CC BY
27
МЕДИЦИНСКИЕ И БИОЛОГИЧЕСКИЕ
ИЗМЕРЕНИЯ
УДК 004.9 DOI 10.21685/2307-5538-2018-2-10
А. Ю. Тычков
АНАЛИЗ ЭМПИРИЧЕСКИХ МОД ЭКГ СИГНАЛОВ ПРИ ПОГРАНИЧНЫХ ПСИХИЧЕСКИХ РАССТРОЙСТВАХ
A. Yu. Tychkov
ANALYSIS OF EMPIRICAL MODES OF ECG SIGNAL WITH BORDER MENTAL DISORDERS
Аннотация. Актуальность и цели. Объект исследования: больные с пограничными психическими расстройствами (ППР) медицинского центра «Здоровье», у которых наблюдаются изменения функционирования сердечно-сосудистой системы. Предмет исследования: способ анализа эмпирических мод (ЭМ) электрокардиографических (ЭКГ) сигналов для диагностики ППР. Целью представленной работы явялется разработка способа определения конечного числа ЭМ ЭКГ сигналов при диагностировании пациентов с ППР для повышения достоверности диагностики сердечно-сосудистых заболеваний. Материалы и методы. В качестве материалов использовались информативные параметры ЭКГ сигналов - амлитудно-временные составляющие. Для эффективной обработки ЭКГ сигналов использовался метод декомпозиции на эмпирические моды теории Гильберта - Хуанга. Результаты. Разработан способ определения конечного числа ЭМ ЭКГ сигналов у пациентов с ППР, использующий адаптивную обработку ЭКГ сигналов с помощью метода ДЭМ; определение конечного числа ЭМ и сравнение его с пороговым значением. Представлена блок-схема и подробное математическое описание разработанного способа. Проведено исследование способа с использованием верифицированной базы сигналов условно здоровых пациентов и пациентов с ППР. Выводы. Результаты исследования показали, что разработанный способ определения конечного числа ЭМ обеспечивает повышение точности определения состояния больных ППР с коэффициентом чувствительности 6,3 % и специфичности 3,1 %.
Abstract. Background. The subject of the study: patients with borderline mental disorders (BMD) of the Health Center, who experience changes in the functioning of the cardiovascular system. The subject of the study: a method for analyzing empirical modes (EM) of electrocardiographic (ECG) signals for the diagnosis of BMD. The purpose of the presented work is the development of a method for determining the final number of EM ECG signals in diagnosing patients with BMD to increase the reliability of diagnosis of cardiovascular diseases. Materials and methods. As the materials, the informative parameters of the ECG signals were used - the amplitude-time components. For effective processing of ECG signals, the decomposition method into empirical modes of the Hilbert-Huang theory was used. Results. A method for determining the final number of EM ECG signals in patients with BMD, using adaptive ECG signal processing using the Hilbert-Huang theory, has been developed; the determination of a finite number of EM and its comparison with the threshold value. A block diagram and a
detailed mathematical description of the developed method are presented. The study of the method using the formed verified signal base of conditionally healthy patients and patients with BMD was carried out. Conclusions. The results of the research showed that the developed method for determining the final number of EM provides an increase in the accuracy of the determination of the condition of patients with BMD with a sensitivity factor of 6.3 % and a specificity of 3.1 %.
Ключевые слова: электрокардиографический сигнал, декомпозиция на эмпирические моды, пограничные психические расстройства.
Key word s: ECG signal, decomposition of empirical modes, borderline mental disorders.
Введение
В России и мире сложилась крайне тревожная ситуация из-за того, что практически каждый пациент с сердечно-сосудистыми заболеваниями либо уже перенес, либо подвержен развитию психических расстройств в реабилитационный и постреабилитационный период [1]. Изменение работы сердца, в том числе в период психических расстройств, может быть зарегистрировано с использованием биологической сигнальной системы, носителем полезной информации которой является электрокардиографический сигнал (ЭКГ). Ранняя диагностика пограничных психических расстройств способна предотвратить развитие заболеваний сердца и принять меры для профилактики и лечения.
ЭКГ является сложноструктурированным сигналом, состоящим из набора информативно-значимых параметров и участков, представляющих собой QRS комплекс, Р, Т зубцы (рис. 1).
Рис. i. Графическое изображение ЭКГ сигнала
Проблемам эффективной обработки ЭКГ сигналов для целей функциональной диагностики посвящено большое количество работ, касающихся вопросов предварительной обработки [2, 3] и анализа информативно-значимых параметров [4, 5]. От результатов обработки и анализа исследуемых сигналов зависит точность постановки диагностического заключения, в том числе в условиях наличия внешних помех и свободной двигательной активности пациента.
Применение современных методов обработки сигналов позволит вывести медицину на новый уровень развития диагностических систем [6], являющихся незаменимыми помощниками для длительного, неинвазивного и беспроводного мониторинга за состоянием здоровья человека при наличии различных психотравмирующих ситуаций.
Основной задачей исследования является разработка нового способа анализа ЭКГ сигналов с пограничными психическими расстройствами (ППР) с использованием современных
методов математической обработки и анализа медицинских сигналов для целей своевременной диагностики сердечно-сосудистых заболеваний.
Формирование базы сигналов пациентов
Для проведения исследований ЭКГ сигналов пациентов с ППР совместно с врачами на базе медицинского центра «Здоровье» (г. Пенза) сформирована база данных медицинских сигналов.
База данных ЭКГ сигналов сформирована из числа пациентов различных по гендерным (мужчина, женщина) и возрастным (у подростков, трудоспособного населения с высокой психоэмоциональной нагрузкой (военнослужащие, учителя, врачи), пожилых людей) признакам. Для формирования базы ЭКГ сигналов с ППР отобрано 95 человек, обратившихся в первый день госпитализации без медикаментозного воздействия на них.
По клиническим признакам состав отобранной группы пациентов представлен преимущественно четырьмя диагностическими категориями: F48.0 - неврастения; F45.3 - сомато-формная дисфункция вегетативной нервной системы; F43.2 - расстройство приспособительных реакций; F41.2 - смешанное тревожное и депрессивное расстройство.
Регистрация ЭКГ сигналов осуществлялась посредством электрокардиографа-энцефалографа-анализатора ЭЭГА-21/26 - «Энцефалон-131-03» в трех стандартных и трех усиленных отведениях и частотой дискретизации 500 Гц. Таким образом, для проведения исследований с отобранной группы пациентов зарегистрировано 580 ЭКГ сигналов.
Амплитудно-временной анализ ЭКГ сигналов
На основании проведенного обзора [7, 8] и собственных исследований [9, 10] выявлено, что у пациентов в период психотравмирующих ситуаций на ЭКГ сигнале регистрируется потеря способности стабилизации артериального давления и частоты сердечных сокращений, синусовая аритмия, бради- и тахикардия, увеличение сегмента БТ и изменения зубца Т. Изменения на ЭКГ сигналах могут различаться в зависимости от клинической картины и генеза заболевания каждого отдельного пациента. Варианты ЭКГ сигналов различных пациентов (пациент 1-3) с визуально выделяемыми периодами возникновения ППР в амплитудно-временной области приведены на рис. 2.
Рис. 2. ЭКГ с визуально выделяемыми периодами ППР
Проведенные исследования ЭКГ сигналов показали, что в амплитудно-временной области визуально не всегда врач способен обнаружить изменения ЭКГ сигнала с ППР (рис. 3). Это связано прежде всего с индивидуальными особенностями функционирования сердечнососудистой системы (пациент 4, рис. 3) и влиянием различных высокочастотных помех (пациент 5, рис. 3).
Рис. 3. ЭКГ сигналы пациентов с ППР без различимых изменений
В работах многих авторов [11, 12] подтверждается, что анализ ЭКГ сигналов в амплитудно-временной области является слабо информативным. На пациента и исследуемый сигнал могут оказывать влияние различные внешние помехи (от движения, смещения электродов, сетевая наводка и другие), которые способны исказить сигнал до неузнаваемости. Отмечается, что при обработке ЭКГ сигналов в частотно-временной области, в особенности в условиях длительного мониторирования и автоматического анализа, можно добиться снижения уровня помех и выявить на ЭКГ сигналах новые признаки ППР, тем самым повысить достоверность диагностических заключений.
Обоснование метода обработки
Анализ известных работ [1З, 14] показал, что большинство способов и алгоритмов, используемых для определения различных информативных параметров ЭКГ сигналов в частотно-временной области, основано на Фурье и вейвлет-преобразовании.
Вейвлет-преобразование позволяет построить спектральную характеристику ЭКГ сигнала в амплитудно-временной области с заданной частотой среза. Однако в известных работах [1З, 14] для ЭКГ сигналов данное решение используется в условиях наличия априорной информации об исследуемом сигнале (диагноз конкретного пациента) и присутствующих на нем помехах. Кроме того, вейвлет-преобразование по своей природе имеет определенные недостатки, в основном связанные с невозможностью построить адаптивный базис исследуемого ЭКГ сигнала и обратным восстановлением сигнала без потери его качества. Погрешность восстановления ЭКГ сигнала при использовании вейвлет-преобразования [15] может достигать 5 % и более, что является недопустимым для функциональной диагностики.
Необходимое условие эффективного определения информативных параметров ППР на ЭКГ сигналах состоит в возможности формирования адаптивного базиса, функционально зависимого от содержания самого сигнала. Данный подход реализуется теорией Гильберта -Хуанга, которая представляет собой совокупность метода декомпозиции на эмпирические моды (ДЭМ) и спектрального анализа Гильберта. Первые работы по обработке ЭКГ сигналов опубликованы в 2002 г. [16, 17].
Суть метода ДЭМ заключается в выполнении следующих действий:
1. Определение локальных экстремумов (максимумов и минимумов) сигнала ATC(nt ) :
- значение ¡-го отсчета х (nt ) является локальным максимумом, если выполняется условие ATC (n¡_1 ) < ATC(nt ) > ATC(n¡+1);
- значение /-го отсчета / ) является локальным минимумом, если выполняется условие АТС(п1-1) > АТС (п1) < АТС (и,+1); где п, - дискретные отсчеты сигнала.
2. Определение верхней е(п,) и нижней g (п) огибающих сигнала с помощью кубической сплайн-интерполяции по найденным локальным экстремумам АТС, (п1):
е(п,) = ав п13 + ьв п12 + с п1+(1)
g (п/) = анп13 + Ьнп12 + Снп1 + dн , (2)
где ав, Ьв, св, dв - коэффициенты для каждого значения /-го отсчета верхней огибающей сигнала; ан, Ьн, сн, dн - коэффициенты для каждого значения /-го отсчета нижних огибающих сигнала.
3. Вычисление среднего значения огибающих сигнала в соответствии с выражением
А(п/) = Ф^М, (3)
где Н(п1) - среднее значение огибающих сигнала; е(п1) и g (п,) - верхняя и нижняя огибающая исходных сигнала соответственно.
4. Вычисление конечной огибающей сигнала по формуле
г(п,) = АТС (п)-к(п1), (4)
где г (п..) - конечная огибающая сигнала.
5. Вычисление значения критерия останова. В качестве критерия останова декомпозиции используется значение нормализованной квадратичной разности, определяемое как
\2 '
Ж = 2
(| АТС, (п,) - г(п,)1У АТС, (п, )2
(5).
6. Проверка условия останова. На этом этапе осуществляется сравнение значения конечной огибающей сигнала со значением нормализованной квадратичной разности. Если:
- Ж > г (п,.), то переходят к выполнению действия 1;
- Ж < г(п,.) и к(п1) >г(п,.), то переходят к завершению работы метода.
По результатом разложения ЭКГ сигнал может быть представлен как сумма амплитудно-временных составляющих АТС(п) и конечной огибающей сигнала г(п):
х(() = 2 АТС (п) + г (п), (6),
,=1
где АТС,(п) - эмпирические моды ЭКГ сигнала (ЭМ); г(п) - конечная огибающая сигнала; п - дискретный отсчет (0 < п < N N - число дискретных отсчетов в ЭКГ сигнале); , = 1, 2, ..., I -номер АТС сигнала.
Проведенный анализ известных работ по обработке и анализу ЭКГ сигналов с использованием теории Гальберта - Хуанга и собственных исследований [18-20] показал, что ДЭМ является перспективным методом, нашедшем свое применение в решении различных задач подавления помех и обнаружения информативно-значимых параметров ЭКГ сигналов с целью повышения достоверности диагностических заключений сердечно-сосудистых заболеваний.
Разработка и исследование способа анализа ЭКГ сигналов
С использованием метода ДЭМ разработан новый способ анализа эмпирических мод ЭКГ сигнала при диагностировании больных ППР. Блок-схема способа приведена на рис. 4.
Ввод ЭКГ сигнала (блок 1, 2, рис. 4) осуществлялся путем регистрации сигналов пациентов с ППР. Для проведения адекватных исследований дополнительно зарегистрирована база данных эталонных ЭКГ сигналов условно здоровых пациентов в количестве 95 человек.
Пациент
Регистрация ЭКГ сигналов
з Л
Декомпозиция ЭКГ
сигнала на ЭМ
3 Формирование порогового значения числа ЭМ
Сравнение конечного^
числа ЭМ с пороговым значением^
4 Л
Определение конечного числа ЭМ
'Присвоение статуса * ЭКГ сигналу v норма / патология ,
Вывод результатов
Рис. 4. Блок-схема способа анализа эмпирических мод ЭКГ сигналов
Реализация и исследование способа осуществлялись в среде программирования R и математического моделирования Matlab с поддержкой RStudio Desktop и пакетом программ decom-posedPSF.
Декомпозиция ЭКГ сигнала (рис. 4, блок 3) на ЭМ осуществлялась согласно выражениям 1-6. По результатам декомпозиции формируется набор эмпирических мод - амплитудно-временных составляющих сигнала с различной частотой среза. На рис. 5 приведены примеры декомпозиции ЭКГ сигналов пациентов с ППР (рис. 5,а) и условно здоровых пациентов (рис. 5,6).
Рис. 5. Декомпозиция ЭКГ сигнала на ЭМ: а - ЭМ ЭКГ сигнала пациента с ППР; б - ЭМ ЭКГ сигнала условно здорового пациента
Исследование ЭМ ЭКГ сигналов выявили корреляционную зависимость количества ЭМ ЭКГ сигналов пациентов с ППР и условно здоровых пациентов.
В табл. 1 приведены результаты вычисления количества ЭМ ЭКГ сигналов обеих групп пациентов в трех стандартных и трех усиленных отведениях.
Таблица 1
Зависимость количества ЭМ ЭКГ сигналов различных пациентов
Номер Число ЭМ ЭКГ сигналов пациентов с ППР в различных отведениях Число ЭМ ЭКГ сигналов условно здоровых пациентов в различных отведениях
1 ст. 2 ст. 3 ст. 1 усил. 2 усил. 3 усил. 1 ст. 2 ст. 3 ст. 1 усил. 2 усил. 3 усил.
1 10 11 9 13 12 13 8 9 7 10 9 8
2 12 13 11 11 10 9 7 8 9 9 8 9
3 11 12 10 12 12 11 8 9 9 8 9 8
94 11 10 13 9 11 12 8 7 9 10 8 7
95 10 12 11 12 9 10 10 9 8 8 9 7
Проведенные исследования показали, что в 89 случаях из 95 на ЭКГ сигналах пациентов с ППР во всех отведениях (три стандартных и три усиленных) количество мод варьируется от 10 до 12 ЭМ и только в четырех случаях количество мод равняется 9 и в трех случаях -13 ЭМ. Для ЭКГ сигналов условно здоровых пациентов в 92 случаях из 95 количество мод варьируется от 7 до 9 ЭМ и только в трех случаях количество мод равно 10.
На рис. 6 приведена гистограмма распределения числа ЭМ у пациентов разных групп: черным цветом - ЭКГ сигналы условно здоровых пациентов; белым цветом - ЭКГ сигналы пациентов с ППР.
Количество ЭМ
Рис. 6. Гистограмма распределения числа ЭМ у пациентов разных групп
Как видно из рис. 6, закон распределения числа ЭМ у пациентов обеих групп - нормальный. Некоторые выбросы ЭМ у пациентов обеих групп могут быть связаны с помехами, регистрируемыми на ЭКГ сигналах в результате смещения электродов и помех от движения. В предыдущих исследованиях автора [20] показано, что количество ЭМ полученных в результате разложения ЭКГ сигнала находится в линейной зависимости от длительности времени или количества отсчетов самого сигнала, наличия помех различного вида и их интенсивности. Следовательно, чем интенсивнее помеха на ЭКГ сигнале, тем количество ЭМ сигнала будет больше. Для подтверждения результатов исследования предложено использовать критерии: - чувствительность (%) - доля ЭКГ сигналов с ППР, от общего количества исследуемых сигналов, рассчитанная с помощью выражения
8е = (а/(а-Ь)) -100 %, (7)
где а - общее число ЭКГ сигналов; Ь - число правильно обнаруженных сигналов с ППР;
— специфичность (%) - доля ЭКГ сигналов условно здоровых пациентов, от общего количества исследуемых сигналов, рассчитанная с помощью выражения
8р = (а /(е-й) ) -100 %, (8)
где с - общее число ЭКГ сигналов условно здоровых пациентов; й - число правильно обнаруженных сигналов условно здоровых пациентов.
В табл. 2 приведены результаты исследований определения признаков ППР на ЭКГ сигналах.
Таблица 2
Результаты исследований
Состояние Результат определения Коэффициенты Se и Sp, %
Наличие признаков Отсутствие признаков
Здоровая группа 95 чел. 6 чел. Se 6,3
Группа с ППР 3 чел. 95 чел. Sp 3,1
Таким образом, результаты исследования предложенного способа анализа ЭМ ЭКГ сигналов при ППР показали, что чувствительность способа составляет 6,3 %, а чувствительность 3,1 %.
Разработанный способ может быть успешно использован в диагностических системах обнаружения пограничных психических расстройств и внедрен в клиническую практику врачей.
Заключение
В статье предложен способ анализа ЭМ ЭКГ сигналов с целью определения у пациентов наличия ППР путем применения современного математического метода - декомпозиция на эмпирические моды. Суть способа заключалась в адаптивной обработке ЭКГ сигналов с помощью метода ДЭМ; определении конечного числа ЭМ и сравнении его с пороговым значением. В соответствии с результатами исследования разработанный способ обеспечивает повышение точности определения ППР с коэффициентом чувствительности 6,3 % и специфичности 3,1 %.
Работа выполнена при поддержке Российского научного фонда (мероприятие «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными, номер проекта 17-71-20029).
Библиографический список
1. Ушаков, Г. К. Пограничные нервно-психические расстройства / Г. К. Ушаков. - М. : Медицина, 1987. - 304 с.
2. Sornmo, L. Time-Varying Digital Filtering of ECG Baseline Wander / L. Sornmo // Medical and Biological Engineering and Computing. - 1993. - № 31. - P. 503-508.
3. Бодин, О. Н. Новая технология подавления помех в электрокардиосигналах / О. Н. Бо-дин, М. Н. Крамм, Л. Ю. Кривоногов // Вестник кибернетики. - 2017. - № 4 (28). -С. 122-130.
4. Agrafioti, F. ECG in Biometric Recognition: Time Dependency and Application Challenges / F. Agrafioti ; Ph.D. Dissertation. - University of Toronto, 2011. - 172 p.
5. Каплан, А. Я. Вариабельность ритма сердца и характер обратной связи по результату операторской деятельности у человека / А. Я. Каплан // Журнал высшей нервной деятельности. - 1999. - № 48. - C. 345-350.
6. Kuzmin, A. Device and software for mobile heart monitoring / A. Kuzmin, M. Safronov, O. Bodin // Proceedings of the 19th Conference of Open Innovations Association, FRUCT. -2017. - С. 121-127.
7. Purushothaman, S. Study of ECG changes and its relation to mortality in cases of cerebrovascular accidents / S. Purushothaman, D. Salmani // SciBiol Med. - 2014. - № 5. - P. 434-436.
8. Olbrish, S. EEG biomarkers in major depressive disorder: Discriminative power and prediction of treatment response / S. Olbrish // International Review of Psychiatry. - 2013. -Vol. 25 (5). - P. 604-618.
9. Тычков, А. Ю. Анализ и оценка сигнальных систем диагностики / А. Ю. Тычков, А. В. Агейкин, А. К. Алимурадов // Биотехносфера. - 2017. - № 1. - С. 24-28.
10. Агейкин, А. В. Патофизиологические особенности механизмов развития дисбаланса системы мозг-сердце при пограничных психических расстройствах / А. В. Агейкин, Е. В. Колесова // Психическое здоровье. - 2017. - № 12. - С. 40-44.
11. Zhuang, X. Evaluation of Human Sense by Biological Information Analysis / X. Zhuang, K. Sekiyama, T. Fukuda // International Symposium on Micro-NanoMechatronics and Human Science. - Nagoya, Japan, 2009. - P. 74-80.
12. US Patent 11/376603. Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal / Korzinov L. - 06.01.2010.
13. US Patent 10/984200. Method and apparatus for electro-biometric identity recognition / Lange D. - 30.03.2010.
14. Тычков, А. Ю. Перспективы применения преобразования Гильберта - Хуанга для автоматизированной обработки электрокардиосигналов / А. Ю. Тычков, Л. Ю. Кривоногов // Биотехносфера. - 2011. - № 1. - С. 73-81.
15. Huang, N. The Hilbert - Huang transform and its applications / N. Huang // World scientific publishing. - 2005. - № 5. - Р. 526.
16. Huang, N. An Introduction to Hilbert - Huang transform: a plea for adaptive data analysis / N. Huang // Research center for adaptive data analysis. - 2007. - Vol. 1, № 1. - P. 257.
17. Benitez, D. The use of Hilbert Transform in ECG Signal Analysis / D. Benitez // Computers in Biology and Medicine. - 2002. - № 31 (5). - P. 399-406.
18. Blanco-Velasco, M. ECG signal denoising and baseline wander сorrection based on the empirical mode decomposition / M. Blanco-Velasco, B. Weng // Computers in Biology and Medicine. - 2008. - № 38 (1). - P. 272-277.
19. Тычков, А. Ю. Применение теории Гильберта-Хуанга в задачах обработки кардиографической информации : монография / А. Ю. Тычков, П. П. Чураков, А. В. Кузьмин ; под общ. ред. Чуракова П. П. - Пенза : Изд-во ПГУ, 2015. - 150 с.
20. Kuzmin, A. V. Development of effective noise biomedical signals processing method / A. V. Kuzmin, A. Y. Tychkov, A. K. Alimuradov // International journal of applied engineering research. - 2015. - Vol. 10, № 4. - P. 8527-8531.
Тычков Александр Юрьевич
кандидат технических наук,
заместитель директора научно-исследовательского института фундаментальных и прикладных исследований, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40) E-mail: [email protected]
Tychkov Alexander Yuryevich
candidate of technical sciences, deputy director of the research institute for basic and applied studies, Penza State University (40 Krasnaya street, Penza, Russia)
УДК 004.9 Тычков, А. Ю.
Анализ эмпирических мод экг сигналов при пограничных психических расстройствах /
А. Ю. Тычков // Измерение. Мониторинг. Управление. Контроль. - 2018. - № 2 (24). - С. 77-85. -БО! 10.21685/2307-5538-2018-2-10.
