pomyłki (Rys. 4). Dla porównania na rys. 5 przedstawiono ramkowe wykresy rozrzutu wartości reprezentacji H1, H5 i H10 uzyskanych w kanale 1.

Rys. 1. Rezultaty testu Kołmogorowa-Smirnowa dla reprezentacji H1, H5 i H10. Wszystkie testowane reprezentacje wykazują znaczną zdolność separacji zespołów typu SV i VE. Jednocześnie wykazano, że nieparametryczny test K-S jest zbyt słabym testem do wyznaczenia reprezentacji optymalnej Rys. 2. Rezultaty testu W Shapiro-Wilka dla reprezentacji H1, H5 i H10. Wartości p nie uprawniają do odrzucenia hipotezy, że rozkład wartości reprezentacji jest rozkładem normalnym

Rys. 3. Rezultaty testu Levene'a dla reprezentacji H1, H5 i H10. Wartości p nie uprawniają do odrzucenia hipotezy o jednorodności wariancji Rys. 4. Rezultaty testu t z oddzielną oceną wariancji dla reprezentacji H1, H5 i H10. Wartości p nie uprawniają do odrzucenia hipotezy o istotnej różnicy obu testowanych grup. Jednocześnie, najmniejsza wartość p wskazuje na optymalną reprezentację zespołów QRS

Rys. 5. Wykresy ramkowe rozrzutu wartości reprezentacji H1, H5 i H10 uzyskanych w kanale 1. Pewną trudność interpretacji sprawia fakt zastosowania reprezentacji H1, H5 i H10 w obu kanałach rejestracji (baza MIT-BIH zawiera dwa współbieżne kanały EKG), przez co uzyskano różne wartości p, a w konsekwencji różne wskazania optymalnej reprezentacji. Wynika to z faktu, że elektryczna reprezentacja zjawiska skurczu komór serca jest zdeterminowana punktem przyłączenia elektrody, a poszczególne cechy morfologiczne sygnału wpływają w odmienny sposób na wartości poszczególnych reprezentacji. Z punktu widzenia elektrofizjologii jest to jeden z czynników uzasadniających wieloodprowadzeniową rejestracje elektrokardiogramu. Propozycja określenia optymalnej reprezentacji dla każdego kanału rejestracji osobno nie wydaje się jednak trafna, z uwagi na wpływ wielu czynników interpersonalnych (np. odmienne ułożenie mięśnia serca u różnych pacjentów), a także stosowanie różnych standardów odprowadzeń rejestrujących. Wobec faktu, że współczynnik kształtu (reprezentacja) H1 wykazuje niewielkie prawdopodobieństwo p oznaczające najmniejsze ryzyko błędnej klasyfikacji zespołów SV i VE zarówno w kanale 1 jak i 2 (rys. 4) został uznany za optymalną reprezentację zespołów QRS. 4. DYSKUSJA Powyższe rozważania przedstawiają narzędzie statystyczne służące do wyboru optymalnej reprezentacji zespołów QRS. Należy mieć na uwadze, że zbiór algorytmów pozyskiwania reprezentacji jest zbiorem otwartym i jest uzupełniany kolejnymi propozycjami współczynników kształtu w miarę postępu prac badawczych. O wyborze konkretnego algorytmu decyduje oprócz jego skuteczności także szereg innych czynników (np. złożoność obliczeniowa w konkretnej implementacji) nie będących tematem niniejszego opracowania. Kolejną kwestią jest rozpatrzenie możliwości jednoczesnego użycia kilku (niezależnych) reprezentacji w celu poprawy separacji grup SV i VE, a także wyodrębnienia innych typów morfologicznych skurczów serca (analiza wielowymiarowa). Oczywiste wydaje się, że dodanie kolejnego niezależnego kryterium poprawi parametry klasyfikacji, odbędzie się to jednak kosztem głównej zalety klasyfikacji parametrycznej jaką jest redukcja informacji i wynikająca z niej mniejsza złożoność obliczeniowa, a więc mniejsze wymagania sprzętowe

programu analizy holterowskiej. W przypadku analizy wielowymiarowej problem optymalnego wyboru reprezentacji pozostaje aktualny. 5. PODSUMOWANIE Do wyboru optymalnej reprezentacji zespołów QRS zastosowano powszechnie znane narzędzie (testy parametryczne), choć może w niecodziennym kontekście. Służy ono do oceny wyników eksperymentu numerycznego polegającego na zastosowaniu różnych metod przetwarzania znanego zbioru sygnałów testowych. Mimo wysiłków autora nie udało się dotąd znaleźć lepszego kryterium uzasadniającego wybór optymalnej reprezentacji zespołów QRS LITERATURA [1]. Augustyniak P. The Use Of Shape Factors For Heart Beats Classification In Holter Recordings. Computers in Medicine Zakopane 2-4.05.97 [2]. Van Bemmel J.H. Recognition of electrocardiographic patterns. In: Handbook of statistics. P. R. Krishnaiah and L.N. Kanal Eds. Amsterdam North Holland 1982 vol. 2, p. 501-526. [3]. Bortolan G. Degani R. Pedrycz W. A fuzzy pattern matching technique for diagnostic ECG classification. In Computers in Cardiology K.L. Ripley Ed. Long Beach Calif. IEEE Computer Society 1989. pp. 551-554. [4]. Haralick R. M. A measure of circularity of digital figures. IEEE Trans. on Systems Man and Cybernetics. SMC-4, 1974. [5]. Lin K. Chang W. QRS feature extraction using linear prediction. IEEE Trans. on Biomedical Engineering vol. 36 N 10, Oct. 1989, pp. 1050-1055. [6]. Malinowska K. Ocena stopnia rozwinięcia kształtu przekrojów poprzecznych włókien. Przegląd włókienniczy, nr 4 1975, [7]. Mikrut Z. Tadeusiewicz R. Automatyczna wizualna identyfikacja obiektów na zrobotyzowanych stanowiskach pracy. Zeszyty Naukowe AGH Elektrotechnika tom 9, zeszyt 3-4 1990. [8]. Moody G. Mark R MIT-BIH arrythmia database directory. Massachusetts Institute of Technology, Biomedical Engineering Center 1988. [9]. Sornmo L. Borjesson P. Nygards M. Pahlm O. A method for evaluation of QRS shape features using a mathematical model for the ECG. IEEE Trans. on Biomedical Engineering vol. BME-28, N10, Oct. 1981, pp. 713-717 [10]. Śluzek A. Zastosowanie metod momentowych do identyfikacji obiektów w cyfrowych systemach wizyjnych. Praca habilitacyjna, Instytut Automatyki Politechniki Warszawskiej, 1989. [11]. Talmon J. L. Pattern recognition of the ECG. A structured analysis. PhD Thesis Free University of Amsterdam Utrecht 1983. [12]. Trahanias P. Skordalatis E. Bottom up approach to the ECG pattern-recognition problem. Medical & Biological Engineering & Computing 27, May 1989, pp 221-229 [13]. Willems J. L. Lesaffre E. Comparison of multigroup logistic and linear discriminant ECG and VCG classification J. Electrocardiol. 1987 vol. 20, N2, p. 83-92 Abstract An Optimal Choice of QRS Complexes Representation for Classification in Holter Recordings The Classification of QRS Complexes Representation seems to be an interesting alternative for a standard correlation methods based on signals fragments. The reduction of information amount yields to significant decrease of memory usage and speeds up the whole processing. Although the correct choice of shape coefficients being representative for each QRS complex is not a straightforward task. Particurally the reduction of information should still preserve the ability of distinguishing of Ventricular (VE) and Supraventricular (SV) beats. This paper deals with statistical methods, namely the parametric t-test, used to look for a representation providing the highest reliability in distinguishing SV and VE complexes.