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.
4 1 Einleitung<br />
Einzelnen fokussiert sich die vorliegende Arbeit auf folgende zentrale Bereiche der <strong>EKG</strong>-<br />
Analyse:<br />
• Identifikation, Implementierung und ausführliche Erprobung <strong>von</strong> für den mobilen<br />
Einsatz geeigneten Verfahren <strong>zur</strong> QRS-Detektion<br />
• <strong>Entwicklung</strong> eines Klassifikationssystems für die Differenzierung <strong>von</strong> Normalschlägen<br />
und ventrikulären ektopen QRS-Komplexen<br />
• Identifikation geeigneter Parameter <strong>zur</strong> Erkennung lebensbedrohlicher ventrikulärer<br />
tachykarder Rhythmusstörungen und ihre Verknüpfung zu einem für den<br />
mobilen Einsatz tauglichen Klassifikationssystem<br />
Ausgehend <strong>von</strong> den oben genannten Anforderungen werden in dieser Arbeit mehrere<br />
Verfahren für die QRS-Klassifikation evaluiert, einige ausgewählte Verfahren implementiert<br />
und systematisch auf öffentlich zugänglichen Datenbanken getestet. Die Testverfahren<br />
werden konform zu etablierten medizinischen Standards durchgeführt, um eine<br />
größtmögliche Transparenz zu gewährleisten. In dem vorliegenden Umfang sind diese<br />
Tests für eine größere Anzahl <strong>von</strong> QRS-Detektionsverfahren erstmalig in einer solchen<br />
Weise durchgeführt worden, dass die erzielten Ergebnisse detailliert nachvollzogen werden<br />
können.<br />
Die Anwendung unscharfer Systeme für die Klassifikation <strong>von</strong> biomedizinischen Signalen<br />
liegt aus folgenden Gründen nahe:<br />
1. Die große intra- und interindividuelle Varianz biologischer Signale, insbesondere<br />
auch des <strong>EKG</strong>s mit seinen vielfältigen Morphologien, lässt sich mit unscharfen<br />
<strong>Methoden</strong> deutlich besser beherrschen als mit einer auf scharfen Grenz- und<br />
Schwellwerten basierenden Logik<br />
2. Durch die Regelbasis, die in linguistischen Termen für den menschlichen Anwender<br />
verständlich formuliert werden kann, ist das Systemverhalten transparent und<br />
jederzeit nachvollziehbar. Expertenwissen kann deutlich leichter in das bestehende<br />
Regelwerk eingebracht werden, da seine umständliche Umformulierung in formale<br />
Beziehungen und Grenzwerte entfällt.<br />
3. Sind die Zugehörigkeitsfunktionen und die Regelbasis eines unscharfen Klassifikationssystems<br />
optimiert, weist es bei einem intelligenten Systemdesign nur einen<br />
geringfügig höheren Implementierungs- und Rechenaufwand auf als herkömmliche,<br />
meist auf heuristischen Regeln oder Entscheidungsbäumen beruhende Klassifikationssysteme.<br />
Etablierte <strong>Methoden</strong> <strong>zur</strong> Optimierung der Zugehörigkeitsfunktionen solcher Fuzzy-Inferenz-Systeme<br />
(FIS) weisen jedoch Nachteile bei der Behandlung stark ungleichmäßig<br />
verteilter Trainingskollektive auf. Da im Normalfall versucht wird, den Gesamtfehler der<br />
Klassifikation zu minimieren, werden häufig auftretende Ergebnisklassen beim Training<br />
bevorzugt. Gerade im medizinischen Umfeld sind jedoch die deutlich seltener auftretenden<br />
pathologischen Ereignisse relevant und daher bei der Klassifikation wichtiger als die<br />
häufig auftretenden normalen Ereignisse. Die Auswahl bestimmter Trainingsmuster aus