Entwicklung von Methoden zur Echtzeitanalyse von EKG ... - FZI
Entwicklung von Methoden zur Echtzeitanalyse von EKG ... - FZI
Entwicklung von Methoden zur Echtzeitanalyse von EKG ... - FZI
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
146 9 Erkennung <strong>von</strong> ventrikulären tachykarden Arrhythmien<br />
Abschnitt <strong>von</strong> mehreren Sekunden Länge berechnet. Sollten diese Parameter nicht für<br />
eine Klassifikation ausreichen, wird zusätzlich die Autokorrelationsfunktion des <strong>EKG</strong>s<br />
herangezogen (siehe nächster Abschnitt).<br />
Periodizität des Zeitsignals: Chen [CT87] versucht die fehlende Periodizität des<br />
<strong>EKG</strong>-Signals in VT-/VF-Abschnitten für die Analyse zu nutzen. Dazu wird die Autokorrelationsfunktion<br />
(AKF) des <strong>EKG</strong>s berechnet und versucht, eine lineare Regression<br />
für die Maxima der AKF zu finden. Dies gelingt nur im Fall <strong>von</strong> NSR, was als Detektionsmerkmal<br />
genutzt werden kann.<br />
Komplexität und Nicht-Linearität des Zeitsignals: Eine Bestimmung der Signalkomplexität<br />
C(n) durch Transformation des <strong>EKG</strong>-Signals in einen binären Datenstring<br />
wird in [ZZTW99] vorgestellt. Die Komplexität ergibt sich dabei durch Bestimmung des<br />
Vokabulars des binären Datenstrings mit Hilfe einer quantitativen Analyse. Die Umwandlung<br />
in die 0-1-Folge erfolgt durch Vergleich mit für die Rhythmusklassen NSR, VT<br />
und VF spezifischen Schwellwerten. Sun [SCK05] vergleicht dieses Komplexitätsmaß mit<br />
dem Hurst-Index. Der Hurst-Index H ist ein skalarer Parameter mit 0 < H < 1 <strong>zur</strong><br />
Beschreibung eines fraktalen Brown’schen Bewegungsmodells (fBm), das <strong>zur</strong> Beschreibung<br />
<strong>von</strong> nicht-stationären selbstähnlichen Prozessen dient. Nach Anwendung einer<br />
Wavelet-Transformation - Sun benutzt das quadratische Spline-Wavelet aus [LZT95] -<br />
kann der Hurst-Index aus der Varianz der ermittelten Wavelet-Koeffizienten dk(n) (k<br />
ist der Skalenindex) nach folgender Beziehung bestimmt werden:<br />
log 2(var(dk(n))) = (2H + 1)k + konst. (9.1)<br />
Nutzung der Spektraleigenschaften: Ein erster Ansatz, die Änderung der Spektralcharakteristik<br />
im Falle <strong>von</strong> VF für ihre Detektion zu nutzen, wurde 1978 <strong>von</strong> Kuo und<br />
Dillmann [KD78] vorgestellt. Diese VF-Filter-Leck-Technik (Leakage) beruht darauf,<br />
aus <strong>EKG</strong>-Segmenten die Mittenfrequenz mit einer adaptiven Bandsperre herauszufiltern.<br />
Dies geschieht durch Berechnung der mittleren Periodendauer T des Signals s(j)<br />
mit der Beziehung<br />
�<br />
|s(j)|<br />
T = 2π � mit j = 0, 1, . . . , N − 1 (9.2)<br />
|s(j) − s(j − 1)|<br />
und anschließendes Verschieben des Signal um eine halbe Periode. Dadurch werden sinuoidale<br />
Signalkomponenten der Frequenz f = 1 ausgelöscht. Durch die Konzentration<br />
T<br />
der Signalenergie in einem relativ engen Band durch den sinuoidalen Signalverlauf im<br />
Falle <strong>von</strong> VF lässt sich auf Grund der Restenergie des Spektrums auf VF oder NSR<br />
schließen.<br />
Ein ähnlicher Ansatz wird in [Hew98c] beschrieben, wobei hier das <strong>EKG</strong>-Signal näherungsweise<br />
als Dreieckssignal modelliert wird.<br />
Jekova [JK04] benutzt ebenfalls ein speziell entworfenes Bandpassfilter, das auf die<br />
Frequenzkomponenten <strong>von</strong> normalen QRS-Komplexen optimiert ist und gleichzeitg für<br />
VF typische Frequenzen aus dem Signal herausfiltert. Nach dieser Filterung werden