Entwicklung von Methoden zur Echtzeitanalyse von EKG ... - FZI
Entwicklung von Methoden zur Echtzeitanalyse von EKG ... - FZI
Entwicklung von Methoden zur Echtzeitanalyse von EKG ... - FZI
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
8.2 Übersicht über QRS-Klassifikationsverfahren 127<br />
Kundu et al. beschreiben ein mehrstufiges Fuzzy-System mit insgesamt 18 Regeln,<br />
die in verschiedene Gruppen eingeteilt sind, um <strong>von</strong> einer Grob- zu einer Feinklassifikation<br />
zu kommen [KNB98]. Die Zugehörigkeitsfunktionen der Fuzy-Variablen können<br />
verallgemeinert („dilatiert“) oder spezialisiert („konzentriert“) werden, so dass weitere<br />
Regelmodifikationen möglich sind. Das Verfahren wurde auf einer nicht zugänglichen<br />
Datenbank mit nur 18 <strong>EKG</strong>s getestet, es werden keine Angaben über Sensitivität oder<br />
positive Prädiktivität gemacht.<br />
Ein Fuzzy-System mit glockenförmigen Zugehörigkeitsfunktionen wird in<br />
[XTRA98] vorgestellt. Dieses ist auf die Erkennung <strong>von</strong> ischämischen Myokardinfarkten<br />
an Hand <strong>von</strong> Merkmalen spezialisiert, die aus der ST-Strecke im <strong>EKG</strong> extrahiert<br />
wurden. Der Systemaufbau ähnelt dem in Kapitel 6.5 beschriebenen Fuzzy-Perceptron.<br />
Das Training erfolgt über einen Least-Square-Ansatz, bei dem der Gesamtfehler über<br />
eine zeitabhängige Lernrate durch das Netz <strong>zur</strong>ückpropagiert wird und in der Folge die<br />
Zugehörigkeitsfunktionen angepasst werden. Das System erreicht eine sehr hohe Spezifität<br />
(99%) bei der Erkennung <strong>von</strong> Infarkten, aber nur eine recht geringe Sensitivität<br />
(54%) beim Test auf einer speziellen Datenbank. Obwohl es in dieser Veröffentlichung<br />
nicht um eine Klassifikation <strong>von</strong> Einzelschlägen geht, soll sie an dieser Stelle aufgeführt<br />
sein, da das prinzipielle Vorgehen dem in der vorliegenden Arbeit ähnelt.<br />
Zong [ZJ98] extrahiert aus dem <strong>EKG</strong> insgesamt 14 Parameter für jeden QRS-Komplex,<br />
darunter z.B. auch, ob eine P-Welle detektiert wurde oder nicht. Die Parameter<br />
werden durch nicht-lineare Zugehörigkeitsfunktionen fuzzifiziert, wobei nur zwei Zugehörigkeitsfunktionen<br />
pro Variable spezifiziert werden können. Diese können jedoch durch<br />
Quadrierung in ihrer Selektivität verstärkt werden. Auf der MIT-Datenbank wird auf<br />
diese Weise eine Sensitivität <strong>von</strong> 92,27% und eine positive Prädiktivität <strong>von</strong> 63,01% für<br />
ventrikuläre Schläge erreicht.<br />
In [OL00] werden die Merkmale für die Klassifikation nicht direkt aus dem <strong>EKG</strong><br />
gewonnen, sondern aus Kumulanten zweiter bis vierter Ordnung der QRS-Komplexe.<br />
Als Klassifizierer wird ein unscharfes selbstorganisierendes Neuronales Netz verwendet,<br />
das mit dem Gustafson-Kessel(GK)-Verfahren trainiert wurde. Diese Arbeiten werden<br />
in [OL01] fortgesetzt und um ein Multilayer-Perceptron-Netz (MLP) für die endgültige<br />
Klassifizierung ergänzt. Aus fünfzehn Datensätzen der MITDB wurde ein Trainingsund<br />
Testset generiert, die insgesamt sieben Schlagklassen umfassten. Für das Testset<br />
wurde eine Genauigkeit <strong>von</strong> ca. 96% in der Klassifikation erreicht. Nicht alle Schläge<br />
aus den fünfzehn Datensätzen wurden dabei berücksichtigt. Für ventrikuläre Schläge<br />
ergibt sich für das Testset (700 Schläge) eine Sensitivität <strong>von</strong> 96,6%.<br />
Dasselbe Autorenpaar extrahiert in [LOS03] Koeffizienten <strong>von</strong> Hermite-Polynomen<br />
aus dem QRS-Komplex, die im Anschluss mit einem Neuro-Fuzzy-System vom Sugeno-<br />
Typ klassifiziert werden. Der Nachteil dieses Systems ist, dass normalerweise eine sehr<br />
große Regelbasis für die Abbildung der Eingangsvektoren auf die Ausgangsklassen notwendig<br />
ist. Dies wird in dieser Veröffentlichung wie schon in den vorgenannten durch<br />
Anwendung des GK-Verfahrens für die Clusterung der Eingangsdaten umgangen. Als<br />
Genauigkeit der Klassifikation <strong>von</strong> sieben verschiedenen Schlagklassen auf einem Testset<br />
<strong>von</strong> 3668 Schlägen aus der MITDB wird ein Wert <strong>von</strong> über 96% angegeben, wobei der<br />
Anteil der Fehlklassifikationen für die einzelnen Klassen zwischen 1 und 11% variiert.<br />
Ein weiterer sehr ähnlicher Ansatz wird in [Eng04] präsentiert: Als Parameter werden<br />
normalisierte Varianzen einer DWT mit einem Daubechies-Wavelet db5, ein Kumulant