Entwicklung von Methoden zur Echtzeitanalyse von EKG ... - FZI

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