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

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