CC BY
18
УДК 612.172.2
А. П. Кулешов
Московский физико-технический институт (государственный университет)
Алгоритм выявления критических состояний при суточном мониторировании с использованием многофункционального портативного устройства
Разработан алгоритм нахождения частоты сердечных сокращений (ЧСС) при анализе электрокардиографического сигнала, позволяющий производить динамическую оценку изменения периодичности ЧСС и выявления критических состояний электрофизиологической активности сердца для выявления критический состояний. В исследованиях производится расчет длительности R-зубца по алгоритму без установки фиксированных числовых порогов, а также применение условий для расчёта скорости нарастания и спада амплитуды. Алгоритм реализован с помощью программной среды LabView. Параллельно проводится сравнение значений ЧСС с зарегистрированными данными от датчиков температуры, влажности и акселерометра, а также учитывается корреляция ЧСС с антропометрическими особенностями организма и физической нагрузкой в текущий момент времени.
Ключевые слова: алгоритмы обработки медицинских сигналов, выделение R-зубца, оценка ЧСС, синдром внезапной сердечной смерти, математическая обработка медицинских сигналов, персонализованная медицина, прогнозирование критических состояний.
A. P. Kuleshov
Moscow Institute of Physics and Technology (State University)
Algorithm of critical conditions detection in 24-hour monitoring with a multifunctional portable device
The algorithm of heart rate detection with analysis of an electrocardiographic signal is developed for sequential assessment of heart rate periodicity change and detection of critical conditions of heart electrophysiological activity for detection of critical conditions. The duration of R-wave peak time is calculated in the study without fixed thresholds, and the application of conditions for calculation of the rise rate and amplitude decay. The algorithm is realized with software environment LabView. At the same time the heart rate values are compared with the data registered by sensors of temperature, humidity and accelerometer, the heart rate correlation with anthropomorphic constitutional peculiarities and physical exercise at the current moment should be taken in account. The offered aggregate of diagnostic criterion allows one to assess the tendency of electrophysiological leading of electrocardiac tissues to diagnostically significant pathologies of the work of heart examined in real time, which allows one to identify the criterion of critical condition prognosis.
Key words: algorithms of medical signals processing, R-wave peak differentiation, heart rate, syndrome of sudden cardiac death, mathematical processing of medical signals, personalized medicine, critical conditions prognosis.
1. Введение
Анализ современных источников позволяет сделать вывод о том, что смертность, связанная с вопросами сердечно-сосудистой системы, занимает первое место среди всех остальных причин летальных исходов. В современной кардиологии и электрофизиологии существует масса нерешенных проблем, часть из которых зависит не от этимологии и генеза конкретной патологии пациента, а в своевременном выявлении чрезвычайных ситуаций. Особенно такая постановка задачи и её решение актуальны для людей, подверженных
чрезмерным нагрузкам, к категории которых можно отнести спортсменов, людей, занятых тяжелым физическим трудом, а также нельзя исключать и людей, ведущих обыденную жизнь, не подвергая себя повышенному физическому напряжению. Вероятность возникновения сердечной патологии у среднестатистического человека растёт с каждым годом, что обуславливается рядом факторов, таких как: психоэмоциональное напряжение, ухудшающаяся экология, недостаток или чрезмерность физических нагрузок и ряд других. Целью проведённого исследования стало прогнозирование наступления внезапной сердечной смерти (ВСС) при возникновении первых симптомов, изменения организма при наступлении могут быть обратимыми, а также своевременно предупредить наступление ВСС.
В принятом на сегодняшний день определении термина ВСС описывается состояние смерти человека в результате патологии сердечно-сосудистой системы, произошедшей за очень короткий срок, в среднем за час [1]. Можно выделить несколько причин ВСС, но наибольший интерес представляют именно «следственные» причины смерти, которые классифицируются как непосредственные причины остановки сердца. Одним из ярких примеров указанных причин смертности являются фибрилляция желудочков и асистолия сердца, вызванные в 85-90% случаев ишемической болезнью в любых ее клинических проявлениях, включая бессимптомное течение, при котором внезапный летальный исход является единственным клиническим проявлением болезни.
По данным ВОЗ, частота внезапной сердечной смерти составляет 30 случаев в неделю на 1 млн населения, т.е. в РФ можно ожидать более 4500 случаев. Частота внезапной сердечной смерти, по данным ВОЗ, относительно всех подвергшихся вскрытию умерших больных составляет: в возрасте 30-39 лет - 5,9%; в возрасте 40-49 лет - 20,2%; в возрасте 50-59 лет - 28,3%; в возрасте 60-69 лет - 44,7%; Статистика распространенности ВСС, произошедшей вне лечебного учреждения, в Европе составляет 38 случаев на 100 000 населения [2].
Факторы риска ВСС такие же, как и факторы риска развития ишемической болезни сердца. Каждый из факторов риска вносит свой вклад в развитие преждевременной смертности населения Российской Федерации [3]:
- артериальная гипертензия — 35,5%;
- гиперхолестеринемия — 23%;
- недостаток витаминов — 12,9%;
- избыточная масса тела — 12,5%;
- избыточное потребление алкоголя — 11,9%;
- гиподинамия — 9%.
2. Электрокардиография (ЭКГ)
На сегодняшний день суточное мониторирование дает максимальную информацию о состоянии сердца. Устройства и системы диагностики обладают различными функциональными свойствами. Главным недостатком диагностических устройств, ориентированных на обычных пользователей, является невысокая точность регистрации и оценки электрокар-диосигнала (ЭКС). При использовании устройств в условиях свободной двигательной активности целесообразно проведение непрерывной регистрации сигнала, аналогично реализации в устройства для холтеровского мониторирования. Большой объем данных приводит к минимизации ошибки при анализе ЭКГ. По одноканальной 30-ти секундной ЭКГ (устройство AliveCor) оценка состояния кардиореспираторной системы является затруднительной.
Анализ рынка медицинских изделий потребительского назначения продемонстрировал, что наиболее доступным в настоящий момент продуктом для широкого использования является система eMotionECG финской компании Mega Electronics. Такая система способна вести диагностику в режиме реального времени в условиях свободной двигательной активности пациента, однако, учитывая стоимость базовой версии и дорогостоящей поддержки, можно сделать вывод о недостаточной перспективности распространения такого устройства на российском рынке.
Профессиональные устройства мониторинга и контроля состояния сердечно-сосудистой системы, такие как «Астрокард-телеметрия 3G», рассчитаны прежде всего для использования медицинским персоналом и в условиях амбулатории, что затрудняет доступ к качественному мониторингу и исследованиям. Анализ современных устройств, присутствующих на рынке медицинских изделий, продемонстрировал, что полностью автономных систем и устройств, регистрирующих признаки ВСС в режиме реального времени в условиях свободной двигательной активности, не существует.
В исследовании анализируется критерий, обуславливающий прогнозирование аритмий, не связанных с физическими нагрузками. Для решения поставленных в исследовании задач использовались датчики температуры, влажности и акселерометр. У многих пациентов изменения на ЭКГ неспецифичны. Так, при возникновении приступа аритмии электрокардиограмма позволяет определить ее вид и локализацию фокуса. У ряда пациентов, например, при синдроме WPW на электрокардиограмме могут выявляться характерные изменения даже в состоянии покоя без каких-либо жалоб.
3. Проведение мониторинга
Для получения данных суточного мониторирования использовалось сконструированное в рамках исследований устройство, основным элементом которого является микроконтроллер ADS1298ECG компании Texas Instruments [4]. Данные регистрировались по 3 электродам, не считая электрода «земля», которые обеспечивали 2 канала отведений. Сигналы остальных 4 отведений получались с использованием математических преобразований. Необходимо отметить, что в сконструированном устройстве также использовались датчики температуры и влажности, модуль Wi-fi и акселерометр, который регистрирует данные по трем осям.
Регистрируемый сигнал содержит ярко выраженную высокочастотную помеху, тогда как результаты спектрального анализа выявляют наличие высокоамплитудной помехи с частотой 50 Гц. Следует отметить, что низкочастотные помехи не так очевидно влияют на сигнал. Важно подчеркнуть, что спектр сигнала содержит сетевые помехи 50, 100, 150 Гц, которые требуется удалить из сигнала. Для реализации обозначенных целей спроектированы фильтры ФНЧ 5-го порядка с частотой среза 120 Гц и полосно-заграждающий фильтр (ПЗФ) второго порядка, подавляющий сетевую помеху 50Гц. Спроектированные фильтры реализованы на входных трактах платы.
4. Алгоритм анализа ЭКГ для выявления критических состояний
В работе предлагается алгоритм оценки состояния электрофизиологических свойств сердечной мышцы и выявления критических состояний сердца, а также симптомов ВСС на ранней стадии, автономно и в условиях свободной двигательной активности. Разрабатываемый алгоритм заключается в том, что электрокардиосигнал, регистрируемый в условиях свободной двигательной активности, передается на входной тракт микроконтроллера, с помощью которого производится предварительная диагностика критических состояний электрофизиологической активности сердца [5]. Как было отмечено ранее, в рамках описываемого исследования разработан алгоритм выявления критических состояний, основанный на диагностически значимых изменениях ЧСС в условиях длительного мониторирования. Обработка данных производится в динамическом режиме. Такое условие требует четкой классификации полученных микроконтроллером семплов. Необходимо отметить, что микроконтроллер (МК) может хранить определенный диапазон значений в регистре, но на стадии приема данных, поступающих на блок входных значений, необходимо минимизировать не требующиеся для работы данные. Алгоритм разделен на следующие составные элементы (рис. 1):
1) получение семпла и определения полноты зарегистрированных данных;
2) выделение начальных максимальных значений;
3) регистрация R-зубца;
4) вычисление ЧСС;
5) вычисление периодичности ЧСС.
Немало
fbntfEHue cb+ых \
Поиск манхичалы-ьк зненэ-ш
Поиск R-3tjöua и RR-u-rnspöcm
Посчет ЧСС корреляция с äcrn-LKCMJ
Посчет ПЕриодиччасгти ЧСС
КеррЕЛЯЦШ С äOTHUKCMJ
I ~~
Конец
Рис. 1. Блок-схема алгоритма выявления критических состояний в условиях суточного
мониторирования
Перед началом работы данные о пациенте регистрируются в памяти устройства посредством ввода с использованием персонального компьютера. Зарегистрированные данные будут учитываться при анализе ЧСС пациента, затем счетчики в МК обнуляются. Данные о пациенте в совокупности содержат информацию с акселерометра, каналов ЭКГ и датчиков температуры и влажности.
Семплы записываются в течение 30 секунд, и реализуемый на МК алгоритм выделяет максимальные значения в сигнале, циклически перезаписывая их при обнаружении нового. Максимальные значения в нашем случае отражают информацию о скорости нарастания амплитуды (МАХ1, МАХ2) и о самой амплитуде (МАХ). Отличительная особенность R-зубца состоит в том, что при визуализации рассматриваемых основных отведений можно отметить, что скорости нарастания и спада его амплитуды имеют наибольшие значения по сравнению с остальными элементами электрокардиосигнала. В исследовании скорость определяется как результат разности амплитуд двух соседних семплов относительно разности времени начала и конца регистрации, поэтому прогнозирование амплитуды R-зубца невозможно. Значение амплитуды ЭКС зависит от частоты дискретизации, а скорость нарастания R-зубца отличается от других элементов комплекса ЭКС в несколько раз. Для корректного анализа необходимо определять скорость нарастания и спада в течение 30 секунд, от значений амплитуд которых зависят пороги обнаружения R-зубца в дальнейшем.
При достижении длительности записи в 30 секунд микроконтроллер записывает в свой регистр вычисленные значения (рис. 2), что свидетельствует о логическом завершении работы текущего блока. Целью следующего блока (рис. 3) является детекция R-зубца. Необходимо отметить, что МК регистрирует изменения входных данных датчиков и акселерометра за 30 секунд. Детекция R-зубца осуществляется при выполнении следующих условий (1):
A[i - 1] >A[i],
A[i - 1] > A[i - 2], (1)
| max -A[i - 1]| > A[i - 1]/2,
где A[i - 1] - следующий за рассматриваемым семпл. Зубец ЭКС-сигнала считается таковым при выполнении следующих условий: предыдущий и последующий семплы меньше
его по амплитуде. При соблюдении такого условия семпл проверяется по второму условию: сравнение амплитуды пика с максимальной амплитудой. Анализ данных продемонстрировал, что разница максимального значения и И-зубца меньше половины самого И-зубца более чем на 50%. Численное выражение значения порога И-зубца выбрано с учетом средней амплитуды Т-зубца для выполнения правильной категоризации зубцов. Преимущество реализуемого в исследовании метода заключается в том, что пороговое значение задаётся в ходе реализации алгоритма, а не до её начала, что повышает чувствительность методики на 7 ± 2.3 %.
Рис. 2. Блок выделения максимальных значений в течение 30 секунд
Рис. 3. Блок выделения R-зубца
В тех случаях, когда Т-зубец имеет высокоамплитудное значение сигнала, например, при фиксации электродов в прекардиальной области, для отличия И-зубца от Т-зубца необходимо воспользоваться условием (2):
- !]--2]) > 0.7тах1,
|(Time[i - 1] - Time[i - 2])|
(АН - 1] - Щ)
-—г-- г пч I < 0.7 max2. (2)
1 (Тгте[г - 1] - ТгтеЩ)1 v 7
R-зубцы записываются в регистр, где вычисляется RR-интервал. Если г компонент не удовлетворяет условиям для категоризации R-зубца, то цикл начинается с начала при приходе нового семпла. Дополнительно максимальное значение сигнала корректируется по формуле (3), которая учитывает колебания изолинии сигнала:
тах = (тах+Ад)/2. (3)
Этот блок условий позволяет дифференцировать И-зубец с достоверностью не менее 97% даже в тех случаях, когда его амплитуда сравнима с остальными артефактами ЭКГ. На выходе блока регистрируются данные об амплитуде и длительности И-зубцов. ИИ-интервал является разностью времени начала последующего И-зубца относительно предыдущего.
Условием начала работы двух следующих блоков является наличие достаточного количества ИИ-интервалов. ЧСС рассчитывается по трем интервалам. Для расчёта ЧСС включается счетчик .]. МК арифметически рассчитывает среднее значение ИИ-интервала, когда ■] = 3. После этого данные счетчика обнуляются, и ожидается следующий пакет данных. При наличии вычисленных ЧСС происходит проверка удовлетворению условиям, отражённых в алгоритме, блок-схема которого представлена на рис. 4.
Второй цикл направлен на расчет периодичности ЧСС (рис. 5). Периодичность показывает процентное изменение ЧСС за несколько сердечных циклов. Реализация алгоритма начинается при регистрации трех ИИ-интервалов. При получении очередного интервала происходит перерасчет периодичности по двум предшествующим значениям, поэтому счётчик цикла постоянно сдвигается на одно значение. Текущий ИИ-интервал сравнивается с предыдущими двумя для оценки процентного изменения.
ЗВ ап}пех( с1д
Рис. 4. Блок определения ЧСС и критических состояний
Рис. 5. Блок оценки периодичности ЧСС
5. Оценка критических состояний
Ранее рассмотренные блоки описывают метод выделения И-зубца и расчета ЧСС. На следующем этапе исследований необходимо сформировать блок условий для выявления критических состояний. На рис. 4 и 5 продемонстрированы блок-схемы алгоритмов, результатом работы которых является сравнение данных датчиков, антропометрических и физиологических параметров человека. В разработанном в ходе исследования алгоритме предложена формула расчета диапазона нормы сердечного сокращения. Формула (4) позволяет получить фиксированное пороговое значение, которое зависит от роста (Р), массы (М) и возраста (В):
ЧСС > 210 В(Р - В)(М + В) (4) ЧСС >210 - (р + в)(м - В) • (4)
Корреляция между физическими параметрами, возрастом и сердечной активностью продемонстрирована во многих исследованиях [3]. Анализ продемонстрировал, что параметры патологии будут изменяться индивидуально для каждого человека. Численное значение ЧСС, равное 210, является статистическим минимальным порогом [6], соответствующим трепетанию желудочков. Очевидно, что масса тела влияет на электрофизиологические особенности сердца, например, с точки зрения гемодинамических особенностей коронарного русла, зависящего в том числе и от уровня холестерина. Для анализа первопричины фибрилляции необходимо сравнить данные ЧСС со значением акселерометра за последние 30 секунд. Такие действия помогут выделить те состояния, при которых чрезмерное повышение ЧСС является результатом физической нагрузки.
Завершает описываемый блок проверка зависимости данных ЧСС и датчиков температуры и влажности. При учащённом сердцебиении усиливается кровоток, что приводит
к изменению температуры тела и увеличению потоотделения. Как показали проведённые исследования, влажность поверхности тела при нормальных условиях составляет 55-70%, а при усиленном потоотделении практически 100%.
Периодичность ЧСС рассчитывается по трем соседним RR-интервалам. Такого количества значений достаточно для обнаружения начального момента трепетания желудочков и других гемодинамически значимых аритмий.
Установленный порог в 30% связан с определением ЧСС при аритмии. При таких состояниях, например, как фибрилляция, сердце сокращается с частотой 300-400 ударов в минуту; трепетание желудочков предполагает частоту 200-300 ударов в минуту. Следует отметить, что пароксизмальная желудочковая тахикардия - это внезапно начинающийся и так же внезапно заканчивающийся приступ учащенных желудочковых сокращений с частотой до 150-180 ударов в минуту. Аритмии синусового узла отвечают критерию изменения RR-интервала более чем на 10%, брадикардии - 10%.
6. Апробация алгоритма
Рассмотренные блоки алгоритма выделения критических состояний при суточном мо-ниторировании реализованы в программном обеспечении LabView [7]. Скриншот визуально информативной части показан на рис. 6. Сигнал, полученный по Wi-fi каналу, как показано ранее, фильтруется для дальнейшей обработки в основной части программы. В рассматриваемом случае программой рассчитаны 6 отведений по известным электрокардиографическим формулам [5, 8]. Для обработки в качестве основного отведения использовалось первое (LEAD 1). Расчет R-зубцов визуализирован вертикальной линией, проходящей непосредственно через сам пик. В правом верхнем углу рассчитаны параметры ЧСС и периодичности. Визуализированный фрагмент ЭКГ демонстрирует нормальный синусовый ритм без аритмии и ярко выраженных патологий. Увеличение Т-зубца во втором отведении обусловлено схемой расположения электродов.
О 100 ¿00 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 1999
Sampfe fTimel
Рис. 6. Окно программного обеспечения и примера работы алгоритма в среде
программирования ЬаЪУ1в'№
Регистрируемые акселерометром данные на экран не выводятся, так как опрос датчика происходит при возникновении критических ситуаций. В случае регистрации критических состояний в точке появления такого состояния появится красная линия, указывающая
на момент обнаружения. Главная часть алгоритма, а именно поиск И-зубца, при условии достаточной фильтрации сигнала и правильной фиксации электродов дает малое число ошибочных результатов. Ошибки работы алгоритма связаны с наводкой от сетевых помех высокой амплитуды и частоты (при регистрации ЭКГ в моменты зарядки устройства от сети питания) либо влиянием артефактов.
7. Выводы
Обзор современного состояния вопросов проблем ВСС и устройств для её прогнозирования и раннего обнаружения позволяет заключить, что регистрация и анализ ЭКС в условиях свободной двигательной активности обладают определенной спецификой, обусловленной повышенным уровнем помех и артефактов сигнала, нестабильностью контактов и т.п. Диагностика ВСС особенно важна и эффективна в условиях свободной двигательной активности, когда человек может еще не чувствовать острых симптомов заболевания и поддерживать нормальную, даже повышенную физическую активность. Однако существующие портативные системы для регистрации и анализа ЭКС в условиях свободой двигательной активности не обеспечивают возможность определения признаков ВСС.
В работе предложен и реализован алгоритм оценки критических состояний по ЭКС и регистрируемым данным с других датчиков устройства, которые позволяют диагностировать наступление диагностически значимых критических состояний с погрешностью не более 7 ± 2.3 %. Показан пример получения сигнала ЭКГ, визуализированного в программном обеспечении ЬаЬУе1"№. Дальнейшее совершенствование алгоритма будет происходить в области детекции QT- или БТ-интервалов.
Работа выполнена при финансовой поддержке Гранта Министерства образования Российской Федерации/ Уникальный идентификатор проекта. RFMEFI57814X0052.
Литература
1. Бокерия Л.А. Современная инструментальная неинвазивная диагностика в кардиохирургии: рациональный подход - сокращенный путь к диагнозу. Федеральный справочник. Снижение уровня смертности населения от социально значимых заболеваний // Анналы аритмологии. 2010. № 4.
2. Рутткай-Недецки Проблемы электрокардиологической оценки влияния вегетативной нервной системы на сердце. Вестник аритмологии 28/06/2001. С. 56-60.
3. Кардиоваскулярная профилактика. Национальные рекомендации // Кардиоваскулярная терапия и профилактика. 2011. № 10 (6). Приложение 2, URL: www.scardio.ru (дата обращения: 12.04.2014).
4. ADS1298ECG-FE/ADS1198ECG-FE ECG Front-End Performance Demonstration Kit - User's Guide / Texas Instruments [Электронный ресурс], URL: http://www.ti.com/lit/ug/sbau171c/sbau171c.pdf (дата обращения 23.02.2014).
5. Danchin N., Marzilli M., Parkhomenko A., Pibeiro J.P. Efficacy comparison of trimetazidin with therapeutic alternatives instable angine pectoris: A network Meta-Analisis // Cardiology. 2011. V. 120. P. 59-72.
6. European Guidelines on cardiovascular diseases prevention in clinical practice. The Task Force for the management of the European Society of Cardiology (ESC) and Other Societies on Cardiovascular diseases // Eur. Heart J. 2012. V. 38. P. 1635-1701.
7. Лупов О.Ю., Муякшин С.И.,. Шарков В.В LabVeiw в примерах и задачах // Учебно-методические материалы по программе повышения квалификации «Обучение технологиям National Instruments». Нижний Новгород, 2007.
8. Фадин В.С. Алгоритмы выделения QRS-комплекса в ЭКГ // iLab. 2010. [Электронный ресурс]. URL: http://ilab. xmedtest.net/?q=node/126 (Дата обращения: 03.12.2011).
References
1. Bokeria L.A. Modern non-invasive diagnostic tool in cardiac surgery: a rational approach - a brief way to diagnosis. Federal guide. Reducing mortality caused by socially significant diseases. Annals of arrhythmology, №4, 2010.
2. Ruttkay-Nedetski Problems electrocardiologic evaluation of the impact of the autonomic nervous system to the heart. Bulletin of arrhythmology 28/06/2001, p. 56-60.
3. European Resuscitation Council Guidelines for Resuscitation 2010. Resuscitation. 2010. N 80. P. 1219-1276. URL: www.elsevier.com/locate/resuscitation (date of reference: 18.01.2014).
4. Heart-vascular prevention. National recommendations. 2011. Heart-vascular therapy and prevention. 2011. N 10(6). Annex 2, URL: www.scardio.ru (date of reference: 12.04.2014).
5. ADS1298ECG-FE/ADS1198ECG-FE ECG Front-End Performance Demonstration Kit - User's Guide / Texas Instruments [Digital resource], URL: http://www.ti.com/lit/ug/sbau171c/sbau171c.pdf (date of reference: 23.02.2014).
6. Efficacy comparison of trimetazidin with therapeutic alternatives instable angine pectoris: A network Meta-Analisis. N. Danchin, M. Marzilli A. Parkhomenko, J.P. Pibeiro. Cardiology. 2011. V. 120. P. 59—72.
7. European Guidelines on cardiovascular diseases prevention in clinical practice. The Task Force for the management of the European Society of Cardiology (ESC) and Other Societies on Cardiovascular diseases. Eur. Heart J. 2012. V. 38. P. 1635—1701.
8. Luov S.Yu., Muyakshin S.I., Sharkov V.V. LabVeiw I examples and tasks. Educational materials for the training program «Education Technology of National Instruments», Nizhniy Novgorod, 2007.
9. V.S. Fadin Algorithms of QRS-complex differentiation in ECG. iLab. 2010. [digital resource]. URL: http://ilab. xmedtest.net/?q=node/126 (Date of reference: 03.12.2011).
Поступила в редакцию 10.09.2015.
