CC BY
43
DOI: 10.31556/2219-0678.2019.36.2.042-048
Подход к улучшению автоматизированной системы компьютерного анализа электрокардиограммы
В.В. Муромцев, В.М. Никитин, О.А. Ефремова, Л.А. Камышникова
«Белгородский государственный национальный исследовательский университет», Белгород, Россия
Цель. Разработка подхода к улучшению автоматизированных систем компьютерного анализа электрокардиограммы (ЭКГ), повышающего производительность врача.
Материалы и методы. В качестве материалов используется существующий прототип системы компьютерного анализа ЭКГ, разработанный авторами статьи. В качестве метода используется метод динамической трансформации временной шкалы (dynamic time warping (DTW)), а также методы структурной и объектно-ориентированной разработки программного обеспечения.
Результаты. Основная идея улучшения автоматизированных систем компьютерного анализа ЭКГ заключается в предоставлении врачу удобных программных средств, позволяющих: задавать различные шаблоны комплексов QRS; выбирать шаблоны и в автоматическом режиме находить в ЭКГ комплексы QRS, наиболее похожие на выбранный шаблон. Основным результатом работы является алгоритм, позволяющий количественно оценить степень похожести комплекса QRS, выделенного из ЭКГ, и заданного шаблона. Алгоритм основан на методе DTW. Предложенное улучшение апробировано при модификации существующей системы компьютерного анализа ЭКГ В результате модификации в систему были добавлены удобные диалоговые средства, позволяющих врачу при просмотре ЭКГ перемещаться по комплексам QRS, с учетом их степени похожести на выбранный шаблон. Это дало врачу возможность быстрее оценивать состояние пациента и сформировать заключение.
Заключение. Предложенный подход позволяет модифицировать автоматизированные системы компьютерного анализа ЭКГ с целью повышения производительности врача.
КЛЮЧЕВЫЕ СЛОВА: ЭКГ, аннотирование ЭКГ, комплекс QRS, метод DTW, автоматизированная система компьютерного анализа ЭКГ
Для цитирования: Муромцев В.В., Никитин В.М., Ефремова О.А., Камышникова Л.А. Подход к улучшению автоматизированной системы компьютерного анализа электрокардиограммы. Медицинские технологии. Оценка и выбор. 2019; 2(36): 42-48. DOI: 10.31556/2219-0678.2019.36.2.042-048
Approach to Improving the Automated System 42 Computer Analysis of the Electrocardiogram
V.V. Muromtsev, V.M. Nikitin, O.A. Efremova, L.A. Kamyshnikova
Belgorod State University, Russia
Purpose is to develop and test an approach to the improvement of automated electrocardiogram (ECG) computer analysis systems, which increases physician productivity.
Materials and methods. The existing prototype of the ECG computer analysis system developed by the authors is used as materials. Dynamic time warping (DTW) method, as well as structural and object-oriented software development techniques were used.
Results and discussion. The main idea of improving automated computer-assisted ECG analysis systems is to provide the doctor with convenient software tools that allow you to: set various templates for QRS complexes; select templates and automatically find QRS complexes in ECG that are most similar to the selected template. The main result of the work is an algorithm that allows to quantify the degree of similarity of a QRS complex isolated from an ECG and a given pattern. The algorithm is based on the DTW method. The proposed improvement was tested when modifying the existing ECG computer analysis system. As a result of the modification, convenient interactive tools were added to the system, which allow the doctor to navigate the QRS complexes while viewing the ECG, taking into account their degree of similarity to the selected template. This gave the doctor the opportunity to quickly assess the patient's condition and make a conclusion.
Conclusion. The proposed approach allows you to modify the automated computer-aided analysis of the ECG in order to increase the productivity of the doctor.
KEYWORDS: ECG, ECG annotation, QRS complexes, method DTW, automated ECG computer analysis system.
For citation: Muromtsev V.V., Nikitin V.M., Efremova O.A., Kamyshnikova L.A. Approach to Improving the Automated System Computer Analysis of the Electrocardiogram. Medical Technologies. Assessment and Choice. 2019; 2(36): 42-48. DOI: 10.31556/2219-0678.2019.36.2.042-048
ВВЕДЕНИЕ
Сердечно-сосудистые заболевания (ССЗ), прежде всего ишемическая болезнь сердца (ИБС), занимают первое место по смертности и имеют высокую распространенность во всем мире среди всех хронических неМЕДИЦИНСКИЕ ТЕХНОЛОГИИ I ОЦЕНКА И ВЫБОР
инфекционных заболеваний [1-5]. В оценке состояния сердечно-сосудистой системы существенную роль играет анализ электрокардиограммы (ЭКГ) [6-8]. Эффективное предупреждение смертности при ИБС, может быть решено с помощью своевременного выявления жизне-угрожающих состояний [9, 10], например, путем непре-
№ 2 (36)
рывного, оперативного автоматического анализа ЭКГ при использовании телеметрических систем.
Известно, что физиологическое происхождение сигнала: его разнообразие, непредсказуемость, изменчивость, недетерминированность, помехи обуславливают сложность решения задачи диагностики [11-13]. Подход к решению задач ранней диагностики в режиме реального времени требует мощных процессоров, производительных вычислительных средств и программ. Техническое решение такого подхода может быть реализовано на основе телеметрического мониторинга состояния сердечно-сосудистой системы, который предполагает первичный автоматический анализ ЭКГ и последующую постановку диагноза, выполняемую врачом с помощью автоматизированных систем.
Цель исследования - разработка подхода к улучшению автоматизированных систем компьютерного анализа ЭКГ, повышающего производительность врача функциональной диагностики.
МАТЕРИАЛЫ И МЕТОДЫ
В качестве материала используется прототип системы компьютерного анализа ЭКГ, разработанный авторским коллективом и рассмотренный в работе [14].
В этой системе реализовано автоматическое распознавание особых точек ЭКГ и возможности автоматизированного поиска характерных участков ЭКГ. Система способна распознавать такие особые точки как пик, начало и конец каждого из зубцов ЭКГ, начало и конец фибрилляции предсердий, волны трепетания желудочков, экстрасистолии и др. Каждая распознанная точка аннотируется, т.е. система ставит ей в соответствие определенную строку аннотации.
После того как аннотирование ЭКГ выполнено, врач может просматривать результаты. В системе реализована возможность перемещения по аннотированным точкам. Также для ускорения процесса поиска участков ЭКГ, интересующих врача, он может ввести некоторую строку аннотации. После этого система выделит все участки ЭКГ (линии), начинающиеся с особой точки, которой приписана введенная строка аннотации, и заканчивающиеся следующей точкой с такой же аннотацией. Далее возможно перемещение по линиям ЭКГ.
Перемещаясь не по графику ЭКГ, а по особым точкам, а также меняя начальную точку линии и перемещаясь по линиям, врач может быстрее проанализировать ЭКГ и сформировать заключение.
Эта система модифицируется для ускорения обработки информации врачом. Основная идея заключается в предоставлении врачу удобных программных средств, позволяющих при просмотре ЭКГ перемещаться по комплексам QRS, наиболее похожим на выбранный шаблон. Сравнение комплексов QRS и шаблона происходит автоматически с использованием метода DTW [15].
При модификации системы используются методы структурной и объектно-ориентированной разработки программного обеспечения, а также инструментальное
средство LabVIEW [16]. В качестве исходных данных выступают ЭКГ в формате банка PhysioBank [17].
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Повысить производительность врача функциональной диагностики можно за счет внедрения в систему компьютерного анализа ЭКГ средств, позволяющих ему перемещаться по комплексам QRS, наиболее похожим на выбранный шаблон. Для этого необходимо решить следующие задачи:
1. Разработать программные средства, позволяющие автоматически выделять комплексы QRS.
2. Разработать удобные диалоговые средства, позволяющие врачу задавать шаблоны комплексов QRS.
3. Разработать программные средства, позволяющие автоматически производить сравнение выделенных комплексов QRS с выбранным врачом шаблоном.
4. Разработать удобные диалоговые средства, позволяющие врачу просматривать ЭКГ и перемещаться по комплексам QRS, наиболее похожим на выбранный им шаблон.
Решение первой задачи предполагает нахождение в ЭКГ начала и конца каждого комплекса QRS. При решении данной задачи трудности возникают из-за того, что не каждый комплекс QRS имеет зубцы Q, R и S. Возможные формы комплексов представлены на рис. 1.
R
R
R
у
QS
Q
t
R
R
1 J
Q
R'
R
T
с
S
S
Рисунок 1. Picture 1.
Возможные виды комплексов QRS. Possible types of QRS complexes.
43
Однако в нашем случае модифицируется система, в которой уже реализована возможность выделения начала, конца и пика каждого из зубцов. В этом случае решение первой задачи не представляет трудности. Соответствующий алгоритм представлен диаграммой деятельности на рис. 2.
Для решения второй задачи реализована форма, включающая элемент, представленный на рис. 3. Элемент содержит узловые точки, расположенные друг от друга на одинаковом смещении по горизонтальной оси. Число узловых точек может задаваться врачом. Для зада-
q
S
г
s
Обнаружен зубец Q? / Q wave detected?
I
Иначе / Otherwise
А - Начало комплекса QRS, B — Конец комлекса QRS
А — begining of QRS complex, B — end of QRS complex
А = Начало зубца Q /| begining of Q wave J
Обнаружен зубец R? / R wave detected?
Иначе /
Otherwise £
Иначе / Otherwise
Обнаружен зубец R? / R wave detected?
А = Начало зубца R / A = begining R
В = Конец зубца Q ^Ц^
R wave detected?
B = end of Q wave
Иначе / Otherwise
Обнаружен зубец S? / S wave detected?
В = Конец зубца S / B = end of S wave
В = Конец зубца R / B = end of R wave
О
Обнаружен зубец R'? / R' wave 1 detected?
Иначе / Otherwise
('Ошибка / \__Error
Иначе / Otherwise
В = Конец зубца R /1 B = end of R wave J
'В = Конец зубца R' /1 B = end of R' wave J
В = Конец зубца S Л B = end of S wave I
44
Рисунок 2. Picture 2.
Алгоритм выделения комплексов QRS. Algorithm of QRS complexes selection.
ния шаблона врач должен задать положение каждой точки по вертикальной оси. Это делается путем перемещения точки с помощью манипулятора «мышь». Соседние точки сопрягаются с помощью отрезков прямых линий.
Рисунок 3. Picture 3.
Элемент пользовательского интерфейса для задания шаблонов комплексов QRS.
User interface element for defining QRS complex templates.
Наибольшую трудность представляет третья задача. Проведя анализ различных подходов к решению данной задачи, было принято решение взять за основу метод DTW. Данный метод позволяет найти оптимальное соответствие между двумя временными последовательностями. В нашем случае в качестве первой временной последовательности используется участок сигнала ЭКГ, соответствующий выделенному комплексу QRS, в качестве второй временной последовательности используется выбранный врачом шаблон комплекса QRS. Отметим, что метод DTW успешно применялся в аналогичных задачах, например, впервые метод был применен в распознавании речи. На основе данного метода разработан алгоритм сравнения комплекса QRS с шаблоном.
1. Входные данные. Пусть комплекс QRS и шаблон представлены последовательностями Q = (1, Q2,..., ^к) и Б =(£1,¿2,...,£{) соответственно. Обратите внимание, что размеры последовательностей могут отличаться, т.е. в общем случае к ^ I.
2. Начальная инициализация памяти. Алгоритм использует память в виде матрицы Т размера (к + 1) х (I + 1), где Ту = ж, ] = 0,...,1; Т,о =
г = 0,...,к. Здесь под ж понимается число заведомо большее, чем любое из значений векторов Q и &
Такая инициализация памяти позволяет избавиться от логических условий при формировании матрицы
трансформаций и тем самым повысить скорость вычислений.
3. Формирование матрицы трансформаций. Для хранения элементов матрицы трансформаций используются ячейки Tij, i = 1,...,k, j = 1,...,/.
Элементы матрицы вычисляем по формуле T j =
= min(T,j+i; T,j; T+1, j) + \Qi - Sj\; i = 0,..., k -1,
j = 0,..., / — 1. В данном случае используется евклидово расстояние Q — Sj между элементами Q( и Sj.
4. Определение степени похожести комплекса QRS на шаблон. Отметим, что в матрице трансформаций T есть путь R = ((,...,R^. Этот путь представляет собой набор смежных элементов матрицы T, который устанавливает соответствие между векторами Q и S.
Пусть Rk = (с*£, ßk) означает, что k-ый шаг пути R, который проходит через элемент Ta ß . Начинается путь R в элементе 711, т.е. R1 = (1,1), а заканчивается в элементе Tkj, т.е. Rp = (k,/). Таким образом путь содержит все элементы Q и S.
Путь R является монотонным, т. е. для любых двух смежных элементов пути Rk = (c*k ,ßk) и Rk+1 = = (c*k+1, ßk+0 выполняются следующие условия: ak +1 — ^k > 0, ßk+1 — ßk > 0. Другими словами, путь не будет возвращаться назад к пройденной точке. Т. е. любой из индексов ak, ßk или остается неизменным, или увеличивается, но никогда не уменьшается.
Путь R является непрерывным, т.е. для любых двух смежных элементов пути Rk = (ak ,ßk) и Rk+1 = = (ak+1, ßk+1) выполняются следующие условия: ak+1 — ak < 1, ßk+1 — ßk < 1. Другими словами, путь передвигается на один шаг за один раз. Т. е. любой из индексов ak, ßk может увеличиться на 1 или остаться неизменным на каждом шаге пути.
Число элементов пути R лежит в диапазоне max (k, /) < p < k + /.
В данном алгоритме путь R и число его элементов не определяется. В качестве стоимости пути или DTW расстояния между двумя последовательностями Q и S берется величина DTW (Q, S) = 7, /.
Для пояснения данного алгоритма рассмотрим абстрактный пример. Пусть имеем последовательности Q = (2 ,1 ,0 ,1 ,1) длины k = 5; и S = (5 ,3 ,3 ,2) длины / = 4. Выполнив алгоритм, получим матрицу трансформаций
T =
3 7 12 16 20
4
5 8 10 12
5
6 8 10 12
5
6 8
9
10
В этой матрице есть путь трансформаций R = ((1,1),(1,2),(2,3),(3,4),(4,4),(5,4)). Длина этого пути равна 10. Матрица и путь представлены на рис. 4.
Трансформации последовательностей Q = (2,1,0,1,1) и 5 = (5,3,3,2), соответствующие пути R = = ((1,1),(1,2),(2,3),(3,4),(4,4),(5,4) представлены графически на рис. 5. Из рисунка видно, что вначале Ql = 2 трансформируется в ^ = 5. Для обозначе-
ния трансформации далее будем использовать знак «^». Выполненную трансформацию запишем следующим образом: Ql ^ Л! Далее выполняются следующие трансформации: Ql ^ ¿2, Q2 ^ ¿3, ¿4 ^ Qз, Л4 ^ Q4, Л4 ^ Q5.
Пусть каждая трансформация выполняется за 1 условную единицу времени. В данном примере выполнено 6 трансформаций. Изобразим их на графике, в котором ось ОХ является временной осью. Данный график представлен на рис. 6.
Пусть для выполнения трансформации ^ ^ Qj
или Qj ^ требуется энергия, пропорциональная
^ - .
Тогда энергия, требуемая для выполнения всех
р
трансформаций, определяется как ЕQщ — , где
г=1 '
р- число элементов пути R = (1,...,, Ri = (аг-,в)-/-ый шаг пути R, проходящий через элемент Та, р..
Рисунок 4. Picture 4.
Матрица трансформаций и путь трансформаций для Q = (2, 1, 0, 1, 1) и S = (5, 3, 3, 2). Transformation matrix and transformation path for Q= (2, 1, 0, 1, 1) and S = (5, 3, 3, 2).
6
5 -4 -3 -2 -1 -
Рисунок 5.
Picture 5.
Трансформации последовательностей Q = (2, 1, 0, 1, 1) и S = (5, 3, 3, 2), соответствующие пути R = ((1, 1), (1, 2), (2, 3), (3, 4), (4, 4), (5, 4)). Sequence transformations Q = (2, 1, 0, 1, 1) and S = (5, 3, 3, 2), corresponded to path R = ((1, 1), (1, 2), (2, 3), (3, 4), (4, 4), (5, 4)).
45
0
5 -
4 -
3 -
2 --
1 -
2
3
4
5
6
Рисунок 6.
Picture 6.
Временной график трансформаций, соответствующих пути R = ((1, 1), (1, 2), (2, 3), (3, 4), (4, 4), (5, 4)).
Transformation timeline, corresponded to path R = ((1, 1), (1, 2), (2, 3), (3, 4), (4, 4), (5, 4)).
46
Рисунок 7.
Picture 7.
2
3
4
5
6
Энергия, требуемая для выполнения трансформации в соответствии с путем R. The energy required to perform the transformation in accordance with the path R.
Энергия, требуемая для выполнения всех трансформаций, соответствующих пути R, представлена площадью фигуры на рис. 7.
При таких допущениях энергия, требуемая для выполнения всех трансформаций равна Ту.
Итак, разработанный алгоритм позволяет автоматически производить сравнение выделенных комплексов QRS с выбранным врачом шаблоном. Результаты работы алгоритма используются для создания средств, позволяющих врачу просматривать ЭКГ и перемещаться по комплексам QRS, наиболее похожим на выбранный им шаблон, то есть для решения четвертой задачи. Реализация таких средств зависит от стиля пользовательского интерфейса автоматизированной системы компьютерного анализа ЭКГ, подлежащей модификации. В нашем случае модифицировалась система представленная в [14]. Интерфейс, позволяющий врачу просматривать ЭКГ и перемещаться по комплексам QRS, наиболее похожим на выбранный им шаблон, аналогичен интерфейсу перемещения по линиям ЭКГ. Также предусмотрена возможность в любой момент изменения шаблона.
Отметим, что в настоящее время растет число исследований, использующих форму волны ЭКГ для автоматического обнаружения жизнеугрожающих состояний ССС [18]. В этих методах можно выделить следующие этапы:
1. Предварительная обработка ЭКГ с целью удаления различных помех.
2. Декомпозиция сигнала ЭКГ и выделение особых точек.
3. Выделение количественных признаков.
4. Классификация.
На первых трех этапах широко используются методы фильтрации сигналов. Распространенным методом для декомпозиции сигнала ЭКГ и выделения признаков является дискретное вейвлет-преобразование (discrete wavelet transform, DWT). Методы, используемые для выделения признаков, варьируются от методов поиска морфологических признаков, рассчитанных непосредственно по сигналу ЭКГ, до метрик, основанных на сложных преобразованиях сигнала.
Также широко варьируются методы, используемые для классификации - от простого определения порогов до экспертных систем на основе правил и нейро-сетей [18].
Особенностью предлагаемого метода является то, что третий этап фактически удален, а для классификации формы сигнала используется простой метод DTW, который широко используется в системах распознавания речи, но, насколько известно авторам, не использовался в системах анализа ЭКГ.
Рассмотренный в работе алгоритм ставит в соответствие каждому комплексу QRS и выбранному шаблону число, характеризующее степень их похожести. Это число не используется для формирования диагностического решения, а только позволяет улучшить интерфейс автоматизированных систем компьютерного анализа ЭКГ, в которых уже реализована функция выделение особых точек. Улучшения интерфейса состоит в том, что у врача появляется возможность при просмотре ЭКГ перемещаться по комплексам QRS, наиболее похожим на выбранный им шаблон. Предложенный алгоритм обладает высоким быстродействием и не вносит заметных временных задержек в режим просмотра ЭКГ.
ЗАКЛЮЧЕНИЕ
В работе рассмотрен подход к улучшению автоматизированных систем компьютерного анализа ЭКГ, основанный на предоставлении врачу средств, позволяющих при просмотре ЭКГ перемещаться по комплексам QRS, наиболее похожим на выбранный шаблон. Предложенный подход позволяет модифицировать автоматизированные системы компьютерного анализа ЭКГ с целью повышения производительности врача функциональной диагностики.
6
0
1
4
3
0
1
Дополнительная информация
Конфликт интересов: авторы заявляют об отсутствии
конфликта интересов.
Финансирование: статья подготовлена при поддержке гранта РФФИ № 18-413-310002. Статья поступила: 14.02.2019 Принята к публикации: 11.03.2019
ЛИТЕРАТУРА
1. Всемирная организация здравоохранения. Европейский портал информации здравоохранения. Европейская база данных о смертности (MDB). URL: https://gateway.euro.who.int/ru/indicators/hfa_110-1340-sdr-ischaemic-heart-disease-all-ages-per-100-000/ (дата обращения: 12.01.2019).
2. Roth G.A., Johnson С., Abajobir A., Abd-Allah F., Abera S.F., Abyu G., et al. Global, Regional, and National Burden of Cardiovascular Diseases for 10 Causes, 1990 to 2015. J Am Coll Cardiol. 2017; 70 (1): 1-25. DOI: 10.1016/j.jacc.2017.04.052
3. Здравоохранение в России. 2017: Статистический сборник. М., 2017. URL: http://www.gks.ru/free_doc/doc_2017/zdrav17.pdf (дата обращения: 12.01.2019).
4. GBD 2013 Mortality and Causes of Death Collaborators. Global, regional, and national age-sex specific all-cause and cause-specific mortality for 240 causes of death, 1990-2013: a systematic analysis for the Global Burden of Disease Study 2013. Lancet. 2015; 385: 117-71. DOI: 10.1016/S0140-6736(14)61682-2
5. Townsend N., Wilson L., Bhatnagar P., Wickramasinghe K., Rayner M., Nichols M. Cardiovascular disease in Europe: epidemiological update 2016. Eur Heart J. 2016; 37 (42): 3232-45. DOI: 10.1093/eurheartj/ehw334
6. Kligfield P., Gettes L.S., Bailey J.J., Childers R., Deal B.J., Hancock E.W., et al.; American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; American College of Cardiology Foundation; Heart Rhythm Society. Recommendations for the standardization and interpretation of the electrocardiogram: part I: the electrocardiogram and its technology a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council o Clinical Cardiology; the American College of Cardiology Foundation; and the Heart Rhythm Society endorsed by the International Society for Computerized Electrocardiology. J Am Coll Cardiol. 2007; 49 (10): 1109-27. URL: http://content.onlinejacc.org/cgi/ reprint/49/10/1109.pdf (дата обращения: 12.01.2019).
7. Efremova O.A., Nikitin V.M., Lipunova E.A., Anohin D.A., Kamysh-nikova L.A. Estimate or the Effectiveness of Intelligent Information System of Early Diagnosis and Prognosis of Cardiovascular Disease. World Applied Sciences Journal. 2013; 26 (9): 1204-8. DOI: 10.5829/ idosi.wasj.2013.26.09.13551
8. Ефремова О.А., Камышникова Л.А., Никитин В.М., Железнова Е.А., Липунова Е.А., Анохин Д.А. Диагностика ишемической болезни сердца интеллектуальной системой «АРМ-кардиолог». Человек и его здоровье. 2014; (1): 69-75.
9. Кардиоваскулярная профилактика 2017. Российские национальные рекомендации. Российский кардиологический журнал. 2018; (6): 7-122. URL: https://doi.org/10.15829/1560-4071-2018-6-7-122 (дата обращения: 12.01.2019).
10. Piepoli M.F., Hoes A.W., Agewall S., Albus C., Brotons C., Cata-pano A.L., et al.; ESC Scientific Document Group. 2016 European Guidelines on cardiovascular disease prevention in clinical practice: The Sixth Joint Task Force of the European Society of Cardiology and Other Societies on Cardiovascular Disease Prevention in Clinical Practice (constituted by representatives of 10 societies and by invited experts) Developed with the special contribution of the European Association for Cardiovascular Prevention & Rehabilitation (EACPR). Eur Heart J. 2016; 37 (29): 2315-81. DOI: 10.1093/eurheartj/ehw106
11.Хэмптон Дж.Р. Основы ЭКГ. Пер. с англ. М.: Медицинская литература, 2007. 224 с.
12. Surawicz B., Knilans T. Chou's Electrocardiography in Clinical Practice. 6th Edition. Saunders. 2008. ISBN: 978-1-4160-3774-3.
13. Петров С.П., Епишина Е.В., Воронин В.В. Оценка алгоритмов распознавания образов для задач автоматического анализа электрокардиограмм. Евразийский союз ученых. 2014; (8-8): 27-29. URL: https://euroasia-science.ru/wp-content/uploads/2016/11/ evro_8p8_6-169.pdf (дата обращения: 12.01.2019).
14.Nikitin V.M., Muromtsev V.V., Efremova O.A., Lipunova E.A., Kamysh-nikova L.A. Automated detection and recognition of diagnostically significant ECG changes. J. Fundam. Appl. Sci., 2017, 9 (1S): 929-938. DOI: 10.4314/jfas.v9i1s.746
15.Al-Naymat G., Chawla S., Taheri J. SparseDTW: A Novel Approach to Speed up Dynamic Time Warping arXiv:1201.2969v1 [cs.DB]. 2012. URL: https://arxiv.org/pdf/1201.2969v1.pdf (дата обращения: 12.01.2019).
16. National Instruments. URL: http://www.ni.com/ (дата обращения: 12.01.2019).
17. PhysioBank Databases. URL: http://physionet.org/physiobank/data-base/ (дата обращения: 12.01.2019).
18. Ansari S., Farzaneh N., Duda M., Horan K., Andersson H.B., Gold-berger Z.D., et al. A Review of Automated Methods for Detection of Myocardial Ischemia and Infarction Using Electrocardiogram and Electronic Health Records. IEEE Rev Biomed Eng. 2017; 10: 264-298. DOI: 10.1109/RBME.2017.2757953
REFFERENCES
1. World Health Organization. European Health Information Gateway. European mortality database (MDB). URL: https://gateway.euro.who. int/ru/indicators/hfa_110-1340-sdr-ischaemic-heart-disease-all-ages-per-100-000/ In Russ. (Date of access: 12.01.2019).
2. Roth G.A., Johnson C., Abajobir A., Abd-Allah F., Abera S.F., Abyu G., 47
et al. Global, Regional, and National Burden of Cardiovascular Diseases -
for 10 Causes, 1990 to 2015. J Am Coll Cardiol. 2017; 70(1): 1-25.
DOI: 10.1016/j.jacc.2017.04.052
3. Health care in Russia 2017: Stat.sb./ Rosstat. - M., 2017. URL: http:// www.gks.ru/free_doc/doc_2017/zdrav17.pdf In Russ. (date of access: 12.01.2019).
4. GBD 2013 Mortality and Causes of Death Collaborators. Global, regional, and national age-sex specific all-cause and cause-specific mortality for 240 causes of death, 1990-2013: a systematic analysis for the Global Burden of Disease Study 2013. Lancet. 2015; 385: 117-71. DOI: 10.1016/S0140-6736(14)61682-2
5. Townsend N., Wilson L., Bhatnagar P., Wickramasinghe K., Rayner M., Nichols M. Cardiovascular disease in Europe: epidemiological update 2016. Eur Heart J. 2016; 37(42): 3232-45. DOI: 10.1093/eurheartj/ ehw334
6. Kligfield P., Gettes L.S., Bailey J.J., Childers R., Deal B.J., Hancock E.W., et al.; American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; American College of Cardiology Foundation; Heart Rhythm Society. Recommendations for the standardization and interpretation of the electrocardiogram: part I: the electrocardiogram and its technology a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council o Clinical Cardiology; the American College of Cardiology Foundation; and the Heart Rhythm Society endorsed by the International Society for Computerized Electrocardio-logy. J Am Coll Cardiol. 2007; 49(10): 1109-27. URL: http://content. onlinejacc.org/cgi/reprint/49/10/1109.pdf (date of access: 12.01.2019).
7. Efremova O.A., Nikitin V.M., Lipunova E.A., Anohin D.A., Kamysh-nikova L.A. Estimate or the Effectiveness of Intelligent Information System of Early Diagnosis and Prognosis of Cardiovascular Disease. World Applied Sciences Journal. 2013; 26(9): 1204-8. DOI: 10.5829/ idosi.wasj.2013.26.09.13551
8. Efremova O.A., Kamyshnikova L.A., Nikitin V.M., Zheleznova E.A., Lipunova E.A., Anokhin D.A. Diagnosis of Coronary Heart Disease Intellectual System "ARM cardiologist". People & Health Journal. 2014; (1): 69-75 (in Russ.).
9. Cardiovascular prevention 2017. National guidelines. Russian Journal of Cardiology. 2018; (6): 7-122. URL: https://doi.org/10.15829/1560-4071-2018-6-7-122 In Russ. (date of access: 12.01.2019).
10. Piepoli M.F., Hoes A.W., Agewall S., Albus C., Brotons C., Cata-pano A.L., et al.; ESC Scientific Document Group. 2016 European Guidelines on cardiovascular disease prevention in clinical practice: The Sixth Joint Task Force of the European Society of Cardiology and Other Societies on Cardiovascular Disease Prevention in Clinical Practice (constituted by representatives of 10 societies and by invited experts) Developed with the special contribution of the European Association for Cardiovascular Prevention & Rehabilitation (EACPR). Eur Heart J. 2016; 37(29): 2315-81. D0I:10.1093/eurheartj/ehw106
11.Hampton Jr. ECG Basics. Trans. from English. Moscow: Med. Lit, 2007. 224 p. (in Russ.).
12. Surawicz B., Knilans T. Chou's Electrocardiography in Clinical Practice. 6th Edition. Saunders. 2008. ISBN: 978-1-4160-3774-3.
13. Petrov S.P., Epishina E.V., Voronin V.V. Evaluation of pattern recognition algorithms for the tasks of automatic analysis of electrocardiograms. Eurasian union of scientists. 2014; (8-8): 27-29. URL: https:// euroasia-science.ru/wp-content/uploads/2016/11/evro_8p8_6-169.pdf In Russ. (date of access: 12.01.2019).
14. Nikitin V.M., Muromtsev V.V., Efremova O.A., Lipunova E.A., Ka-myshnikova L.A. Automated detection and recognition of diagnosti-cally significant ECG changes. J. Fundam. Appl. Sci., 2017, 9(1S): 929-938. DOI: 10.4314/jfas.v9i1s.746
15.Al-Naymat G., Chawla S., Taheri J. SparseDTW: A Novel Approach to Speed up Dynamic Time Warping arXiv:1201.2969v1 [cs.DB]. 2012. URL: https://arxiv.org/pdf/1201.2969v1.pdf (date of access: 12.01.2019).
16. National Instruments. URL: http://www.ni.com/ In Russ. (date of access: 12.01.2019).
17. PhysioBank Databases. URL: http://physionet.org/physiobank/data-base/ (date of access: 12.01.2019).
18. Ansari S., Farzaneh N., Duda M., Horan K., Andersson H.B., Gold-berger Z.D., et al. A Review of Automated Methods for Detection of Myocardial Ischemia and Infarction Using Electrocardiogram and Electronic Health Records. IEEE Rev Biomed Eng. 2017; 10: 264-298. DOI: 10.1109/RBME.2017.2757953
48
Сведения об авторах:
Муромцев Виктор Владимирович
заведующий кафедрой математического и программного обеспечения информационных систем НИУ «БелГУ», кандидат технических наук, доцент
Никитин Валерий Михайлович
профессор кафедры прикладной информатики и информационных технологий НИУ «БелГУ», доктор технических наук
Ефремова Ольга Алексеевна
заведующая кафедрой факультетской терапии НИУ «БелГУ», профессор, доктор медицинских наук
Камышникова Людмила Александровна
доцент кафедры факультетской терапии НИУ «БелГУ», кандидат медицинских наук, доцент
Адрес для переписки:
ул. Победы, д. 85, г. Белгород 308015, Российская Федерация
Тел.: +7 (904) 533-73-34
E-mail: [email protected]
Authors:
Muromtsev Viktor Vladimirovich
Head of Department of Mathematical and Software Information Systems, Belgorod State National Research University, PhD in Technical Sciences, Associate Professor
Nikitin Valeriy Mikhailovich
Department of Applied Informatics and Information Technologies, Belgorod State National Research University, Doctor of Technical Sciences, Professor
Efremova Olga Alekseevna
MD, Professor, Head of Department of Faculty Therapy, Belgorod State National Research University
Kamyshnikova Lyudmila Aleksandrovn8
Associate Professor of Department of Faculty Therapy, Belgorod State National Research University, PhD in Medicine, Associate Professor
Address for correspondence:
Pobedy St., 85, Belgorod, 308015, Russian Federation
Tel.: +7 (904) 533-73-34
E-mail: [email protected]
