WO2022114987A1 - Hardware/software system for electrocardiographic measurements - Google Patents

Hardware/software system for electrocardiographic measurements Download PDF

Info

Publication number
WO2022114987A1
WO2022114987A1 PCT/RU2020/000672 RU2020000672W WO2022114987A1 WO 2022114987 A1 WO2022114987 A1 WO 2022114987A1 RU 2020000672 W RU2020000672 W RU 2020000672W WO 2022114987 A1 WO2022114987 A1 WO 2022114987A1
Authority
WO
WIPO (PCT)
Prior art keywords
ecg
microcontroller
data
recording
electrodes
Prior art date
Application number
PCT/RU2020/000672
Other languages
French (fr)
Russian (ru)
Inventor
Григорий Владимирович ОСИПОВ
Александр Викторович НИКОЛЬСКИЙ
Владимир Александрович ОСОКИН
Original Assignee
Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского"
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 Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского" filed Critical Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского"
Publication of WO2022114987A1 publication Critical patent/WO2022114987A1/en

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle

Definitions

  • the invention relates to medical diagnostic equipment, in particular to systems for screening the state of the human cardiovascular system in real time with automatic diagnosis of pathological changes on the electrocardiogram for early detection, prevention and diagnosis of diseases of the human cardiovascular system.
  • the position of R-peaks is localized by threshold detection at a level of 0.5, choosing the maximum of peaks from every five adjacent readings and determining the temporal location maximum, after that, atypical cardiocycles are removed, and then information is extracted related to the user's heartbeats.
  • the main disadvantage of this method is the diagnosis of only two leads.
  • the RITMER device has a number of disadvantages, in particular:
  • the time of continuous recording of the ECG signal is less than 15 hours; - the user does not have access to the native ECG signal in the mobile application, except for a short 5-minute segment of the electrocardiosignal, and sees only the already formed conclusion and recommendations;
  • Doctor Spyder see, for example: http://spyder-ecg.ni/#about), which is an online ECG recorder for long-term outpatient ECG monitoring and collecting complete information about the state of the heart the patient's vascular system.
  • the device allows you to timely detect rhythm and conduction disorders of the heart, for example, such as:
  • a wearable electronic device for obtaining electrocardiographic (ECG) measurements (RU197114U1), containing a case fixed on the user's wrist, in which are installed: a display that provides information display; a microcontroller that controls the electronic device;
  • ADC which converts the signals coming from the electrodes into a digital form
  • data storage means configured to store data
  • ECG ECG
  • a wireless communication module for transmitting data from the memory means to an external computing device
  • the first electrode combined with a capacitive button, providing activation of the ECG function and control of the device
  • the second and third electrodes located on the back side of the case and providing, together with the first electrode, ECG registration
  • battery connector for connecting external electrodes providing registration
  • the well-known prototype solution is a hardware-software complex that allows you to receive ECG sensor signals, process them and transfer them to remote (external) devices: a smartphone, tablet, or personal computer.
  • the device described in patent RU197114U1 has the following declared technical characteristics: “the bandwidth of the amplitude-frequency characteristics for both channels of analog interfaces (109)-(110) is 0.67-320Hz, with amplitude tolerances of 0.67Hz-1Hz +/-10 %, 1Hz -320Hz - +/-1%. Sampling frequency of the signal is 1000Hz.”. These features do not allow implement algorithms for diagnosing complex arrhythmias based on high-resolution ECG analysis.
  • the objective of the invention was to create a device (hardware-software complex) that makes it possible to implement the technology for analyzing high-resolution ECG data; to automatically detect predictors of sudden cardiac death, to detect late potentials of ventricular excitation, to increase the level of detection of pathological supraventricular rhythms up to 98.7% in automatic diagnostic mode without the participation of an expert doctor.
  • the task was to transfer a large amount of data in real time without loss or distortion of the original ECG signal (when transmitting long recordings (more than 24 hours) via wireless communication channels, connection breaks are possible and, as a result, loss of time to restore the connection and retransmit data ).
  • an intelligent electrocardiograph i.e. an automated system for decoding electrocardiogram (ECG) signals with a conclusion as close as possible to a medical one.
  • a hardware-software complex for electrocardiographic (ECG) measurements containing a housing fixed on the user, in which are installed: a microcontroller that controls the electronic device; an analog-to-digital converter that converts the signals coming from the electrodes into a digital form; a data storage means configured to store ECG data; a wireless communication module for transmitting data from the memory means to an external computing device; the first electrode, combined with a capacitive button, providing activation of the ECG function of the device; the second and third electrodes located on the back side of the case and providing, together with the first electrode, ECG registration; battery; connector for connecting external electrodes that provide ECG recording, in which the frequency band of amplitude-frequency characteristics for all channels of analog interfaces is 0-4000 Hz, with permissible amplitude deviations from 0 to 2000 Hz ⁇ 10%, signal sampling frequency 8000Hz.
  • ECG electrocardiographic
  • the microcontroller and the data storage means are configured to record, read and transmit ECG data in parallel streams with the priority of the recording process.
  • the microcontroller is also configured to implement direct diagnostic algorithms based on rules and decision trees.
  • the microcontroller is also configured to connect to diagnostic units that implement machine learning methods.
  • ADS1298IPAGR an integrated analog-to-digital converter ADS1298IPAGR, which, in addition to the converter module itself, also contains an analog amplifying part with the ability to flexibly adjust gain factors, a switching module (analogue addition and subtraction of signals) to obtain virtual potential points for taking unipolar electrocardiogram leads and source of accurate reference voltage.
  • ADS1298IPAGR an integrated analog-to-digital converter ADS1298IPAGR
  • STM32WB55C microcontroller which has an ARM CORTEX-M4 core, which allows to achieve low power consumption with high performance and an ISM (Industrial, Scientific, Medical) radio frequency transceiver built into the crystal, which allows digital communication using standard Bluetooth, ZigBee, Thread. Reduction of noise in combination with an increase in the spectrum of the processed signal gives more accurate results in many methods of automatic examination of electrocardiograms.
  • ECG VR ECG electrocardiography
  • Enhanced electrocardiography requires registration of ECG signals with a sensitivity of 50...100 mm/mV. Such amplification is required to detect low-amplitude ECG elements. This can provide additional information about the electrical activity of the myocardium and develop new diagnostic criteria that contribute to a more accurate interpretation of ECG changes.
  • the frequency bandwidth can be adjusted, including expanding towards lower frequencies to 0 (with manual compensation of differential infra-low frequency interference) and towards higher frequencies up to 2000 Hz;
  • High-resolution ECG data analysis technology allows you to automatically identify predictors of sudden cardiac death, detect late potentials of ventricular excitation, and increase the level of detection of pathological supraventricular rhythms up to 98.7% in automatic diagnostic mode, as well as to predict the risk of developing paroxysms of supraventricular arrhythmias.
  • microfoci of necrosis and fibrosis that occur in the heart muscle against the background of repeated exacerbations of long-term coronary artery disease can be a pathogenetic substrate for the appearance of PCa.
  • Such conditions lead to a delay and fragmentation of electrical signals, a slowdown in the spread of depolarization, and the appearance of late or trace ventricular activity.
  • the presence of zones of delayed ventricular depolarization contributes to the occurrence of the “re-entry” phenomenon, which is the main cause of malignant ventricular arrhythmias.
  • PVC can be considered as a non-invasive marker of arrhythmogenesis.
  • Spectral analysis of cardiosignals - Fourier transform with decomposition of the ECG signal into composite sinusoids with different frequencies and amplitudes which makes it possible to estimate the power spectral density of the components of the cardiosignal, high-frequency components characteristic of the LPG.
  • the detection of the high-frequency content of the spectrum indicates the existence of conditions for the fragmentation of the electrical activity of the ventricles and the development of arrhythmias.
  • the method of spectral analysis of the LBP is a wavelet transform for compiling a frequency-time signal map, which allows for a large number of cardiocycles to receive registration of the LPT and analyze it.
  • the method involves an accurate study of oscillatory processes of various periodicities, provides a sweep of the signal under study, while the frequency and coordinate are considered as independent variables.
  • PVC ventricular tachycardias
  • PVC can be used as a diagnostic criterion for arrhythmogenic right ventricular cardiomyopathy.
  • the problem of transmitting an array of data in real time without loss is solved as follows. Data is first written to a data storage medium (non-volatile memory). If it is necessary to simultaneously write and read data, for example, when conducting a study, including data recorded an arbitrary time ago, writing and reading are performed in parallel streams with priority from the writing process.
  • a data storage medium non-volatile memory
  • Data during recording are structured as separate files containing short intervals, which allows you to read an arbitrary moment of the recorded ECG with high access speed. Recording is carried out in single intervals in the amount of a multiple of the page size of non-volatile memory.
  • non-volatile memory chips of large volumes allow recording only in large blocks and with additional writing to an already partially written page, it is necessary to read the previously written data into the RAM, supplement them with new data, and erase the page (erasing requires time and energy costs).
  • a high sampling depth of the ECG signal - 24 bits - it is required to store and transmit large amounts of information.
  • the problem is solved by calculating the maximum rate of change of the signal (the first derivative of the function with respect to time) and restoring the signal by calculating the antiderivative function with respect to time.
  • the absolute value of the signal in this case can be neglected because it is not involved in any diagnostic algorithm.
  • FIG. Figure 2 shows an algorithm that does not require the summation of long data series, using a single Summ register to sequentially restore signal data. Not requiring memorization and calculation of the sum of all previous data.
  • This algorithm makes it possible to reduce the coding bit depth of each signal sample from 24 bits (range -2147483648 ... 2147483647, corresponding to the size of a machine word of the "long" type) to 10-12 bits (range -2048 ... 2047), which reduces the amount of recorded and transmitted data by a factor of 2.6, by "packing" or register shifting data over standard memory cells (Fig. 3).
  • This algorithm is easily implemented on microcontrollers with RISC a computing core (with a reduced set of instructions for the arithmetic logic unit), in which all the above operations are performed in one machine cycle and do not require the execution of lengthy algorithmic procedures, which makes it possible to realize high energy efficiency and long-term autonomous performance. It also allows you to store and transmit data with high time sampling (up to 8000 Hz).
  • FIG. 4 shows an example decision tree for determining if the rhythm is sinus.
  • FIG. 5 shows an example decision tree for defining sinus tachycardia and bradycardia.
  • FIG. 6 shows an example decision tree for determining the deviation of the electrical axis of the heart.
  • the second stage is machine learning methods, including training and testing of software on large arrays of the ECG database and on structured medical reports.
  • Machine learning methods were used - algorithms that are automatically built on a large sample of "labeled data", i.e. ECG database with known findings. At the same time, in the methods of machine learning, the algorithm for making a diagnosis (the decisive function) was not laid down explicitly. The model was "adjusted” according to the data of the training sample - a set of characteristics and attributes of the patient's ECG with a known conclusion. A basic version of the "Diagnostics" ECG analysis program was developed, which allows further training.
  • the database "Cardiobase” was created, including 36652 records of a standard 12-lead resting ECG in digital EDF format. ECGs were obtained from adult patients aged 17 - 80 years. ECG recordings were independently reviewed by expert physicians (cardiologists and functional diagnostics physicians) with the formation of a structured medical opinion.
  • KPT key point detection method
  • the algorithm for applying the DCT method included the following steps:
  • the program for automatic ECG analysis was trained using machine learning methods on features obtained using VCT (see Fig. 8 (Initial ECG (12 leads) of patient U., 69 years old) and Fig. 9 (ECG with segmentation of patient U., 69 years old) years)).
  • PhysioNetPTBDB https://www.physionet.org/physiobank/database/ptbdb
  • PhysioNetCompetition 2017 https://physionet.org/challenge/2017.
  • a technical result is achieved, which consists in the implementation of automatic pre-medical nosological post-syndromic high-precision diagnosis of pathological ECG abnormalities of various durations.

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)

Abstract

The invention relates to medical diagnostic equipment, and more particularly to systems for screening the state of a person's cardiovascular system in real time with automatic diagnosis of abnormalities on an electrocardiogram (ECG) for the early detection, warning and diagnosis of cardiovascular diseases. A hardware/software system comprises a housing that is attachable to a user and contains: a microcontroller, an analog-to-digital converter, a data storage means, a wireless communication module, electrodes, a storage battery, and a socket for the connection of external electrodes for recording an ECG. The frequency band of the amplitude/frequency characteristics for all of the channels of the analog interfaces is 0-4000 Hz with a permissible amplitude variation of from 0 to 2000 Hz±10% and a sampling frequency of 8000 Hz. The microcontroller and the data storage means are configured for recording, reading and transmitting ECG data in parallel streams with priority for the process of recording. The microcontroller implements diagnostic algorithms based on rules and decision trees, and connects to diagnostic units that implement machine-learning methods. The invention provides highly accurate, automatic, pre-clinical, nosological, syndromic diagnosis of abnormalities on ECGs of varying duration.

Description

НАЗВАНИЕ ИЗОБРЕТЕНИЯ: АППАРАТНО-ПРОГРАММНЫЙ КОМПЛЕКС ЭЛЕКТРОКАРДИОГРАФИЧЕСКИХ ИЗМЕРЕНИЙ NAME OF THE INVENTION: HARDWARE AND SOFTWARE COMPLEX FOR ELECTROCARDIOGRAPHIC MEASUREMENTS
ОБЛАСТЬ ТЕХНИКИ FIELD OF TECHNOLOGY
Изобретение относится к медицинскому диагностическому оборудованию, в частности к системам скрининга состояния сердечно-сосудистой системы человека в режиме реального времени с автоматической диагностикой патологических изменений на электрокардиограмме для раннего выявления, предупреждения и диагностики заболеваний сердечно-сосудистой системы человека. The invention relates to medical diagnostic equipment, in particular to systems for screening the state of the human cardiovascular system in real time with automatic diagnosis of pathological changes on the electrocardiogram for early detection, prevention and diagnosis of diseases of the human cardiovascular system.
ПРЕДШЕСТВУЮЩИЙ УРОВЕНЬ ТЕХНИКИ Известен способ предварительной обработки электрокардиосигнала для персональных носимых кардиомониторов (RU2624809C1), заключающийся в том, что с датчиков ЭКГ снимают электрокардиосигналы, усиливают их, проводят первичную аналоговую обработку, характеризующийся тем, что аналоговый сигнал дискретизируют по амплитуде и по времени для перевода в цифровой сигнал, корректируют дрейф изолинии путем определения скользящего среднего на прямоугольном временном окне длительностью Ni в 30 дискретных отсчетов с последующим его вычитанием из входного сигнала, затем проводят адаптивную нормализацию сигналов R-пиков, для чего на каждом шаге дискретизации определяют скользящий максимум Amax(i) на прямоугольном окне N2 в 300 дискретных отсчетов и умножают значения каждого текущего отсчета окна N2 на коэффициент Gi=l/Amax(i), далее устраняют шумовые и высокочастотные наводки путем оценки для каждого текущего отсчета i разности ASi между площадью сигналов Быз В рамках скользящего прямоугольного окна N3 в 15 дискретных отсчетов симметрично по семь отсчетов вправо и влево относительно текущего отсчета и ее средним значением SNI ср. на скользящем окне Ni, при этом, если разность ASi составляет величину более двух, оставляют исходную форму сигнала, а менее двух - заменяют на среднее значение сигнала в скользящем окне Ni, затем осуществляют локализацию положения R-пиков пороговым детектированием по уровню 0,5, выбором максимума пиков из каждых пяти рядом расположенных отсчетов и определением временного расположения максимума, после этого удаляют нетипичные кардиоциклы и далее проводят извлечение информации, относящейся к сердечным сокращениям пользователя. BACKGROUND OF THE INVENTION There is a known method for pre-processing an electrocardiosignal for personal wearable heart monitors (RU2624809C1), which consists in the fact that electrocardiosignals are taken from ECG sensors, amplify them, and perform primary analog processing, characterized in that the analog signal is sampled in amplitude and in time for conversion to digital signal, the drift of the isoline is corrected by determining the moving average over a rectangular time window with a duration Ni of 30 discrete samples and then subtracting it from the input signal, then adaptive normalization of the R-peak signals is carried out, for which the moving maximum Amax(i) is determined at each sampling step on a rectangular window N 2 of 300 discrete samples and multiply the values of each current window sample N2 by the coefficient Gi=l/A m ax(i), then noise and high-frequency pickups are eliminated by estimating for each current sample i the difference ASi between the area of the signals Byz B sk sliding rectangular window N 3 of 15 discrete samples symmetrically seven samples to the right and left relative to the current sample and its average value SNI cf. on the sliding window Ni, while if the difference ASi is more than two, the original signal shape is left, and less than two is replaced by the average value of the signal in the sliding window Ni, then the position of R-peaks is localized by threshold detection at a level of 0.5, choosing the maximum of peaks from every five adjacent readings and determining the temporal location maximum, after that, atypical cardiocycles are removed, and then information is extracted related to the user's heartbeats.
Основным недостатком известного способа является диагностика только по двум отведениям. The main disadvantage of this method is the diagnosis of only two leads.
Известен переносной прибор «РИТМЕР» (https://ritmer.ru), позволяющий, в том числе, анализировать сердечную активность и определять случаи нестандартной активности сердца (в том числе бессимптомной). Known portable device "RITMER" (https://ritmer.ru), which allows, among other things, to analyze cardiac activity and determine cases of non-standard heart activity (including asymptomatic).
Прибор «РИТМЕР» имеет ряд недостатков, в частности: The RITMER device has a number of disadvantages, in particular:
-количество распознаваемых патологий ограничено, что связано с диагностикой только по одному-трём отведениям ЭКГ (например, ограничена оценка ишемии миокарда) - the number of recognizable pathologies is limited, which is associated with the diagnosis of only one to three ECG leads (for example, the assessment of myocardial ischemia is limited)
-время непрерывной записи сигнала ЭКГ менее 15 часов; -пользователь не имеет доступа к нативному сигналу ЭКГ в мобильном приложении, кроме короткого 5 минутного отрезка электрокардиосигнала, а видит только уже сформированное заключение и рекомендации; - the time of continuous recording of the ECG signal is less than 15 hours; - the user does not have access to the native ECG signal in the mobile application, except for a short 5-minute segment of the electrocardiosignal, and sees only the already formed conclusion and recommendations;
-нет варианта передачи данных с мобильного кардиорегистратора на базовую микрокомпьютерную станцию вместо смартфона.- there is no option to transfer data from a mobile cardio recorder to a base microcomputer station instead of a smartphone.
Известен прибор «Доктор «Спайдер» («Doctor Spyder», см., например: http://spyder-ecg.ni/#about), представляющий собой онлайн регистратор ЭКГ для длительного амбулаторного ЭКГ мониторирования и сбора полноценной информации о состоянии сердечно-сосудистой системы пациента. Прибор позволяет своевременно выявлять нарушения ритма и проводимости сердца, например, такие как: Known device "Doctor Spyder" ("Doctor Spyder", see, for example: http://spyder-ecg.ni/#about), which is an online ECG recorder for long-term outpatient ECG monitoring and collecting complete information about the state of the heart the patient's vascular system. The device allows you to timely detect rhythm and conduction disorders of the heart, for example, such as:
-преходящая/постоянная форма фибрилляции предсердий; -пароксизмальные тахикардии; - transient/permanent form of atrial fibrillation; - paroxysmal tachycardia;
-преходящая блокада сердца; - transient heart block
-дисфункция синусового узла; - dysfunction of the sinus node;
-диагностика аритмогенных синкопальных состояний. -diagnosis of arrhythmogenic syncope.
К недостаткам данного прибора следует отнести: The disadvantages of this device include:
-отсутствие возможности снятия ЭКГ в 12 отведениях; -отсутствие возможности оценки ишемии миокарда по ЭКГ ; -отсутствие возможности записи сигнала ЭКГ на внутреннюю память прибора (если пациент удаляется от принимающего смартфона на расстояние более 5 метров запись ЭКГ теряется); - inability to take an ECG in 12 leads; - inability to assess myocardial ischemia by ECG; - the inability to record the ECG signal on the internal memory of the device (if the patient moves away from the receiving smartphone at a distance of more than 5 meters, the ECG recording is lost);
-нет варианта передачи данных с мобильного кардиорегистратора на базовую микрокомпьютерную станцию вместо смартфона. - there is no option to transfer data from a mobile cardio recorder to a base microcomputer station instead of a smartphone.
В качестве прототипа выбрано носимое электронное устройство для получения электрокардиографических (ЭКГ) измерений (RU197114U1), содержащее корпус, закрепляемый на запястье пользователя, в котором установлены: дисплей, обеспечивающий отображение информации; микроконтроллер, выполняющий управление электронным устройством; As a prototype, a wearable electronic device for obtaining electrocardiographic (ECG) measurements (RU197114U1), containing a case fixed on the user's wrist, in which are installed: a display that provides information display; a microcontroller that controls the electronic device;
АЦП, обеспечивающий преобразование в цифровой вид сигналов, поступающих с электродов; средство хранения данных, выполненное с возможностью хранения данныхADC, which converts the signals coming from the electrodes into a digital form; data storage means configured to store data
ЭКГ; модуль беспроводной связи, обеспечивающий передачу данных из средства памяти на внешнее вычислительное устройство; первый электрод, совмещенный с емкостной кнопкой, обеспечивающей активацию функции снятия ЭКГ и управление устройством; второй и третий электроды, расположенные на тыльной стороне корпуса и обеспечивающие совместно с первым электродом регистрацию ЭКГ ; аккумулятор; разъем для подключения внешних электродов, обеспечивающих регистрациюECG; a wireless communication module for transmitting data from the memory means to an external computing device; the first electrode, combined with a capacitive button, providing activation of the ECG function and control of the device; the second and third electrodes located on the back side of the case and providing, together with the first electrode, ECG registration; battery; connector for connecting external electrodes providing registration
ЭКГ. ECG.
По существу, известное решение-прототип представляет собой аппаратно- программный комплекс, позволяющий принимать сигналы датчиков ЭКГ, обрабатывать их и передавать на удалённые (внешние) устройства: смартфон, планшет, или персональный компьютер. In essence, the well-known prototype solution is a hardware-software complex that allows you to receive ECG sensor signals, process them and transfer them to remote (external) devices: a smartphone, tablet, or personal computer.
Устройство, описанное в патенте RU197114U1 имеет следующие заявленные технические характеристики: «полоса частот амплитудно-частотных характеристик для обоих каналов аналоговых интерфейсов (109)-(110) составляет 0,67-320Гц, с допустимыми отклонениями амплитуд 0.67Гц-1Гц +/-10%, 1Гц -320Гц - +/-1%. Частота дискретизации сигнала 1000Гц.». Такие характеристики не позволяют реализовать алгоритмы диагностики сложных нарушений ритма, основанные на анализе ЭКГ высокого разрешения. The device described in patent RU197114U1 has the following declared technical characteristics: “the bandwidth of the amplitude-frequency characteristics for both channels of analog interfaces (109)-(110) is 0.67-320Hz, with amplitude tolerances of 0.67Hz-1Hz +/-10 %, 1Hz -320Hz - +/-1%. Sampling frequency of the signal is 1000Hz.”. These features do not allow implement algorithms for diagnosing complex arrhythmias based on high-resolution ECG analysis.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ DISCLOSURE OF THE INVENTION
Задачей изобретения являлось создание прибора (аппаратно-программного комплекса), позволяющего реализовать технологию анализа данных ЭКГ высокого разрешения; в автоматическом режиме без участия врача-эксперта выявлять предикторы внезапной сердечной смерти, выявлять поздние потенциалы возбуждения желудочков, повысить уровень детектирования патологических наджелудочковых ритмов до 98,7% в автоматическом режиме диагностики. Кроме того, стояла задача передачи большого массива данных в режиме реального времени без потери или искажения исходного сигнала ЭКГ (при передаче длительных записей (более 24 часов) через беспроводные каналы связи, возможны разрывы соединения и как следствие потеря времени на восстановление соединения и повторную передачу данных). Кроме того, существует необходимость создание интеллектуального электрокардиографа, т. е. автоматизированной системы расшифровки сигналов электрокардиограммы (ЭКГ) с получением заключения, максимально приближенного к врачебному. The objective of the invention was to create a device (hardware-software complex) that makes it possible to implement the technology for analyzing high-resolution ECG data; to automatically detect predictors of sudden cardiac death, to detect late potentials of ventricular excitation, to increase the level of detection of pathological supraventricular rhythms up to 98.7% in automatic diagnostic mode without the participation of an expert doctor. In addition, the task was to transfer a large amount of data in real time without loss or distortion of the original ECG signal (when transmitting long recordings (more than 24 hours) via wireless communication channels, connection breaks are possible and, as a result, loss of time to restore the connection and retransmit data ). In addition, there is a need to create an intelligent electrocardiograph, i.e. an automated system for decoding electrocardiogram (ECG) signals with a conclusion as close as possible to a medical one.
Указанная задача решается аппаратно-программным комплексом электрокардиографических (ЭКГ) измерений, содержащим корпус, закрепляемый на пользователе, в котором установлены: микроконтроллер, выполняющий управление электронным устройством; аналого-цифровой преобразователь, обеспечивающий преобразование в цифровой вид сигналов, поступающих с электродов; средство хранения данных, выполненное с возможностью хранения данных ЭКГ; модуль беспроводной связи, обеспечивающий передачу данных из средства памяти на внешнее вычислительное устройство; первый электрод, совмещенный с емкостной кнопкой, обеспечивающей активацию функции снятия ЭКГ устройством; второй и третий электроды, расположенные на тыльной стороне корпуса и обеспечивающие совместно с первым электродом регистрацию ЭКГ; аккумулятор; разъем для подключения внешних электродов, обеспечивающих регистрацию ЭКГ, в котором, полоса частот амплитудно-частотных характеристик для всех каналов аналоговых интерфейсов составляет 0-4000 Гц, с допустимыми отклонениями амплитуд от 0 до 2000Гц ±10%, частота дискретизации сигнала 8000Гц. При этом микроконтроллер и средство хранения данных выполнены с возможностью записи, чтения и передачи данных ЭКГ в параллельных потоках с приоритетом у процесса записи. Микроконтроллер также выполнен с возможностью реализации прямых алгоритмов диагностики, основанных на правилах и деревьях решений. Микроконтроллер также выполнен с возможностью подключения к блокам диагностики, реализующим методы машинного обучения. This problem is solved by a hardware-software complex for electrocardiographic (ECG) measurements, containing a housing fixed on the user, in which are installed: a microcontroller that controls the electronic device; an analog-to-digital converter that converts the signals coming from the electrodes into a digital form; a data storage means configured to store ECG data; a wireless communication module for transmitting data from the memory means to an external computing device; the first electrode, combined with a capacitive button, providing activation of the ECG function of the device; the second and third electrodes located on the back side of the case and providing, together with the first electrode, ECG registration; battery; connector for connecting external electrodes that provide ECG recording, in which the frequency band of amplitude-frequency characteristics for all channels of analog interfaces is 0-4000 Hz, with permissible amplitude deviations from 0 to 2000 Hz ± 10%, signal sampling frequency 8000Hz. At the same time, the microcontroller and the data storage means are configured to record, read and transmit ECG data in parallel streams with the priority of the recording process. The microcontroller is also configured to implement direct diagnostic algorithms based on rules and decision trees. The microcontroller is also configured to connect to diagnostic units that implement machine learning methods.
К разъему для подключения внешних электродов возможно подключение кабеля с 7 контактами, позволяющими регистрировать 12 стандартных отведений ЭКГ. Известно (теорема Котельникова-Шеннона), что при увеличении частоты дискретизации спектр шума квантования расширяется, и во столько же раз его спектральная плотность мощности уменьшается. При увеличении частоты дискретизации в 2 раза величина спектральной мощности шума уменьшается на 3 дБ или в 1,41 раза. В предлагаемом аппаратно-программном комплексе при увеличении частоты дискретизации со стандартных 1000Гц до 8000 Гц величина спектральной мощности шума уменьшается на 12 дБ или в 3,98 раза. It is possible to connect a cable with 7 pins to the connector for connecting external electrodes, which allows recording 12 standard ECG leads. It is known (the Kotelnikov-Shannon theorem) that as the sampling frequency increases, the quantization noise spectrum expands, and its power spectral density decreases by the same amount. With a 2-fold increase in the sampling rate, the magnitude of the spectral power of the noise decreases by 3 dB, or 1.41 times. In the proposed hardware-software complex, with an increase in the sampling frequency from standard 1000 Hz to 8000 Hz, the value of the noise spectral power decreases by 12 dB, or 3.98 times.
Увеличении частоты дискретизации достигается применением интегрального аналого-цифрового преобразователя ADS1298IPAGR, содержащего в себе помимо самого модуля преобразователя ещё аналоговою усилительную часть с возможностью гибкой настройки коэффициентов усиления, модуль коммутации (аналогового сложения и вычитания сигналов) для получения виртуальных потенциальных точек для снятия униполярных отведений электрокардиограммы и источник точного опорного напряжения. В сочетании с микроконтроллером STM32WB55C, имеющего ядро ARM CORTEX-M4, позволяющего достичь низкого энергопотребления при высокой производительности и встроенного в кристалл радиочастотного приемопередатчика ISM (Industrial, Scientific, Medical) диапазона, позволяющего осуществлять цифровую связь по стандартным протоколам Bluetooth, ZigBee, Thread. Сокращение шумов в сочетании с увеличением спектра обрабатываемого сигнала дает более точные результаты во многих методах автоматического исследования электрокардиограмм. Increasing the sampling rate is achieved by using an integrated analog-to-digital converter ADS1298IPAGR, which, in addition to the converter module itself, also contains an analog amplifying part with the ability to flexibly adjust gain factors, a switching module (analogue addition and subtraction of signals) to obtain virtual potential points for taking unipolar electrocardiogram leads and source of accurate reference voltage. In combination with the STM32WB55C microcontroller, which has an ARM CORTEX-M4 core, which allows to achieve low power consumption with high performance and an ISM (Industrial, Scientific, Medical) radio frequency transceiver built into the crystal, which allows digital communication using standard Bluetooth, ZigBee, Thread. Reduction of noise in combination with an increase in the spectrum of the processed signal gives more accurate results in many methods of automatic examination of electrocardiograms.
Наличие высоких частот дискретизации (более 4000 Гц) позволяет реализовать алгоритмы диагностики сложных нарушений ритма, основанные на анализе ЭКГ высокого разрешения. Среди методов повышения диагностической информативности электрокардиография высокого разрешения ЭКГ (ЭКГ ВР) заняла прочное место в медицинской деятельности и позволяет получить важную для диагностики информацию о больных. Усиленная электрокардиография требует регистрации ЭКГ сигналов с чувствительностью 50...100 мм/мВ. Такое усиление требуется для выявления низкоамплитудных элементов ЭКГ. Этим можно получить дополнительную информацию об электрической активности миокарда и выработать новые диагностические критерии, способствующие более точной интерпретации изменений ЭКГ. The presence of high sampling rates (more than 4000 Hz) makes it possible to implement algorithms for diagnosing complex arrhythmias based on high-resolution ECG analysis. Among the methods for increasing the diagnostic information content is high resolution ECG electrocardiography (ECG VR) has taken a strong place in medical activity and allows you to get information about patients that is important for diagnosing. Enhanced electrocardiography requires registration of ECG signals with a sensitivity of 50...100 mm/mV. Such amplification is required to detect low-amplitude ECG elements. This can provide additional information about the electrical activity of the myocardium and develop new diagnostic criteria that contribute to a more accurate interpretation of ECG changes.
В клинической электрокардиографии стала классической запись кривых при чувствительности электрокардиографа 10 мм/мВ. Выбор такого усиления не обусловлен какими-либо специальными техническими или медицинскими требованиями. Однако при подобной чувствительности некоторые элементы ЭКГ остаются невыраженными, что приводит к определённым трудностям при их оценке. В серийных приборах максимальная чувствительность ограничена требованиями 20 мм/мВ. In clinical electrocardiography, the recording of curves with an electrocardiograph sensitivity of 10 mm/mV has become a classic. The choice of such amplification is not subject to any special technical or medical requirements. However, with such sensitivity, some ECG elements remain unexpressed, which leads to certain difficulties in their assessment. In serial devices, the maximum sensitivity is limited by the requirements of 20 mm/mV.
Для приборов ЭКГ ВР высокого класса требования к характеристикам таковы: For high-end VR ECG devices, the performance requirements are as follows:
-подавление синфазных помех канала - от 80 до 120 дБ; - suppression of common-mode interference of the channel - from 80 to 120 dB;
-уровень собственных шумов - от 10 до 1 мкВ; - self-noise level - from 10 to 1 μV;
Частотные характеристики усилителя соответствуют требованиям: The frequency characteristics of the amplifier meet the requirements:
-полоса пропускания частот может регулироваться, в том числе расширяться в сторону снижения частот до 0 (с ручной компенсацией разностной инфранизкочастотной помехи) и в сторону верхних частот до 2000 Гц; - the frequency bandwidth can be adjusted, including expanding towards lower frequencies to 0 (with manual compensation of differential infra-low frequency interference) and towards higher frequencies up to 2000 Hz;
- максимальная чувствительность - 100 мм/мВ; - maximum sensitivity - 100 mm/mV;
- минимальная - 10 мм/мВ; - minimum - 10 mm/mV;
- погрешность измерения амплитуды сигнала не более 10 - 50 мкВ; - measurement error of the signal amplitude is not more than 10 - 50 μV;
- ошибки измерения интервалов времени, скорости движения носителя, эффективная ширина записи определяются характеристикой регистратора и могут быть не хуже, чем требуется по стандартам для кардиографов 1-го класса точности. - measurement errors of time intervals, carrier speed, effective record width are determined by the characteristics of the recorder and can be no worse than required by the standards for cardiographs of the 1st accuracy class.
Технология анализа данных ЭКГ высокого разрешения позволяет в автоматическом режиме без участия врача эксперта выявлять предикторы внезапной сердечной смерти, выявлять поздние потенциалы возбуждения желудочков, повысить уровень детектирования патологических наджелудочковых ритмов до 98,7% в автоматическом режиме диагностики, а также прогнозировать риск развития пароксизмов наджелудочковых аритмий. High-resolution ECG data analysis technology allows you to automatically identify predictors of sudden cardiac death, detect late potentials of ventricular excitation, and increase the level of detection of pathological supraventricular rhythms up to 98.7% in automatic diagnostic mode, as well as to predict the risk of developing paroxysms of supraventricular arrhythmias.
В настоящее время установлено, что субстратом возникновения и регистрации поздних потенциалов желудочков (ППЖ) служат электрофизиологическая и анатомическая неоднородность миокарда, когда здоровые кардиомиоциты перемежаются с ишемизированными или участками некроза и фиброза. Замедленная фрагментированная активность желудочков возникает при нарушении естественной параллельной ориентации миокардиальных волокон и разделении участков жизнеспособного миокарда соединительной тканью [De Chillou С., Sadoul N., Brianson S. et al. Factors determining the occurrence of late potentials on the signalaveraged electrocardiogram after a first myocardial infarction: a multivariate analysis // J.Amer. Coll. Cardiol. - 1991. - Vol.18. - P.1638-1642.]. Появление ППЖ в отсутствии очаговых изменений миокарда можно объяснить негомогенностью электрофизиологических свойств миокарда вследствие неравномерных функциональных изменений кардиомиоцитов в условиях острой или хронической ишемии [Kondo N., Ikeda Т., Kawase A. et al. Clinical usefulness of the combination of T-wave altemans and late potentials for identifying high-risk patients with moderately or severely impaired left ventricular function // Jpn. Circ. J. - 2001 Jul. - 65(7). - P.649-653.]. Кроме того, патогенетическим субстратом появления ППЖ могут быть микроочаги некроза и фиброза, возникающие в сердечной мышце на фоне повторных обострений длительно текущей ИБС. Подобные условия приводят к задержке и фрагментации электрических сигналов, замедлению распространения деполяризации, появлению поздней или следовой активности желудочков. Наличие зон задержанной желудочковой деполяризации способствует возникновению феномена “re-entry”, являющегося основной причиной злокачественных желудочковых нарушений ритма. Таким образом, ППЖ можно рассматривать в качестве неинвазивного маркера аритмогенеза. Для замедленныхIt has now been established that the electrophysiological and anatomical inhomogeneity of the myocardium, when healthy cardiomyocytes are interspersed with ischemic ones or areas of necrosis and fibrosis, serve as the substrate for the occurrence and registration of late ventricular potentials (LEPs). Slow fragmented ventricular activity occurs when the natural parallel orientation of myocardial fibers is disturbed and viable myocardium is separated by connective tissue [De Chillou C., Sadoul N., Brianson S. et al. Factors determining the occurrence of late potentials on the signalaveraged electrocardiogram after a first myocardial infarction: a multivariate analysis // J.Amer. Coll. cardiol. - 1991. - Vol.18. - P.1638-1642.]. The appearance of LPG in the absence of focal changes in the myocardium can be explained by the inhomogeneity of the electrophysiological properties of the myocardium due to uneven functional changes in cardiomyocytes in acute or chronic ischemia [Kondo N., Ikeda T., Kawase A. et al. Clinical usefulness of the combination of T-wave altemans and late potentials for identifying high-risk patients with moderately or severely impaired left ventricular function // Jpn. Circ. J. - 2001 Jul. - 65(7). - P.649-653.]. In addition, microfoci of necrosis and fibrosis that occur in the heart muscle against the background of repeated exacerbations of long-term coronary artery disease can be a pathogenetic substrate for the appearance of PCa. Such conditions lead to a delay and fragmentation of electrical signals, a slowdown in the spread of depolarization, and the appearance of late or trace ventricular activity. The presence of zones of delayed ventricular depolarization contributes to the occurrence of the “re-entry” phenomenon, which is the main cause of malignant ventricular arrhythmias. Thus, PVC can be considered as a non-invasive marker of arrhythmogenesis. For the slow ones
(фрагментированных) электрических сигналов характерны их малая продолжительность (40-180 мс), малая амплитуда (5-20 мкВ) и высокая частота (25- 50 Гц). На обычной электрокардиограмме сигналы с подобными параметрами для анализа недоступны, необходимы усиление и фильтрация высокочастотного сигнала ЭКГ, т. е. ЭКГ высокого разрешения - ЭКГ ВР. Для выявления ППЖ при мониторинге ЭКГ используются показатели: длительность фильтрованного комплекса QRS(totQRS)>114 мс, длительность фильтрованного комплекса QRS на уровне 40 мкВ (LAS40)>38 мс, среднеквадратичная амплитуда последних 40 мс фильтрованного комплекса QRS(RMS40)<20 мкВ. О наличии ППЖ свидетельствует соблюдение двух из этих критериев (см. фиг. 1) (fragmented) electrical signals are characterized by their short duration (40-180 ms), low amplitude (5-20 μV) and high frequency (25-50 Hz). On a conventional electrocardiogram, signals with similar parameters are not available for analysis; it is necessary to amplify and filter the high-frequency ECG signal, i.e. high-resolution ECG - VR ECG. To detect PVC during ECG monitoring, the following indicators are used: the duration of the filtered QRS complex (totQRS)> 114 ms, the duration of the filtered QRS complex by level of 40 μV (LAS40)>38 ms, the mean square amplitude of the last 40 ms of the filtered QRS complex (RMS40)<20 μV. The presence of LPG is indicated by the fulfillment of two of these criteria (see Fig. 1)
Далее используются методы спектрального анализа ЭКГ и вейвлет- преобразования сигнала для автоматической диагностики ППЖ, и ППП (поздних потенциалов предсердий). Next, the methods of spectral analysis of the ECG and wavelet signal transformation are used for automatic diagnosis of PPV, and PPP (late atrial potentials).
Спектральный анализ кардиосигналов - преобразование Фурье с разложением сигнала ЭКГ на составные синусоиды с различной частотой и амплитудой, что позволяет оценить спектральную плотность мощности составляющих кардиосигнала, высокочастотные компоненты, характерные для ППЖ. Выявление высокочастотного содержания спектра свидетельствует о существовании условий для фрагментирования электрической активности желудочков и развития нарушений ритма. Spectral analysis of cardiosignals - Fourier transform with decomposition of the ECG signal into composite sinusoids with different frequencies and amplitudes, which makes it possible to estimate the power spectral density of the components of the cardiosignal, high-frequency components characteristic of the LPG. The detection of the high-frequency content of the spectrum indicates the existence of conditions for the fragmentation of the electrical activity of the ventricles and the development of arrhythmias.
Методика спектрального анализа ППЖ - вейвлет-преобразование для составления частотно-временной карты сигнала, что позволяет по большому количеству кардиоциклов получать регистрацию ППЖ и анализировать. Метод предполагает точное исследование колебательных процессов различной периодичности, обеспечивает развертку исследуемого сигнала, при этом частота и координата рассматриваются как независимые переменные. The method of spectral analysis of the LBP is a wavelet transform for compiling a frequency-time signal map, which allows for a large number of cardiocycles to receive registration of the LPT and analyze it. The method involves an accurate study of oscillatory processes of various periodicities, provides a sweep of the signal under study, while the frequency and coordinate are considered as independent variables.
Наличие ППЖ позволяет прогнозировать риск развития желудочковых тахикардий. ППЖ могут использоваться в качестве диагностического критерия аритмогенной кардиомиопатии правого желудочка. The presence of PVC allows predicting the risk of developing ventricular tachycardias. PVC can be used as a diagnostic criterion for arrhythmogenic right ventricular cardiomyopathy.
Проблема передачи массива данных в режиме реального времени без потерь решается следующим образом. Данные в первую очередь записываются в средство хранения данных (энергонезависимую память). При необходимости одновременной записи и чтения данных, например, при проведении исследования, включая данные, записанные произвольное время назад, запись и чтение производятся в параллельных потоках с приоритетом у процесса записи. The problem of transmitting an array of data in real time without loss is solved as follows. Data is first written to a data storage medium (non-volatile memory). If it is necessary to simultaneously write and read data, for example, when conducting a study, including data recorded an arbitrary time ago, writing and reading are performed in parallel streams with priority from the writing process.
Данные при записи структурируются в виде отдельных файлов, содержащих короткие интервалы, что позволяет считывать произвольный момент записанного ЭКГ с высокой скоростью доступа. Запись осуществляется в единичных интервалах в размере кратном объёму страницы энергонезависимой памяти. Data during recording are structured as separate files containing short intervals, which allows you to read an arbitrary moment of the recorded ECG with high access speed. Recording is carried out in single intervals in the amount of a multiple of the page size of non-volatile memory.
Известно что микросхемы энергонезависимой памяти больших объемов позволяют производить запись только большими блоками и при дополнительной записи в уже частично записанную страницу необходимо считать ранее записанные данные в оперативную память дополнить их новыми данными, произвести стирание страницы (стирание требует временных и энергетических затрат). При использовании высокой глубины дискретизации сигнала ЭКГ - 24 бита - требуется хранить и передавать большие объемы информации. It is known that non-volatile memory chips of large volumes allow recording only in large blocks and with additional writing to an already partially written page, it is necessary to read the previously written data into the RAM, supplement them with new data, and erase the page (erasing requires time and energy costs). When using a high sampling depth of the ECG signal - 24 bits - it is required to store and transmit large amounts of information.
Для снижения объёма можно использовать различные алгоритмы сжатия сигнала, что потребует много процессорного времени и повлечет высокие энергозатраты. Также, сжатие сигнала вносит нелинейные искажения в сжимаемый сигнал. ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ To reduce the volume, various signal compression algorithms can be used, which will require a lot of processor time and entail high energy costs. Also, signal compression introduces non-linear distortions into the compressed signal. IMPLEMENTATION OF THE INVENTION
Задача решается вычислением максимальной скорости изменения сигнала (первой производной функции по времени) и восстановлением сигнала путем вычисления первообразной функции по времени. Абсолютным значением сигнала в данном случае можно пренебречь т.к. ни в одном диагностическом алгоритме он не задействован. f(t) - исходный сигнал ЭКГ f (t) - первая производная функции по времени F(f (t)) = f(t)+ С; С - принимаем равным нулю. The problem is solved by calculating the maximum rate of change of the signal (the first derivative of the function with respect to time) and restoring the signal by calculating the antiderivative function with respect to time. The absolute value of the signal in this case can be neglected because it is not involved in any diagnostic algorithm. f(t) - initial ECG signal f (t) - first time derivative of the function F(f (t)) = f(t) + С; C - take equal to zero.
В случае дискретного сигнала имеем: f(t) = (al) , (а2) , (аЗ) .... (ап) - дискретные отсчеты полученные от АЦП f(t) = (a2-al) , (аЗ-а2) , (а4-аЗ) .... (an-an-1) - разность между отсчетами АЦП F(f(t)) => an =Х а1,а2,а3...ап - При декодировании любой произвольный дискретный отсчет равен сумме всех предыдущих данных. In the case of a discrete signal, we have: f(t) = (al) , (a2) , (a3) .... (ap) - discrete readings received from the ADC f(t) = (a2-al) , (a3-a2 ) , (a4-a3) .... (an-an-1) - difference between ADC readings F(f(t)) => an =X a1,a2,a3...an - When decoding any arbitrary discrete the count is equal to the sum of all previous data.
На фиг. 2 приведен алгоритм не требующий суммирования длинных рядов данных, использующий единственный регистр Summ для последовательного восстановления данных сигнала. Не требующий запоминания и вычисления суммы всех предыдущих данных. In FIG. Figure 2 shows an algorithm that does not require the summation of long data series, using a single Summ register to sequentially restore signal data. Not requiring memorization and calculation of the sum of all previous data.
Данный алгоритм позволяет снизить разрядность кодирования каждого сэмпла сигнала с 24 бит (диапазон -2147483648 ... 2147483647, соответствующий размеру машинного слова типа "long") до 10-12 бит (диапазон -2048 ... 2047) , что позволяет сократить объем записываемых и передаваемых данных в 2,6 раза, путем "упаковывания" или регистрового смещения данных по стандартным ячейкам памяти (Фиг. 3). Данный алгоритм легко реализуется на микроконтроллерах с RISC вычислительным ядром (с сокращенным набором команд арифметико-логического устройства), в которых все вышеописанные операции выполняются за один машинный цикл и не требуют выполнения длительных алгоритмических процедур, что позволяет реализовать высокую энергоэффективность и длительную автономную работоспособность. Также это позволяет хранить и передавать данные с высокой дискретизацией по времени (с частотой до 8000 Гц). This algorithm makes it possible to reduce the coding bit depth of each signal sample from 24 bits (range -2147483648 ... 2147483647, corresponding to the size of a machine word of the "long" type) to 10-12 bits (range -2048 ... 2047), which reduces the amount of recorded and transmitted data by a factor of 2.6, by "packing" or register shifting data over standard memory cells (Fig. 3). This algorithm is easily implemented on microcontrollers with RISC a computing core (with a reduced set of instructions for the arithmetic logic unit), in which all the above operations are performed in one machine cycle and do not require the execution of lengthy algorithmic procedures, which makes it possible to realize high energy efficiency and long-term autonomous performance. It also allows you to store and transmit data with high time sampling (up to 8000 Hz).
Развитие методов автоматизированной обработки данных в сочетании с прогрессом в области телемедицинских технологий и использованием портативной медицинской аппаратуры открывает новые возможности для совершенствования методов ранней диагностики болезней системы кровообращения и дистанционного контроля состояния здоровья пациентов. Одним из перспективных направлений является создание интеллектуального электрокардиографа, т. е. автоматизированной системы расшифровки сигналов электрокардиограммы (ЭКГ) с получением заключения, максимально приближенного к врачебному. Для достижения этой цели в известных нам прототипах кардиорегистраторов используются прямые алгоритмы диагностики, основанные на правилах и деревьях решений. В целях повышения точности диагностики авторами была разработана система двух уровневой автоматической диагностики сигнала ЭКГ. Первым этапом использовались стандартные прямые методы диагностики. Примеры таких методов приведены на фиг. 4, 5, 6. На фиг. 4 показан пример дерева принятия решений для определения, является ли ритм синусовым. На фиг. 5 показан пример дерева принятия решений для определения синусовой тахикардии и брадикардии. На фиг. 6 показан пример дерева принятия решений для определения отклонения электрической оси сердца. Вторым этапом - методы машинного обучения, включающий обучение и тестирование программного обеспечения на больших массивах базы данных ЭКГ и на структурированных врачебных заключениях. The development of methods for automated data processing, combined with progress in the field of telemedicine technologies and the use of portable medical equipment, opens up new opportunities for improving methods for early diagnosis of diseases of the circulatory system and remote monitoring of patients' health. One of the promising directions is the creation of an intelligent electrocardiograph, i.e. an automated system for decoding electrocardiogram (ECG) signals with obtaining a conclusion as close as possible to a medical one. To achieve this goal, the prototypes of cardiac recorders known to us use direct diagnostic algorithms based on rules and decision trees. In order to improve the accuracy of diagnostics, the authors developed a system of two-level automatic diagnostics of the ECG signal. At the first stage, standard direct diagnostic methods were used. Examples of such methods are shown in Fig. 4, 5, 6. In Figs. 4 shows an example decision tree for determining if the rhythm is sinus. In FIG. 5 shows an example decision tree for defining sinus tachycardia and bradycardia. In FIG. 6 shows an example decision tree for determining the deviation of the electrical axis of the heart. The second stage is machine learning methods, including training and testing of software on large arrays of the ECG database and on structured medical reports.
Использовались методы машинного обучения - алгоритмы, автоматически строящиеся по большой выборке «размеченных данных», т.е. базе ЭКГ с известными заключениями. При этом в методах машинного обучения алгоритм постановки диагноза (решающая функция) не закладывался явным образом. Происходила «настройка» модели по данным обучающей выборки - набору характеристик и атрибутов ЭКГ пациента с известным заключением. Был разработан базовый вариант программы анализа ЭКГ "Диагностика», позволяющий далее проводить её обучение. Интерфейсная часть программы «Диагностика» написана на языке С#, математические методы - на языке Python с использованием библиотеки матричных вычисления NumPy (www.numpy.org), библиотеки вейвлет-анализа PyWavelets (github.com/PyWavelets) и библиотеки методов машинного обучения Scikit-leam (scikit-leam.org/stable). Machine learning methods were used - algorithms that are automatically built on a large sample of "labeled data", i.e. ECG database with known findings. At the same time, in the methods of machine learning, the algorithm for making a diagnosis (the decisive function) was not laid down explicitly. The model was "adjusted" according to the data of the training sample - a set of characteristics and attributes of the patient's ECG with a known conclusion. A basic version of the "Diagnostics" ECG analysis program was developed, which allows further training. The interface part of the "Diagnostics" program is written in C#, mathematical methods are written in Python using the NumPy matrix calculation library (www.numpy.org), the library wavelet analysis PyWavelets (github.com/PyWavelets) and machine learning library Scikit-leam (scikit-leam.org/stable).
Была создана база данных «Кардиобаза», включающая 36652 записей стандартной 12-канальной ЭКГ покоя в цифровом формате EDF. ЭКГ были получены от взрослых пациентов в возрасте 17 - 80 лет, Записи ЭКГ были независимо описаны врачами-экспертами (кардиологами и врачами функциональной диагностики) с формированием структурированного врачебного заключения. The database "Cardiobase" was created, including 36652 records of a standard 12-lead resting ECG in digital EDF format. ECGs were obtained from adult patients aged 17 - 80 years. ECG recordings were independently reviewed by expert physicians (cardiologists and functional diagnostics physicians) with the formation of a structured medical opinion.
Далее все записи ЭКГ были подвергнуты автоматическому анализу с использованием метода детектирования ключевых точек (ДКТ), сегментированы и автоматически описаны в том же формате доврачебного заключения разработанной авторами программой по классическим критериям анализа ЭКГ. Further, all ECG records were subjected to automatic analysis using the key point detection method (KPT), segmented and automatically described in the same pre-medical report format by the program developed by the authors according to the classical ECG analysis criteria.
Алгоритм применения метода ДКТ включал следующие этапы: The algorithm for applying the DCT method included the following steps:
- предварительная обработка сигнала ЭКГ : фильтрация (подавление шума), выделение изолинии); - pre-processing of the ECG signal: filtering (noise suppression), isolation of the isoline);
- ДКТ сигнала - детектирование начала, пика и конца комплекса QRS, Р- и Т-волн и определение их морфологии; - DCT signal - detection of the beginning, peak and end of the QRS complex, P- and T-waves and determination of their morphology;
- автоматическая генерация заключения. - Automatic conclusion generation.
Использовались стандартные функции для вычисления числовых характеристик (средняя продолжительность и высота комплексов сигнала ЭКГ, их стандартные отклонения и т.д.). В итоге для описания каждого отведения ЭКГ были получены признаки (см. фиг. 7). Standard functions were used to calculate numerical characteristics (average duration and height of ECG signal complexes, their standard deviations, etc.). As a result, signs were obtained to describe each ECG lead (see Fig. 7).
ПРОМЫШЛЕННАЯ ПРИМЕНИМОСТЬ INDUSTRIAL APPLICABILITY
Было проведено обучение программы «Диагностика» с использованием ЭКГ, имеющихся в «Кардиобазе», с формализованными заключениями врачей. Были использованы методы машинного обучения: метод опорных векторов (SVM), дерево решений, методы квадратичного и линейного дискриминантного анализа, метод случайных подпространств, AdaBoost, случайный лес, логистическая регрессия (модель нейрона МакКаллока-Питтса) с предварительной предобработкой признаков с помощью слоя BatchNormalization, графовый метод. The program "Diagnostics" was trained using the ECG available in the "Cardiobase", with formalized conclusions of doctors. Machine learning methods were used: support vector machine (SVM), decision tree, quadratic and linear discriminant analysis methods, random subspace method, AdaBoost, random forest, logistic regression (McCulloch-Pitts neuron model) with pre-processing of features using the BatchNormalization layer, graph method.
Программа автоматического анализа ЭКГ обучалась с применением методов машинного обучения на признаках, полученных с помощью ДКТ (см. фиг. 8 (Исходная ЭКГ (12 отведений) пациентки У., 69 лет) и фиг. 9 (ЭКГ с сегментацией пациентки У., 69 лет)). The program for automatic ECG analysis was trained using machine learning methods on features obtained using VCT (see Fig. 8 (Initial ECG (12 leads) of patient U., 69 years old) and Fig. 9 (ECG with segmentation of patient U., 69 years old) years)).
Для тестирования программы «Диагностика» была проведена апробация методов машинного обучения к задаче анализа ЭКГ, которая была выполнена с использованием наиболее крупных и обработанных с участием медицинских экспертов открытых баз данных ЭКГ : ArrhythmiaDataSetTo test the "Diagnostics" program, approbation of machine learning methods for the ECG analysis task was carried out, which was performed using the largest open ECG databases processed with the participation of medical experts: ArrhythmiaDataSet
(htp://archive.ics.uci.edu/ml/datasets/arrhythmia),(http://archive.ics.uci.edu/ml/datasets/arrhythmia),
PhysioNetPTBDB(htps://www.physionet.org/physiobank/database/ptbdb), PhysioNetCompetition 2017 (htps://physionet.org/challenge/2017). При анализе результатов учитывалась точность диагностики относительно основных признаков и классов ЭКГ. PhysioNetPTBDB (https://www.physionet.org/physiobank/database/ptbdb), PhysioNetCompetition 2017 (https://physionet.org/challenge/2017). When analyzing the results, the accuracy of diagnostics with respect to the main signs and ECG classes was taken into account.
Проводилась комплексная оценка с сопоставлением результатов. Оценка качества происходила с помощью пятикратного перекрестного контроля по метрике ROC-AUC с помощью методов машинного обучения на доступных международных базах данных: Arryhthmia, PTBDB, PhysioNetCompetition 2017. Чувствительность заключений, выполненных программой «Диагностика», оказалась равной 85,8%- 100,0% по различным классам в сравнении с заключениями врачей-диагностов. Специфичность метода составила 90,2-99,0%, точность - 86,9-95,1%. A comprehensive assessment was carried out with a comparison of the results. Quality assessment was carried out using five-fold cross-checking according to the ROC-AUC metric using machine learning methods on available international databases: Arryhthmia, PTBDB, PhysioNetCompetition 2017. The sensitivity of the conclusions made by the Diagnostics program turned out to be 85.8% - 100.0 % for different classes in comparison with the conclusions of diagnosticians. The specificity of the method was 90.2-99.0%, the accuracy was 86.9-95.1%.
При анализе результатов автоматической расшифровки ЭКГ по разработанному алгоритму в соответствующих классах признаков точность диагностики составила 86,9-95,1%. When analyzing the results of automatic interpretation of ECG according to the developed algorithm in the corresponding classes of features, the accuracy of diagnosis was 86.9-95.1%.
Результаты проведённого исследования показывают, что методы машинного обучения могут успешно применяться в задачах автоматического анализа ЭКГ, при этом наиболее перспективными является сочетание методов логистической регрессии и случайного леса. The results of the study show that machine learning methods can be successfully applied in the tasks of automatic ECG analysis, while the most promising is the combination of logistic regression and random forest methods.
Достигается технический результат, заключающийся в реализации автоматической доврачебной нозологической посиндромальной высокоточной диагностики патологических отклонений ЭКГ различной длительности. A technical result is achieved, which consists in the implementation of automatic pre-medical nosological post-syndromic high-precision diagnosis of pathological ECG abnormalities of various durations.

Claims

Формула изобретения. Claim.
1. Аппаратно-программный комплекс электрокардиографических (ЭКГ) измерений, содержащее корпус, закрепляемый на пользователе, в котором установлены: микроконтроллер, выполняющий управление электронным устройством; аналого-цифровой преобразователь, обеспечивающий преобразование в цифровой вид сигналов, поступающих с электродов; средство хранения данных, выполненное с возможностью хранения данных ЭКГ ; модуль беспроводной связи, обеспечивающий передачу данных из средства памяти на внешнее вычислительное устройство; первый электрод, совмещенный с емкостной кнопкой, обеспечивающей активацию функции снятия ЭКГ устройством; второй и третий электроды, расположенные на тыльной стороне корпуса и обеспечивающие совместно с первым электродом регистрацию ЭКГ ; аккумулятор; разъем для подключения внешних электродов, обеспечивающих регистрацию ЭКГ, отличающийся тем, что полоса частот амплитудно-частотных характеристик для всех каналов аналоговых интерфейсов составляет 0-4000 Гц, с допустимыми отклонениями амплитуд от 0 до 2000Гц ±10%, частота дискретизации сигнала 8000Гц; при этом микроконтроллер и средство хранения данных выполнены с возможностью записи, чтения и передачи данных ЭКГ в параллельных потоках с приоритетом у процесса записи; микроконтроллер также выполнен с возможностью реализации прямых алгоритмов диагностики, основанных на правилах и деревьях решений; микроконтроллер также выполнен с возможностью подключения к блокам диагностики, реализующим методы машинного обучения. 1. Hardware-software complex of electrocardiographic (ECG) measurements, containing a housing fixed on the user, in which are installed: a microcontroller that controls the electronic device; an analog-to-digital converter that converts the signals coming from the electrodes into a digital form; a data storage means configured to store ECG data; a wireless communication module for transmitting data from the memory means to an external computing device; the first electrode, combined with a capacitive button, providing activation of the ECG function of the device; the second and third electrodes located on the back side of the case and providing, together with the first electrode, ECG registration; battery; a connector for connecting external electrodes that provide ECG recording, characterized in that the frequency band of the amplitude-frequency characteristics for all channels of analog interfaces is 0-4000 Hz, with permissible amplitude deviations from 0 to 2000 Hz ± 10%, the signal sampling frequency is 8000 Hz; wherein the microcontroller and the data storage means are configured to record, read and transmit ECG data in parallel streams with priority from the recording process; the microcontroller is also configured to implement direct diagnostic algorithms based on rules and decision trees; the microcontroller is also configured to connect to diagnostic units that implement machine learning methods.
2. Аппаратно-программный комплекс по п. 1, отличающийся тем, что выполнен с возможностью подключения к разъему для подключения внешних электродов кабеля с 7 контактами, позволяющими регистрировать 12 стандартных отведений ЭКГ. 2. The hardware-software complex according to claim 1, characterized in that it is made with the ability to connect to the connector for connecting external electrodes of a cable with 7 pins, allowing you to register 12 standard ECG leads.
PCT/RU2020/000672 2020-11-26 2020-12-09 Hardware/software system for electrocardiographic measurements WO2022114987A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2020138844A RU2759404C1 (en) 2020-11-26 2020-11-26 Hardware and software complex for electrocardiographic measurements
RU2020138844 2020-11-26

Publications (1)

Publication Number Publication Date
WO2022114987A1 true WO2022114987A1 (en) 2022-06-02

Family

ID=78607337

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2020/000672 WO2022114987A1 (en) 2020-11-26 2020-12-09 Hardware/software system for electrocardiographic measurements

Country Status (2)

Country Link
RU (1) RU2759404C1 (en)
WO (1) WO2022114987A1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010039385A1 (en) * 2000-05-10 2001-11-08 Ellenz John D. Memory loop ECG recorder with continuous recording
US20050004481A1 (en) * 2003-07-01 2005-01-06 Ge Medical Systems Information Technologies, Inc. Method and apparatus for algorithm fusion of high-resolution electrocardiograms
US20110092834A1 (en) * 2009-09-14 2011-04-21 Imec Analogue signal processors
US20150313489A1 (en) * 2014-05-01 2015-11-05 Kenergy, Inc. Wearable Device and Method for Assessing Cardiac Wellness by Analyzing High Definition EKG Signals
RU197114U1 (en) * 2019-10-24 2020-04-01 Александр Викторович Ежков WEARABLE ELECTRONIC DEVICE FOR OBTAINING ELECTROCARDIOGRAPHIC MEASUREMENTS

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389308B1 (en) * 2000-05-30 2002-05-14 Vladimir Shusterman System and device for multi-scale analysis and representation of electrocardiographic data
RU2283024C1 (en) * 2005-01-11 2006-09-10 Государственное учреждение Научно-исследовательский институт кардиологии им. В.А. Алмазова Министерства здравоохранения РФ Method for predicting the risk for the development of paroxysmal atrial fibrillation in patients with ischemic cardiac disease
RU2442529C1 (en) * 2010-07-02 2012-02-20 Закрытое акционерное общество "Рязанская радиоэлектронная компания" (ЗАО "РРК") Means of diagnosis the cardiovascular system
CA2990367C (en) * 2015-06-25 2019-12-24 Timothy Burton Methods and systems using mathematical analysis and machine learning to diagnose disease

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010039385A1 (en) * 2000-05-10 2001-11-08 Ellenz John D. Memory loop ECG recorder with continuous recording
US20050004481A1 (en) * 2003-07-01 2005-01-06 Ge Medical Systems Information Technologies, Inc. Method and apparatus for algorithm fusion of high-resolution electrocardiograms
US20110092834A1 (en) * 2009-09-14 2011-04-21 Imec Analogue signal processors
US20150313489A1 (en) * 2014-05-01 2015-11-05 Kenergy, Inc. Wearable Device and Method for Assessing Cardiac Wellness by Analyzing High Definition EKG Signals
RU197114U1 (en) * 2019-10-24 2020-04-01 Александр Викторович Ежков WEARABLE ELECTRONIC DEVICE FOR OBTAINING ELECTROCARDIOGRAPHIC MEASUREMENTS

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KARPLJUK E.S.: "Optimizatsiya trakta EKG na osnove sigma-delta ATSP. EBiomeditsinskie pribory i sistemy, lektronika i svyaz", TEMATICHESKY VYPUSK ''ELEKTRONIKA I NANOTEKHNOLOGII, 2009, pages 225 - 229 *

Also Published As

Publication number Publication date
RU2759404C1 (en) 2021-11-12

Similar Documents

Publication Publication Date Title
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
JP7091451B2 (en) Automatic ECG analysis method based on artificial intelligence self-learning, equipment used to execute the analysis method, computer program products and computer-readable storage media
CN107714023B (en) Static electrocardiogram analysis method and device based on artificial intelligence self-learning
Tereshchenko et al. Frequency content and characteristics of ventricular conduction
US9131864B2 (en) System and method for evaluating an electrophysiological signal
CN109411041B (en) Electrocardio information processing method and electrocardio workstation system
Sharma et al. Automated pre-screening of arrhythmia using hybrid combination of Fourier–Bessel expansion and LSTM
CN106815570B (en) Electrocardiosignal ST-T segment identification method based on dynamic pattern identification
US8437839B2 (en) Electrocardiographic assessment of arrhythmia risk
Farag A self-contained STFT CNN for ECG classification and arrhythmia detection at the edge
Zhou et al. ECG quality assessment using 1D-convolutional neural network
Wu et al. Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach
Kanna et al. Automated defective ECG signal detection using MATLAB applications
Zhang et al. Computational approaches for detection of cardiac rhythm abnormalities: Are we there yet?
Allam et al. A deformable CNN architecture for predicting clinical acceptability of ECG signal
Deng et al. ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases
Ansari et al. Estimating age and gender from electrocardiogram signals: A comprehensive review of the past decade
Wang et al. Automatic diagnosis of ECG disease based on intelligent simulation modeling
RU2759404C1 (en) Hardware and software complex for electrocardiographic measurements
Castells et al. Atrial activity extraction from atrial fibrillation episodes based on maximum likelihood source separation
Kuetche et al. Signal quality indices evaluation for robust ECG signal quality assessment systems
CN115828056A (en) Electrocardiogram characteristic signal extraction method and terminal
Alcaraz et al. Surface ECG organization analysis to predict paroxysmal atrial fibrillation termination
Moghaddasi et al. Tensor-based detection of paroxysmal and persistent atrial fibrillation from multi-channel ecg
KR20200055582A (en) Electrocardiogram signal diagnostic parameter extraction device and extraction method

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20963782

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20963782

Country of ref document: EP

Kind code of ref document: A1