Використання інструментів статистичного аналізу для обробки ЕКГ

Анатолій Пашко; Олена Чайковська; Юрій Харченко

doi:10.31866/2617-796X.6.2.2023.293593

Автор(и)

Анатолій Пашко Київський національний університет імені Тараса Шевченка, Ukraine https://orcid.org/0000-0001-6944-8477
Олена Чайковська Київський національний університет культури і мистецтв, Ukraine https://orcid.org/0000-0001-7769-1004
Юрій Харченко Київський національний університет культури і мистецтв, Ukraine https://orcid.org/0009-0002-5275-5686

DOI:

https://doi.org/10.31866/2617-796X.6.2.2023.293593

Ключові слова:

електрокардіограма, статистичний аналіз, кореляційний аналіз, головні компоненти, класифікація

Анотація

Мета статті – дослідження алгоритмів статистичного та інтелектуального аналізу даних та їхнього використання для обробки і аналізу електрокардіограм (ЕКГ). Розглянуто методи та алгоритми, які є основою статистичної обробки і аналізу даних.

Методи дослідження ґрунтуються на застосуванні статистичних методів та алгоритмів для аналізу та попередньої обробки медичних даних. Вона є необхідним кроком в обробці даних, що дає можливість більш ефективно аналізувати, будувати більш точні моделі та зменшити їхню розмірність.

Наукова новизна. У статті проаналізовано класичні статистичні методи, що використовують на першому етапі обробки даних. Доведена їхня ефективність та необхідність під час аналізу медичних даних. Результати роботи продемонстровані на обробці реальних даних, а саме електрокардіограм.

Висновки. Застосування методів статистичного аналізу для попередньої обробки медичних даних розглянуто на прикладі обробки і аналізу ЕКГ. Були обчислені основні статистичні характеристики: середнє, дисперсія, середнє квадратичне відхилення, мода, медіана, коефіцієнт асиметрії, коефіцієнт ексцесу та коефіцієнт варіації. Отримані дані використовують для оцінки закону розподілу даних, перевірки гіпотез про закони розподілу, нормалізації даних.

Для спостережень ЕКГ побудовано кореляційну матрицю, обчислені власні числа та власні вектори, на їхній основі визначено головні компоненти. Використання головних компонент дає можливість зменшити розмірність даних для більш глибокого аналізу. У цьому дослідженні об’єм даних було зменшено в чотири рази.

Виконано дискретне перетворення Фур’є. Аналіз його результатів дав можливість виокремити високочастотні електромагнітні перешкоди, що передаються по кабелю від мережі електроживлення до приладу, визначена частота перешкоди. Були виявлені артефакти руху, пов’язані з диханням хворого. Частота таких перешкод перебуває у діапазоні від 1 до 4 Гц.

Була проведена класифікація точок ЕКГ, побудований модуль ЕКГ для подальшого аналізу. Результати класифікації дали змогу виокремити множину точок, що містяться в околі R-піків. Це дає можливість, не використовуючи складний математичний апарат, локалізувати QRS комплекси.

Результати попередньої обробки медичних даних дають змогу зменшити їх розмірність, виявити наявність або відсутність лінійних зв’язків, оцінити частотні характеристики даних. На основі попередньої обробки можливо планувати подальші дослідження і більш якісно будувати моделі для інтелектуального аналізу даних.

Біографії авторів

Анатолій Пашко, Київський національний університет імені Тараса Шевченка

Доктор фізико-математичних наук, професор, професор кафедри теоретичної кібернетики

Олена Чайковська, Київський національний університет культури і мистецтв

Кандидат педагогічних наук, доцент кафедри комп’ютерних наук

Юрій Харченко, Київський національний університет культури і мистецтв

Магістр кафедри комп’ютерних наук

Посилання

Al Rahhal, M.M., Bazi, Y., Al Zuair, M., Othman, E. and BenJdira, B., 2018. Convolutional Neural Networks for Electrocardiogram Classification. Journal of Medical and Biological Engineering, [e-journal] 38 (6), pp.1014-1025. https://doi.org/10.1007/s40846-018-0389-7

Baloglu, U.B., Talo, M., Yildirim, O., Tan, R.S. and Acharya, UR., 2019. Classification of myocardial infarction with multi-lead ECG signals and deep CNN. Pattern Recognition Letters, [e-journal] 122, pp.23-30. https://doi.org/10.1016/j.patrec.2019.02.016

Fainzilberg, L.S., 2013. Kompiuternaia diagnostika po fazovomu portretu elektrokardiogrammy [Computer diagnostics using the phase portrait of an electrocardiogram]. Kyiv: Osvita Ukrainy

Huang J., Chen, B., Yao, B. and He, W., 2019. ECG Arrhythmia Classification Using STFT-Based Spectrogram and Convolutional Neural Network. IEEE Access, 7, pp. 92871-92880.

Khempton, D. and Edlem, D., 2020. EKH u praktytsi [The ECG Made Practical]. Translation from English. 7th ed. Kyiv: Medytsyna.

Khorrami, H. and Moavenian, M., 2010. A comparative study of DWT, CWT and DCT transformations in ECG arrhythmias classification. Elsevier Expert Systems with Applications, [e-journal] 37(8), pp.5751-5757. https://doi.org/10.1016/j.eswa.2010.02.033

Krak, I., Pashko, A., Khorozov, O. and Stelia, O., 2020. Physiological Signals Analysis, Recognition and Classification Using Machine Learning Algorithms. In: S. Subbotin, ed. Computer Modeling and Intelligent Systems, Proceedings of The Third International Workshop CMIS-2020, Zaporizhzhia, Ukraine, April 27- May 1, 2020, [e-Book] National University “Zaporizhzhia Polytechnic”, pp.955-965. Available at: <https://ceur-ws.org/Vol-2608/paper71.pdf> [Accessed 15 July 2023].

Krak, I., Pashko, A., Stelia, O. Barmak, O. and Pavlov, S., 2020. Selection Parameters in the ECG Signals for Analysis of QRS Complexes. In: T. Hovorushchenko, O. Savenko, P. Popov and S. Lysenko, eds. Intelligent Information Technologies & Systems of information Security, Proceedings of the 1st International Workshop, Khmelnytskyi, Ukraine, June 10-12, 2020, [e-Book] Khmelnytskyi National University, pp.1-13. Available at: <http://ceur-ws.org/Vol-2623/paper1.pdf> [Accessed 15 July 2023].

Pashko, A., Krak, I., Stelia, O. and Khorozov, O., 2021. Isolation of Informative Features for the Analysis of QRS Complex in ECG Signals. In: S. Babichev, V. Lytvynenko, W. Wójcik and S. Vyshemyrskaya, eds. ISDMCI 2020: Lecture Notes in Computational Intelligence and Decision Making, International Scientific Conference “Intellectual Systems of Decision Making and Problem of Computational Intelligence”, Kherson, Ukraine, May 25-29, 2020, [e-Book] Cham: Springer, vol. 1246, pp.409-422. https://doi.org/10.1007/978-3-030-54215-3_26

Pashko, A., Krak, I., Stelia, O. and Wojcik, W., 2022. Baseline Wander Correction of the Electrocardiogram Signals for Effective Preprocessing. In: S. Babichev, and V. Lytvynenko, eds. ISDMCI 2021: Lecture Notes in Computational Intelligence and Decision Making, International Scientific Conference “Intellectual Systems of Decision Making and Problem of Computational Intelligence”, Kherson, Ukraine, 2021 [e-Book] Cham: Springer, vol. 77, pp.507-518. https://doi.org/10.1007/978-3-030-82014-5_34