DE19517138A1 - Verfahren und System zur Erkennung der P-, T- und QRS-Komplexe in einem Holter-Elektrokardiogramm - Google Patents

Verfahren und System zur Erkennung der P-, T- und QRS-Komplexe in einem Holter-Elektrokardiogramm

Info

Publication number
DE19517138A1
DE19517138A1 DE19517138A DE19517138A DE19517138A1 DE 19517138 A1 DE19517138 A1 DE 19517138A1 DE 19517138 A DE19517138 A DE 19517138A DE 19517138 A DE19517138 A DE 19517138A DE 19517138 A1 DE19517138 A1 DE 19517138A1
Authority
DE
Germany
Prior art keywords
qrs
ecg
wave
segments
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE19517138A
Other languages
English (en)
Inventor
Manfred Dipl Phys Dr Joswig
Manfred Dipl Ing Traeger
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to DE19517138A priority Critical patent/DE19517138A1/de
Publication of DE19517138A1 publication Critical patent/DE19517138A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • A61B5/353Detecting P-waves
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355Detecting T-waves

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Description

Grundlagen des Verfahrens
Die klinisch routinemäßige Überwachung des Elektrokardiogramms (EKG) gefährdeter Inten­ sivpatienten ermöglicht die rechtzeitige Erkennung lebensbedrohlicher Arrhythmien.
Aufgrund systematischer Einflüsse besitzen EKG-Signale mannigfaltige, patienten-individuelle Erscheinungsformen. Aus der medizinischen Betrachtung des kardialen Erregungsbildungs- und Erregungsleitungssystems folgt, daß die atriellen und ventrikulären Herzaktionen auf zwei voneinander isolierten biologischen Prozessen beruhen. Zwischen diesen Prozessen besteht auf­ grund eines bidirektionalen Leitungsmechanismus eine im allgemeinen stationäre Erregungs­ kopplung, die im EKG-Signal durch eine zeitlich sequentielle Folge von P-Welle, QRS- Komplex und T-Welle gekennzeichnet ist. Eine pathologische Störung kann zu zeitlich unkoor­ dinierten Aktivitäten der Atrien und Ventrikel und damit im EKG-Signal zu additiven Über­ lagerungen komplexer Muster führen.
Die manuelle Erkennung der Bedeutung dieser Muster, d. h. die Bestimmung des semantischen Inhaltes, basiert sowohl auf der Analyse des Amplitudenverlaufes zugeordneter Signalab­ schnitte, als auch auf der Betrachtung der zeitlichen Aufeinanderfolge, der Syntax, der auf­ tretenden Muster innerhalb eines Zeitfensters.
Grundlage heutiger computerunterstützter Arrhythmie-Überwachungssysteme ist die Analyse der ventrikulären Herzaktionen, der QRS-Komplexe, die sich in der Regel durch einen markanten Amplitudenverlauf auszeichnen. Da QRS-Komplexe nur einen Teil der Herz­ aktionen repräsentieren, ist das Spektrum detektierbarer Arrhythmien in derartigen Systemen prinzipiell beschränkt. Durch eine zusätzliche Erfassung der atriellen Herzaktionen, der P- Wellen, läßt sich das Spektrum erweitern und die Zuverlässigkeit der Mustererkennungs­ systeme erhöhen. Dem steht aber entgegen, daß in Anwesenheit latenter Störsignale und ausgeprägter QRS-Komplexe die Detektion der schwach ausgeprägten P-Wellen sehr instabil ist. Die Komplexität der gemessenen Daten entzieht sich dabei bis heute jeder vollständigen Modellierung.
Mit dem hier vorgestellten Verfahren wird für die vollständige Verarbeitung des Elektrokardio­ gramms die P-Welle als Ausdruck eines eigenständigen Prozesses betrachtet, dabei erfolgt deren Detektion und Analyse in Bezug auf QRS-Komplexe und T-Wellen. Dafür wird das ursprüngliche EKG-Signal nach einer automatischen Adaption auf die aktuell vorliegende Erscheinungsform in eine neue Zeitreihe transformiert, indem der dominante QRS-Komplex im Sinne einer Reduktion eines additiven Störsignals aus dem EKG entfernt wird. Auf der neu entstandenen Zeitreihe erfolgt anschließend die Detektion der P-Wellen mit Hilfe der Hough- Transformation.
Die Adaption erfolgt akausal anhand aller in einem Zeitfenster auftretenden Wellenformen vor und nach dem aktuellen Signal. Es orientiert sich an einer bildhaften Wissensrepräsentation auf der Basis eines abstrahierten, als Bild interpretierten Signalverlaufes. Die bei der Rausch- Reduktion angewendeten Operationen sind nicht-linear, da innerhalb eines Zeitfensters die gefundenen EKG-Muster nur segmentweise subtrahiert werden.
Übersicht
Zur Orientierung ist in Abb. 1 das gesamte Verfahren im Überblick dargestellt. Im EKG-Signal (a) werden zunächst alle potentiellen ventrikulären Bestandteile segmentiert (b) und die wiederholt auftretenden Elemente als dominante Muster klassifiziert (c). Nach der Trans­ formation des EKG-Signals durch Reduktion der zuvor erkannten ventrikulären Wellenformen (d, e & f & g) erfolgt die Detektion der P-Wellen auf der veränderten Zeitreihe (h). Ab­ schließend wird durch eine Klassifikation die Dominanz des segmentierten P-Wellen-Musters festgestellt (i). Durch eine syntaktische Überprüfung der medizinisch normalen sequentiellen Folge einzelner EKG-Segmente werden schließlich normale Herzzyklen erkannt und die zu­ nächst nur auf der Dominanz der Muster basierende Reduktion des EKG-Signals verifiziert (j). Die Analyse beschränkt sich auf ein mitlaufendes kurzes Zeitfenster (ca. 5 sec), wodurch eine schnelle Adaption an Signalveränderungen im EKG erreicht wird.
Segmentierung der EKG-Bestandteile
Die Kriterien für die Segmentierung der einzelnen EKG-Bestandteile werden entsprechend der nicht-deterministischen Eigenschaften des EKG-Signals heuristisch, anhand einer Untersu­ chung von Expertenwissen, festgelegt. Aus dieser Analyse resultiert, daß der typische normale Herzzyklus in Abb. 2 eine Abstraktion des tatsächlichen Signalverlaufes darstellt und augenscheinlich diejenigen signifikanten Attribute enthält, die bei der manuellen Segmentierung des EKG′s herangezogen werden. Das hier zugrundegelegte Modell einer bildhaften Wissens­ repräsentation für die manuelle Adaption auf das aktuelle EKG-Signal basiert sowohl auf dieser Abstraktion, als auch dem Wissen über die biologischen Prozesse innerhalb des Er­ regungsbildungs- und Leitungssystems.
Verarbeitung des QRS-Komplexes
Die Detektion der QRS-Komplexe erfolgt in Anlehnung an die aus Literatur und Technik bekannten Verfahren, basierend auf der Bestimmung von Extrema und Signalflanken minimaler Betrags-Steigung innerhalb des betrachteten Zeitfensters.
Überlagerung, Klassifikation und Reduktion
Die Klassifikation der einzelnen EKG-Segmente beruht auf der Berechnung der jeweiligen dominanten Musterklassen und der Ermittlung der Klassenzugehörigkeit der einzelnen Seg­ mente. Um den Einfluß möglicher Artefakte zu reduzieren, werden die Klassenvertreter der einzelnen Musterklassen mit einer nicht-linearen Median-Operation bestimmt. Durch eine vor­ herige Überlagerung der Muster in einer Bildebene wird sowohl die nötige Invarianz der Lage, als auch die für die Median-Operation notwendige Ordnungsrelation der zweidimensionalen Muster erzeugt (Abb. 3).
Für die Überlagerung wird zunächst aus den segmentierten Signalabschnitten ein Bezugssegment mit einer mittleren zeitlichen Ausdehnung bestimmt. Anschließend werden die relativen Verschiebungen ΔnRi und ΔyRi der übrigen Segmente jeweils durch das Maximum der normierten Kreuzkorrelationsfunktion ϕRi (Δn) mit
max{ϕRi(Δn)} ϕRi = (ΔnRi) (G1)
und
sowie dem Minimum des mittleren quadratischen Fehlers
mit
berechnet. Nach der Überlagerung werden aus den Abtastwerten Si(n) der Segmente spalten­ weise neue Zeitreihen
Zn(k) = {S₁(k), S₂(k), . . . , S₁(k)|nmin n nmax} (G5)
gebildet und der Medianwert jeder Zeitreihe ermittelt. Abschließend wird das Segment als Klassenvertreter bestimmt, dessen Abtastwerte, bezogen auf die mittlere zeitliche Ausdehnung, am häufigsten die Medianwerte der Zeitreihen liefert. Dieser entspricht also nicht einem aus den Medianwerten neu erzeugten Muster, sondern dem Segment Si, das die Erscheinungsform der dominanten Musterklasse insgesamt am besten abbildet.
Nach der Lagenormierung und der Ermittlung des Klassenvertreters werden die einzelnen Segmente dann als dominant klassifiziert, wenn sie innerhalb einer Einhüllenden des Klassenvertreters liegen. Für die nun folgende Reduktion der ursprünglichen Zeitreihe wird zunächst mit einer weiteren Median-Operation ein Mittelwert der SM(n) dominanten Musterklasse gebildet. Anschließend werden in der Bildebene die Differenzen ΔSi(n) zwischen den zur dominanten Musterklasse gehörenden Segmenten und dem Mittelwert der Klasse gebildet. Im EKG werden daraufhin die Signalabschnitte, die den dominanten Segmenten entsprechen, durch das jeweilige Differenzsignal ersetzt:
Si(n) → ΔSi(n) = (Si(n - ΔnRi) + ΔyRi) - (M(n - ΔnRM) (G6)
Verarbeitung der T-Welle
Da die T-Welle als Ausdruck der Erregungsrückbildung der Ventrikel dem QRS-Komplex unmittelbar folgen muß, ist deren Lage im EKG mit der Erkennung des QRS-Komplexes bereits festgelegt. Ein empirisch ermittelter Schätzwert tT für die zeitliche Ausdehnung der T- Welle, mit dessen Hilfe eine ausreichend genaue Segmentierung möglich ist, ergibt sich aus
mit mittlerer zeitlicher Abstand zweier detektierter QRS-Komplexe, tQ mittlere Zeit­ dauer eines QRS-Komplexes.
Verarbeitung der P-Welle
Die signifikante morphologische Eigenschaft der P-Welle liegt in ihrem parabelförmigen Signalverlauf, der in der zeitlichen Ausdehnung beiderseits durch einen Stetigen Übergang in einen konstanten Amplitudenverlauf gekennzeichnet ist. Das a priori-Wissen über die mittlere Amplitude und Zeitdauer der P-Welle erlaubt entsprechend der grundlegenden Eigenschaft des EKG′s nur eine ungenaue Generierung eines Standard-Musters.
Aus diesem Grund basiert das Segmentierungsverfahren auf der Hough-Transformation, bei der die P-Welle innerhalb eines mitgeführten Koordinatensystems durch die Summe p(m) einer parametrisierbaren Normalparabel und einer Rauschfunktion r(m) approximiert wird (Abb. 4):
p(m) = a m² + r(m), m∈[m₀ - τ, m₀ + τ] (G8).
Die einzelnen Abtastwerte p(m) des Elektrokardiogramms formen die Punkte der in einer Bildebene gelegenen Kontur P und werden durch die Hough-Transformation auf der diskretisierten Hough-Geraden wiederum als Punkte abgebildet.
Bei einer idealen Struktur (r(m)≡0 ∈[m₀-τ,m₀+τ]) würde sich auf der Hough-Geraden ein einzelner Punkt a = a ergeben, durch dessen Lage der gesuchte Wert des Parameters bestimmt wird. Dieser Punkt wird aber durch die Abweichungen r von der idealen Struktur zu einem eindimensionalen Cluster verschmiert, dessen Schwerpunkt einen Schätzwert für den gesuchten Parameter bildet.
Weil kein a priori-Wissen über das Verhalten des Störsignals r vorliegt, können für das vorliegende Punktschätzungs-Problem bei der Ermittlung des gesuchten Parameters keine statistischen Fehlerkriterien sinnvoll angegeben werden. Da die Amplitude der Störfunktion bei der manuellen Segmentierung ortsabhängig bewertet wird, läßt sich im Original-Bildraum ein graphisches Gütekriterium, das Verhältnis der Flächen F₁/F₂=f(τ), definieren, mit dem gleichzeitig eine Adaption auf die Zeitdauer der P-Welle erreicht wird (Abb. 5). Von einem sinnvollen Startwert ausgehend, wird das betrachtete Intervall [-τ,τ] solange ausgedehnt, bis das Verhältnis der Flächen unterhalb eines heuristisch festgelegten Schwellwertes liegt oder die maximal mögliche Zeitdauer einer P-Welle zu weit überschritten wird.
Vorrichtung
Die Vorrichtung realisiert das oben beschriebene Verfahren in Echtzeit durch gleitende Analyse eines Zeitfensters von ca. 6 sec. Länge. Dadurch beträgt die maximale Verzögerung bis zur Verfügbarkeit der erkannten P-, QRS- und T-Segmente in einem nachfolgenden Arrhythmie- Überwachungssystem für die automatische Überwachung von Intensivpatienten ebenfalls ca. 6 sec.

Claims (5)

1. Verfahren zur Erkennung und Parametrisierung von P-, T- und QRS-Segmenten in einem Holter-Elektrokardiogramm, dadurch gekennzeichnet, daß die P-Welle als eigenständiger Erregungsprozeß unabhängig vom QRS-T-Komplex modelliert wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß eine EKG-Zeitreihe mit Hilfe einer nicht-linearen Transformation von dominierenden QRS-T-Komplexen befreit wird.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Klassifikation bildhafter Muster mit Hilfe einer nicht-linearen Median-Operation erfolgt.
4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Detektion der P-Welle mit Hilfe der Hough-Transformation erfolgt.
5. Vorrichtung zur Durchführung des Verfahrens nach einem der Ansprüche 1-4, dadurch gekennzeichnet, daß ein in Echtzeit durch gleitende Fensterung transformiertes EKG- Signal und erkannte, bzw. parametrisierte EKG-Segmente des ursprünglichen Signals für die nachfolgende Arrhythmie-Erkennung zur Verfügung gestellt werden.
DE19517138A 1995-05-10 1995-05-10 Verfahren und System zur Erkennung der P-, T- und QRS-Komplexe in einem Holter-Elektrokardiogramm Withdrawn DE19517138A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE19517138A DE19517138A1 (de) 1995-05-10 1995-05-10 Verfahren und System zur Erkennung der P-, T- und QRS-Komplexe in einem Holter-Elektrokardiogramm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE19517138A DE19517138A1 (de) 1995-05-10 1995-05-10 Verfahren und System zur Erkennung der P-, T- und QRS-Komplexe in einem Holter-Elektrokardiogramm

Publications (1)

Publication Number Publication Date
DE19517138A1 true DE19517138A1 (de) 1996-11-14

Family

ID=7761560

Family Applications (1)

Application Number Title Priority Date Filing Date
DE19517138A Withdrawn DE19517138A1 (de) 1995-05-10 1995-05-10 Verfahren und System zur Erkennung der P-, T- und QRS-Komplexe in einem Holter-Elektrokardiogramm

Country Status (1)

Country Link
DE (1) DE19517138A1 (de)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10048649A1 (de) * 2000-09-26 2002-04-11 Biotronik Mess & Therapieg Risikomontoring
ES2247943A1 (es) * 2004-08-27 2006-03-01 Gem-Med S.L. Metodo para el procesado de señales cardioelectricas y dispositivo correspondiente.
US7996073B2 (en) 2004-10-13 2011-08-09 International Business Machines Corporation System and method for interpreting electrocardiograms
CN106108889A (zh) * 2016-07-20 2016-11-16 杨平 基于深度学习算法的心电图分类方法
CN110916645A (zh) * 2019-12-10 2020-03-27 电子科技大学 一种结合小波变换和图像分割网络的qrs波识别方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10048649A1 (de) * 2000-09-26 2002-04-11 Biotronik Mess & Therapieg Risikomontoring
US6934577B2 (en) 2000-09-26 2005-08-23 Biotronik Mess- Und Therapiegeraete Gmbh & Co. Ingeieurbuero Berlin Risk monitoring
ES2247943A1 (es) * 2004-08-27 2006-03-01 Gem-Med S.L. Metodo para el procesado de señales cardioelectricas y dispositivo correspondiente.
US7996073B2 (en) 2004-10-13 2011-08-09 International Business Machines Corporation System and method for interpreting electrocardiograms
CN106108889A (zh) * 2016-07-20 2016-11-16 杨平 基于深度学习算法的心电图分类方法
CN106108889B (zh) * 2016-07-20 2019-11-08 杨一平 基于深度学习算法的心电图分类方法
CN110916645A (zh) * 2019-12-10 2020-03-27 电子科技大学 一种结合小波变换和图像分割网络的qrs波识别方法

Similar Documents

Publication Publication Date Title
DE69333935T2 (de) Verfahren zur Unterscheidung von Tachycardie oder frequenzadaptierende Reizung mit mehreren Sensoren
DE19902253B4 (de) Verfahren und System zur Charakterisierung der Qualität von Herzfunktionsanzeigesignalen
EP1904973B1 (de) Verfahren, vorrichtung und computerprogrammprodukt zum auswerten von bildern einer kavität
EP1802230B1 (de) Überwachung einer physiologischen aktivität mittels teilweiser zustandsraumrekonstruktion
EP3185215B1 (de) Automatisierte ermittlung von konturen auf basis einer iterativen rekonstruktion
DE2716739C3 (de) Verfahren zur Detektion von Signalen
Ghaffari et al. Segmentation of holter ECG waves via analysis of a discrete wavelet-derived multiple skewness–kurtosis based metric
EP0407647B1 (de) Einrichtung zur Bewertung ausgewählter Signalanteile in physiologischen Messsignalen, insbesondere von Spätpotentialen in Elektrokardiogrammen
DE19827697B4 (de) Verfahren und System zum Bestimmen der Qualität von Signalen, die die Herzfunktion anzeigen
DE60318804T2 (de) Vorrichtung zur Analyse eines Signales, insbesondere eines physiologischen Signals wie z.B. ein EKG-Signal
DE19638738B4 (de) Verfahren zur Gewinnung einer diagnostischen Aussage aus Signalen und Daten medizinischer Sensorsysteme
DE10311319A1 (de) Verfahren, System und Computerprodukt zur Planung eines Herzinterventionsverfahrens
DE10350438A1 (de) Verfahren und Einrichtung zur medizinischen Interventionsverfahrenplanung
DE10356879A1 (de) Bestimmung willkürlicher kardialer Phasen unter Verwendung nicht elektrischer Signale
Sumathi et al. A wavelet transform based feature extraction and classification of cardiac disorder
EP0582885A2 (de) Verfahren zur Klassifizierung von Feldmustern
DE3012554A1 (de) Verfahren zum kombinieren elektrisch sowie mechanisch gewonnener kardiographischer signale und vorrichtung zum durchfuehren des verfahrens
Gawande et al. Heart diseases classification using convolutional neural network
DE69630638T2 (de) Verfahren und Gerät zur Berichtigung von nicht-physiologischen Änderungen in EKG Signalen
Kaur et al. On the detection of cardiac arrhythmia with principal component analysis
DE102012104565A1 (de) Verfahren, Vorrichtung und Computerprogrammprodukt zur Überwachung physiologischer Signale
WO2010031830A1 (de) Verfahren, vorrichtung und computerprogrammprodukt zum darstellen verschiedener bilder einer kavität
EP0150352B1 (de) Verfahren zur Bestimmung des Anfangs- und Endpunktes von geschlossenen, physiologischen Messsignalen
Gaddam et al. Automatic classification of cardiac arrhythmias based on ECG signals using transferred deep learning convolution neural network
DE19517138A1 (de) Verfahren und System zur Erkennung der P-, T- und QRS-Komplexe in einem Holter-Elektrokardiogramm

Legal Events

Date Code Title Description
8139 Disposal/non-payment of the annual fee