CC BY
14
ВЕСТНИК НОВЫХ МЕДИЦИНСКИХ ТЕХНОЛОГИИ - 2016 - Т. 23, № 4 - С. 197-202 JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2016 - V. 23, № 4 - P. 197-202
Раздел III
МЕДИЦИНСКАЯ БИОФИЗИКА И РАЗРАБОТКА ЛЕЧЕБНО-ДИАГНОСТИЧЕСКОЙ АППАРАТУРЫ
УДК: 612.172.2 DOI: 10.12737/23870
АЛГОРИТМ ОБРАБОТКИ ЭНДОКАРДИАЛЬНЫХ СИГНАЛОВ ПРИ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ
А.П. ЗАРЕЦКИЙ*, Г.А. ГРОМЫКО**, А.П. КУЛЕШОВ***
Московский физико-технический институт (государственный университет), Институтский переулок, д.9, г. Долгопрудный, Московская область, 141701, Россия,
e-mail: a.p.zaretskiy@gmail.com **ФГКУ "ГВКГ имени Академика Н.Н. Бурденко" Министерства Обороны Российской Федерации, Госпитальная площадь, 3, г. Москва, 105229, Россия, e-mail: gromyko2010@list.ru ***ФГБУ «ФНЦТИО им. ак. В.И. Шумакова» Минздрава России, Щукинская улица, дом 1. Москва, 123182,
Россия, e-mail: ilovemylene@yandex.ru
Аннотация. В статье предлагается новый алгоритм выделения предсердной активности с помощью анализа эндокардиального сигнала при проведении электрофизиологического исследования у пациентов с фибрилляцией предсердий. Разработанный авторами алгоритм основан на использовании метода слепого разделения источников (blind source separation method), применении статистической информации и временного источника информации. С помощью использованияразработанного метода предсердная компонента сигнала усиливается по сравнению с использованием других алгоритмов, например, анализа независимых компонент. Обоснованность применения метода доказана на выборке из записей эндокардиальных сигналов 20 пациентов с фибрилляцией предсердий. Главным параметром, оцениваемым при использовании этого алгоритма, является минимальная разница спектральной плотности сигнала и доминантной частоты предсердной активности. Результаты пространственно-временного анализа показали, что использование алгоритма усиления предсердного сигнала на основе применения метода слепого разделения источников позволяет увеличить на 13% эффективность выделения предсердной активности по сравнению с алгоритмом анализа независимых компонент. Применение разработанного алгоритма в дальнейшем планируется для анализа эн-докардиальных сигналов во время проведения электрофизиологического исследования у пациентов с персистирующей формой фибрилляции предсердий для локализации микророторов, отвечающих за патофизиологическое возбуждение.
Ключевые слова: фибрилляция предсердий, анализ независимых компонент, метод слепого разделения источников, микророторы, доминантная частота предсердий, комплексный фракционированный предсердный электрокардиосигнал (CFAE).
ALGORITHM OF PROCESSING THE ENDOCARDIAL SIGNALS AT THE ATRIAL FIBRILLATION
A.P. ZARETSKIY*, G.A. GROMYKO**, A.P. KULESHOV***
*Moscow Institute of Physics and Technology (State University), Institutsky pereulok 9, Dolgoprudny, Moscow region, 141701, Russia, e-mail: a.p.zaretskiy@gmail.com **FSCI "MMCH named after Academician N. N. Burdenko of Defense Ministry of the Russian Federation", Hospital square, 3, Moscow, 105229, Russia, e-mail: gromyko2010@list.ru "'Federal State Budgetary Institute "Academician V.I. Shumakov Federal Research Center of Transplantology and Artificial Organs", Schukinskaya str., 1, Moscow, 123182, Russia, e-mail: ilovemylene@yandex.ru.
Abstract. The paper proposes a new algorithm for extracting atrial activity by analyzing endocardial
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2016 - V. 23, № 4 - P. 197-202
signal during the electrophysiological study in patients with atrial fibrillation. The authors developed the algorithm based on the method of blind source separation, using statistical information and the temporary source of information. Through the use of this method, the atrial signal component is amplified as compared with other algorithms, such as independent component analysis (ICA). The validity of the application of the method is proved by endocardial signals of 20 patients with atrial fibrillation. The main parameter estimated by this algorithm is the minimum difference between the spectral density of the signal and dominant frequency of atrial activity. Spatial-temporal analysis results demonstrated that the use of atrial signal amplification algorithm based on the blind source separation method allows to increase by 13% the efficiency of the atrial activity allocation in comparison with the independent component analysis algorithm. Developed algorithm application in future intend for the analysis of endocardial signals during the electrophysiology study in patients with persistent form of atrial fibrillation for microrotor (responsible for patho-physiological stimulation) localization.
Key words: atrial fibrillation, independent component analysis, blind source separation, microrotors, atrial dominant frequency, complex fractioned atrial electrogram (CFAE).
Введение. Фибрилляция предсердий представляет собой наиболее распространенный вид сердечной аритмии, преобладающий у 10% населения в возрасте старше 70 лет. Интерес научного сообщества в исследовании и понимании этиологии фибрилляции предсердий (ФП) существенно вырос за последние годы [1]. Анализ и определение характеристик ФП с помощью инвазивных методов требует проведения предварительной оценки сигнала предсердной активности (ПА), зарегистрированной с помощью эндокардиального электрода. Для этой цели было предложено несколько подходов, например, удаление желудочкового спайка, методика выделения желудочковой компоненты [2], слепое разделение источников (СРИ) [3], нейронные сети [4,5] и т.д.
Анализ современных работ по применению методов СРИ позволяет сделать вывод, что предложенные решения используют пространственное разнесение эндокардиального сигнала (ЭнКС) для восстановления независимых источников биоэлектрической активности желудочков - желудочковая активность (ЖА), предсердий, а также биоэлектрических артефактов. Одним из лимитирующих факторов указанных исследований является отсутствие информации о временных характеристиках источников. Приведённые в данной работе результаты исследования свидетельствуют о значимости оценки временных характеристик источника, благодаря которым удалось разработать новый алгоритм, адаптированный к разделению источников при наличии ФП. В данной работе кратко описаны современные методы оценки ФП и актуальные исследования в области мето-
дов СРИ, описание разработанного алгоритма, данные об используемых в работе сигналах, а также результаты сравнительного анализа разработанного алгоритма и оценки независимых компонент.
Материалы и методы исследования. Фибрилляция предсердий. Большинство современных источников, например [6], приводят данные о ФП как об аритмии, при которой на смену нормальной предсердной электрической активации приходит очевидно хаотичная и непрерывная активность с многочисленными волнами, одновременно деполяризующими предсердие [4]. На анализируемом ЭнКС нормальная предсердная активность (зубец А) становится визуально незаметным, и вместо нее возникают фибрилляторные волны, обладающие различными размерами, формами и временными характеристиками. ФП также характеризуется неравномерным и зачастую быстрым желудочковым ритмом (преобладание желудочкового комплекса). Желудочковый ответ на ФП зависит от электрофизиологических свойств атриовентрикулярного узла, и при этом интервал У-У становится более нерегулярным.
Слепое разделение источников. Смешение ПА и ЖА в ЭнКС позволяет сделать вывод о целесообразности применения метода СРИ для дальнейшей работы с предсердным сигналом. Для реализации этой цели воспользуемся формулой (1) [5]:
Ахб = х (1)
где б - источники биоэлектрической активности (ПА, ЖА, артефакты), А - матрица объединения, х - регистрируемый ЭнКС. Основным преимуществом метода СРИ является малое коли-
10ШМАЬ ОБ ШШ МБЭТСАЬ ТБСНМОШСТББ - 2016 - V. 23, № 4 - Р. 197-202
чество ограничений, которые следует соблюдать для восстановления первоначальных источников из сведений по регистрируемым данным. Практическое использование метода показало, что для использования метода необходимо выполнение следующих условий: статистическая независимость источников и линейность матрицы объединения. ЖА и ПА являются независимыми, т.к. возникают из электрофи-зиологически независимых источников. Кроме того, при рассмотрении модели туловища как резистивной схемы, можно допустить, что матрица объединения является линейной, в связи с чем метод СРИ являются приемлемыми для оценки ПА во время ФП.
Было разработано несколько методик СРИ: анализ основных компонентов (АОК) для гауссовых источников, анализ независимых компонентов (АНК) для негауссовых источников [7] и слепая идентификация второго порядка (СИВП) для источников с различными спектрами. Следует отметить, что методики АОК и АНК используют только пространственную информацию, в то время как СИВП также учитывает временную информацию. Для выбора или разработки подходящего алгоритма разделения необходимо предварительно провести статистический анализ источников.
Статистический анализ источника. Источники, содержащиеся в ЭнКС, можно разделить на три класса разного характера. Источники ЖА представляют собой компоненты ЭнКС с максимальной энергией, большими амплитудами во время периодов желудочковой активности (У-спайк) и значениями, близкими к нулю в остальное время. Статистический анализ источников ЖА раскрывает супер-гауссово поведение с типичными значениями экстремумов, равными 30. В случаях ФП, ПА состоит из малых и непрерывных волн с циклом порядка 160 мс. Статистический анализ источников показывает, что ПА обладает суб-гауссовым распределением, однако значения экстремума близки к нулю (обычно, около -0,5). Супергауссово распределение источников ЖА выполняется во всех случаях, за исключениемтех, когда ПА ближе к гауссовой модели. Тем не менее, волны ПА обладают характерным спектром с доминантной частотой в диапазоне 58 Гц (меняющейся в зависимости от электрофизиологии пациента), которая обусловлена ин-
дивидуальными особенностями рефрактерного периода.
Благодаря тому, что ЖА представляет собой супер-гауссово распределение [8], обработка сигналов для удаления желудочковой компоненты в значительной мере упрощается на первом этапе анализа сигнала. На втором этапе происходит отделение компонентов, не относящихся к желудочковой активности, например, ПА, артефакты, атриовентрикулярная компонента и др. В данном случае, характерный для ПА спектр будет использоваться для углублённой оценки предсердных сигналов.
Как упоминалось ранее, методики АНК являются одними из наиболее популярных при разделении независимых источников, неподчиняющихся гауссовому распределению. Благодаря использованию таких методик для статистического анализа монополярных сигналов, зарегистрированных с помощью эндокарди-альных электродов из различных областей предсердия, упрощается оценка независимых источников [9]. Большинство методов АНК основаны на оптимизации передаточной функции для максимального увеличения отличительных от гауссова распределения свойств. Из центральной предельной теоремы следует, что максимизация отличительных свойств функции от гауссова распределения равноценна максимизации независимости. Учитывая модель (1), методы АНК оценивают матрицу разделения В, восстанавливающую независимые источники:
§ = Вхх (2)
где 5 - оцениваемые источники. Из всех существующих алгоритмов обработки сигналов подобного класса в исследовании используется данный алгоритм, который производит оценку отличительных от гауссова распределения свойств с точки зрения минимизации энтропии, а также обеспечивает простоту расчёта экстремумов и сходимость на коротком (заданном) интервале [10].
С помощью алгоритмов АНК удаётся разделять все негауссовы источники, однако оценка прямо противоположных источников с их помощью невозможна, поэтому они окажутся смешанными в ходе преобразования. Практическая значимость такого подхода заключается в правильном выделении участков ЖА в сигнале. При наличии ФП источник ПА также мож-
10ШМАЬ ОБ ШШ МБЭТСАЬ ТБСНМОШСТББ - 2016 - V. 23, № 4 - Р. 197-202
но легко оценить, поскольку по статистическому распределению он схож с величиной, подчиняющейся гауссовому распределению. В таких случаях оценку ПА оптимально провести с помощью методов АНК, однако в случаях ФП, когда поведение ПА относится к гауссовому распределению, методы АНК не способны отделить ПА от других источников подобного класса (шум и прочие артефакты). Выделение ПА от ЖА, а также от других биоэлектрических источников является ключевой задачей в рамках данного исследования, которая выполняется на следующей этапе обработки.
Второй этап обработки сигнала для достижения поставленной цели связан с методикой СИВП, которая заключается в разделении независимых источников с разными спектральными характеристиками с помощью анализа временных характеристик источников. Для этой цели методы СИВП используют поиск коэффициентов трансформации для диагонализации нескольких корреляционных матриц с разными интервалами времени одновременно. Поскольку коэффициенты трансформации могут быть не подобраны, то для увеличения независимости источников необходимо определить «эталонную» функцию, «измеряющую» объединённую диагонализацию.
Рассмотрим пример с двумя источникамии приёмниками, корреляционной матрицей С на интервале тс
= Е Я (3)
Фактические источники б и отфильтрованные результаты связаны с поворотом Гивенса:
\cosd ^¿пв"!^ (4)
\-sin9 СОБв J где 9 - угол вращения. Корреляционная матицу источников с интервалом т можно представить следующим образом:
С(тг) = К' (5)
1С I и ^
Целью использования представленного математического аппарата является поиск независимых источников, аналогичный нахождению ортогонального преобразования, преобразующего С' одновременно для разных интервалов. Поскольку в ряде случае решения, удовлетворяющего данному условию, может не существовать, то необходимо определить критерий объединенной диагонализации. Допустим, что будет использоваться различное количество
интервалов N в [9] получена следующая передаточная функция для измерения объединенной диагонализации:
= ихи (6)
Ь + сл
и= а - (I--— х \cos2d х БЫ2в] (7)
где а, Ь, с, й и и-вектор-столбцы с элементами N. Передаточная функция Р зависит только от угла поворота, поэтому в данном случае уже необходимо решить проблему максимизации [7,10]. Если речь идет о двух источниках и двух приёмниках, то проблему можно решить за счет парной итерации до момента сходимости.
Для решения проблемы оценки ПА, входными сигналами для второго этапа являются желудочковые компоненты, полученные на первом этапе. Решение о том, какие компоненты относятся к желудочковому подпространству, а какие к нежелудочковому пространству, может быть принято автоматически с помощью предела, основанного на поиске экстремума. Эмпирические эксперименты показывают, что стандартный экстремальный предел составляет 1,5 и позволяет включить ПА в нежелудочковое подпространство и отбросить все источники, содержащие У-спайки [11,12]. На рис. приведена блок-схема алгоритма обработки эндокар-диального сигнала для выделения предсердной активности.
Рис. Блок-схема алгоритма обработки эндокардиаль-ного сигнала для выделения предсердной активности
Поскольку ПА обладает узкополосным спектром [13], алгоритм СИВП подходит для
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2016 - V. 23, № 4 - P. 197-202
оценки ПА. В проведённом исследовании анализируется 20 корреляционных матриц с равномерно распределенными интервалами в 20 мс. В текущем исследовании анализируется оцифрованный сигнал с интервенционного 10 полюсного катетера Coronary Sinus (Biosense Webster, USA) во время ФП с частотой дискретизации 1 кГц, продолжительность сигнала равна 30 секундам. Зарегистрированные данные получены у пациентов с персистирующей формой ФП, принимавших амиодарон для увеличения рефрактерного периода.
Результаты и их обсуждение. При использовании нескольких методик оценки ПА при выполнении электрофизиологического исследования у пациентов с ФП очень сложно объективно проанализировать их эффективность, поскольку изначально неизвестно, какой именно сигнал необходимо оценить. Одним из возможных параметров, который можно использовать для оценки результатов, является спектральная плотность сигнала относительно доминантной частоты. Причина заключается в том, что спектр ПА обладает доминантной частотой, в то время ЖА, шумы или другие компоненты обладают равномерным распределением по спектру. Если оцениваемый сигнал ПА перекрывается другими нежелательными компонентами, то экстремум спектра будет выше, поэтому оцениваемая ПА подвергнется уменьшению спектральной плотности относительного основного пика. Таким образом, более эффективным будет считаться метод, позволяющий выделить сигнал ПА с наибольшей спектральной плотностью.
АНК и АНК-СИВП применялись к реальным ЭнКС, зарегистрированным у пациентов с ФП. Во всех случаях было возможным оценить источник ПА. Спектральный анализ был проведен с целью определения доминантной частоты. Источник ПА, выделенный с помощью АНК показал ту же частоту, что и источник ПА, оцененный с помощью АНК-СИВП. Тем не менее, источник ПА, полученный с помощью АНК-СИВП, имел большую спектральную плотность относительно доминантной частоты. В табл. представлено краткое описание спектрального анализа ПА. Большая спектральная плотность сигнала ПА, полученного после обработки результатов СИВП, доказывает, что шум, присутствующий в сигнале ПА после
АНК, был устранен.
Таблица
Спектральный анализ предсердной активности
№ ЭнКС Частота, Гц Спектральная плотность
АНК, % АНК-СИВП, %
1 7,12 21,5 36,8
2 5,58 51,3 57,9
3 5,19 19,0 47,8
4 6,07 56,7 72,3
5 7,32 49,3 58,7
6 6,40 44,1 45,0
7 6,39 35,5 55,3
8 7,09 26,8 32,0
9 6,94 39,6 50,2
10 5,59 35,1 57,1
11 6,21 21,2 36,1
12 5,98 51,6 60,3
13 7,13 19,3 37,8
14 6,74 58,7 67,6
15 5,73 21,3 64,9
16 6,12 45,8 49,4
17 7,32 22,1 55,3
18 8,01 16,3 35,4
19 6,75 41,2 54,7
20 6,43 33,7 58,8
Выводы. Особенностью методик АНК является возможность оценки независимых источников сигналов на основании данных об амплитуде, при этом временные и частотные показатели не анализируется, что является как преимуществом, так и недостатком в зависимости от цели использования. В проведённом исследовании доказано, что оценка временных и частотных компонент также важна для анализа предсердной активности. Авторами предложен алгоритм разделения предсердной активности от других источников (желудочковая активность, шумы, артефакты и др.). Апробация разработанного алгоритма на 20 сигналах, зарегистрированных при проведении электрофизиологического исследования у пациентов с фибрилляцией предсердий, доказывает эффективность предложенного решения по сравнению с существующими методами. Применение предложенного алгоритма позволяет в дальнейшем анализировать спектральные характеристики сигнала, что является важным инструментом для исследований у пациентов с различными формами фибрилляции предсердий.
Работа выполнена при поддержке гранта РФФИ № 16-37-60012.
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2016 - V. 23, № 2 - P. 182-188
Литература
1. Fuster V., Ryden L.E. ACC/AHA/ESC Guidelines for the Management of Patients with Atrial Fibrillation // J. Am. Col. Card. 2014. Vol. 38 (4). P. 1-70.
2. Stridh M., Sörnmo L. Spatiotemporal QRST Cancellation Techniques for Analysis of Atrial Fibrillation // IEEE Trans. Biomed. Eng. 2001. Vol. 48, No. 1. P. 105-111.
3. Castells F., Mora C., Rieta J.J., Moratal-Perrez D., Millet J. Estimation of atrial fibrillatory wave from single-lead atrial fibrillation electrocardiograms using principal component analysis concepts // Med. Biol. Eng. Comput. 2005. Vol. 43. P. 557-560. D0I:10.1007/BF02351028
4. Castells F., Rieta J.J., Millet J., Zarzoso V. Spatiotemporal blind source separation approach to atrial activity estimation in atrial tachyarrhythmias // IEEE Trans. Biomed. Eng. 2005. Vol. 52. P. 258-267. D0I:10.1109/TBME.2004.840473
5. Alcaraz R., Rieta J.J. Adaptive singular value cancelation of ventricular activity in single-lead atrial fibrillation electrocardiograms // Physiol. Meas. 2008. Vol. 29. P. 1351-1369.
6. Alcaraz R., Hornero F., Rieta J.J. Validation of surface atrial fibrillation organization indicators through invasive recordings. Proc. 33rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Boston, Massachusetts USA, Aug. 30 Sept. 3, 2011.
7. Zarzoso V., Comon P. Robust independent component analysis by iterative maximization of the kurtosis contrast with algebraic optimal step size // IEEE Trans. on Neural Networks. 2010. Vol. 21, no. 2. P. 248-261.
8. Castells F., Laguna P., So'rnmo L., Bollmann A., Millet J. Principal component analysis in ECG signal processing // J. Adv. Signal Proc. 2007. Vol. 21. D0I:10.1155/2007/74580
9. Pandit S.V., Jalife J. Rotors and the dynamics of cardiac fibrillation // Circ Res. 2013. Vol. 112. P. 849-862.
10. Direct or coincidental elimination of stable rotors or focal sources may explain successful atrial fibrillation ablation: on-treatment analysis of the C0NFIRM trial (Conventional ablation for AF with or without focal impulse and rotor modulation) / Narayan S.M., Krummen D.E., Clopton P. [et al.] // J Am CollCardiol. 2013. Vol. 62. P. 138-147.
11. Treatment of paroxysmal atrial fibrillation by targeted elimination of stable rotors and focal sources without pulmonary vein isolation: the precise rotor elimination without concomitant pulmonary vein isolation for subsequent elimination of PAF (PRECISE) Trial / Narayan S., Krummen D., Donsky A. [et al.]. LB01-05. Heart Rhythm Society Annual Scientific Sessions; May 8-11,
2013, Denver, USA.
12. Epicardial wave mapping in human long-lasting persistent atrial fibrillation: transient rotational circuits, complex wavefronts, and disorganized activity / Lee G., Kumar S., Teh A. [et al.] // Eur Heart J. 2014. Vol. 35ю P. 86-97.
13. Selective complex fractionated atrial electrograms targeting for atrial fibrillation study (SELECT AF): a multicenter, randomized trial / Verma A., Sanders P., Champagne J. [et al.] // CircArrhythmElectrophysiol.
2014. Vol. 7. P. 55-62.
References
Fuster V, Ryden LE. ACC/AHA/ESC Guidelines for the Management of Patients with Atrial Fibrillation. J. Am. Col. Card. 2014;38(4):1-70.
Stridh M, Sörnmo L. Spatiotemporal QRST Cancellation Techniques for Analysis of Atrial Fibrillation. IEEE Trans. Biomed. Eng. 2001;48(1):105-11. Castells F, Mora C, Rieta JJ, Moratal-Perrez D, Millet J. Estimation of atrial fibrillatory wave from single-lead atrial fibrillation electrocardiograms using principal component analysis concepts. Med. Biol. Eng. Comput. 2005;43:557-60. D0I:10.1007/BF02351028
Castells F, Rieta JJ, Millet J, Zarzoso V. Spatiotemporal blind source separation approach to atrial activity estimation in atrial tachyarrhythmias. IEEE Trans. Biomed. Eng. 2005;52:258-67. D0I:10.1109/TBME.2004.840473
Alcaraz R, Rieta JJ. Adaptive singular value cancelation of ventricular activity in single-lead atrial fibrillation electrocardiograms. Physiol. Meas. 2008;29:1351-69. Alcaraz R, Hornero F, Rieta JJ. Validation of surface atrial fibrillation organization indicators through invasive recordings. Proc. 33rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Boston, Massachusetts USA, Aug. 30 Sept. 3; 2011. Zarzoso V, Comon P. Robust independent component analysis by iterative maximization of the kurtosis contrast with algebraic optimal step size. IEEE Trans. on Neural Networks. 2010;21(2):248-61. Castells F, Laguna P, So'rnmo L, Bollmann A, Millet J. Principal component analysis in ECG signal processing. J. Adv. Signal Proc. 2007;21. D0I:10.1155/2007/74580
Pandit SV, Jalife J. Rotors and the dynamics of cardiac fibrillation. Circ Res. 2013;112:849-62. Narayan SM, Krummen DE, Clopton P, et al. Direct or coincidental elimination of stable rotors or focal sources may explain successful atrial fibrillation ablation: on-treatment analysis of the C0NFIRM trial (Conventional ablation for AF with or without focal impulse and rotor modulation). J Am CollCardiol. 2013;62:138-47.
Narayan S, Krummen D, Donsky A, et al. Treatment of paroxysmal atrial fibrillation by targeted elimination of stable rotors and focal sources without pulmonary vein isolation: the precise rotor elimination without concomitant pulmonary vein isolation for subsequent elimination of PAF (PRECISE) Trial. LB01-05. Heart Rhythm Society Annual Scientific Sessions; May 8-11, 2013, Denver, USA.
Lee G, Kumar S, Teh A, et al. Epicardial wave mapping in human long-lasting persistent atrial fibrillation: transient rotational circuits, complex wavefronts, and disorganized activity. Eur Heart J. 2014;35:86-97.
Verma A, Sanders P, Champagne J, et al. Selective complex fractionated atrial electrograms targeting for atrial fibrillation study (SELECT AF): a multicenter, randomized trial. CircArrhythmElectrophysiol. 2014;7:55-62.
