5

АННОТАЦИЯ

Данный дипломный проект посвящен исследованию и разработке

программного обеспечения определения параметров электрокардиограмм.

Изучению аспектов электрокардиографии, особенностей современных

систем и программных средств для анализа и интерпретации ЭКГ, а также

анализу существующих алгоритмов выделения информативных признаков

электрокардиосигнала с целью последующей разработки нового алгоритма и

его применения для выявления сердечно – сосудистых заболеваний.

Основным требованием, предъявляемым к разрабатываемому

программному обеспечению, является высокая чувствительность и

прогностичность определения параметров для записей ЭКГ различной

длительности.

Исследование специализированных баз данных

электрокардиосигналов, предоставляемых в открытом доступе в сети

интернет, а также баз, сформированных на базе конкретных медицинских

учреждений, повышает ценность выполняемой работы.

В общей сложности данный дипломный проект содержит 104 страницы

машинописного текста, 63 рисунка, 15 таблиц, 32 источника информации, 3

приложения, в том числе 10 графических листов.

6

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ ........................................................................................................... 10

1. ПОСТАНОВКА ЗАДАЧИ .............................................................................. 11

2. ИССЛЕДОВАТЕЛЬСКАЯ ЧАСТЬ ............................................................. 12

2.1. Актуальность проблемы ............................................................................ 12

2.2. Электрокардиография ................................................................................ 14

2.2.1. Электрокардиограмма ...................................................................... 15

2.2.2. Электрическая ось сердца ................................................................ 19

2.2.3. Отведения ЭКГ .................................................................................. 21

2.2.4. Вариабельность сердечного ритма .................................................. 24

2.3. Обзор систем и программных продуктов для анализа и интерпретации

электрокардиосигнала ...................................................................................... 25

2.3.1. Программа измерений “М” и программа интерпретации ЭКГ

“С” ................................................................................................................. 26

2.3.2. Программное обеспечение “FP-804” .............................................. 27

2.3.3. Программа анализа ЭКГ “Marquette 12SL” .................................... 27

2.3.4. Программное обеспечение для регистрации и интерпретации

электрокардиограмм в системе двенадцати общепринятых отведений

“ArMaSoft – 12 – Cardio” ............................................................................ 27

2.3.5. Комплекс функциональной диагностики “Валента” .................... 28

2.4. Автоматическая интерпретация ЭКГ ....................................................... 28

2.5. Помехи, возникающие при регистрации ЭКС ........................................ 29

2.6. Исследование алгоритмов выделения информативных признаков

электрокардиосигнала ...................................................................................... 30

2.6.1. Алгоритмы анализа ЭКГ во временной области ........................... 30

2.6.1.1. Алгоритм Пана – Томпкинса ................................................ 30

2.6.1.2. Корреляционный алгоритм ................................................... 32

2.6.1.3. Алгоритм, основанный на подсчете числа пересечений

нуля ....................................................................................................... 33

2.6.2. Частотно – временные алгоритмы .................................................. 35

7

2.6.2.1. Алгоритм на основе дискретного преобразования

Фурье .................................................................................................... 36

2.6.2.2. Алгоритм на основе вейвлет – преобразования ................. 37

2.7. Сравнительный анализ алгоритмов выделения информативных

признаков ЭКС .................................................................................................. 39

2.8. Выводы ........................................................................................................ 40

3. КОНСТРУКТОРСКАЯ ЧАСТЬ ............................................................... 41

3.1. Структура и описание предлагаемого алгоритма выделения ключевых

параметров электрокардиосигнала .................................................................. 41

3.1.1. Предварительная обработка ............................................................. 41

3.1.2. Выбор вида вейвлет – преобразования ........................................... 42

3.1.2.1. Непрерывное вейвлет – преобразование ............................. 43

3.1.2.2. Дискретное вейвлет – преобразование ................................ 45

3.1.3. Определение частотных диапазонов ��� – комплекса,

волн �и � ..................................................................................................... 46

3.1.4. Выбор вида вейвлет – носителя ....................................................... 50

3.1.5. Пороговая процедура принятия решения ....................................... 51

3.1.6. Блок – схема разработанного алгоритма ........................................ 51

3.2. Выводы ........................................................................................................ 60

4. ТЕХНОЛОГИЧЕСКАЯ ЧАСТЬ .............................................................. 61

4.1. Обзор баз данных электрокардиосигналов ............................................. 61

4.1.1. База данных компании CARDIO QVARK ...................................... 61

4.1.2. База данных интернет портала PhysioNet ....................................... 63

4.1.2.1. MIT – BIH Arrhythmia Database ............................................ 64

4.1.2.2. European ST – T Database ...................................................... 64

4.1.3. База данных РОХМиНЭ ................................................................... 65

4.1.4. База данных, предоставленная доктором медицинских наук,

профессором Успенским В.М .................................................................... 66

4.1.5. Ценность разнообразия баз данных ЭКГ ....................................... 66

4.2. Выбор среды разработки ........................................................................... 66

8

4.2.1. Импорт – экспорт файлов с помощью MatLab .............................. 67

4.2.2. Фильтрация с помощью MatLab ...................................................... 67

4.2.3. Вейвлет – анализ с помощью MatLab ............................................. 68

4.2.3.1. Wavelet Toolbox...................................................................... 68

4.3. Алгоритмическая реализация ................................................................... 69

4.4. Оценка качества работы алгоритма ......................................................... 69

4.4.1. Точность обнаружения R – пиков ................................................... 69

4.4.2. Чувствительность и прогностичность ............................................ 70

4.5. Выводы ........................................................................................................ 70

5. ОРГАНИЗАЦИОННО – ЭКОНОМИЧЕСКАЯ ЧАСТЬ ..................... 72

5.1. Введение...................................................................................................... 72

5.2. Основная часть ........................................................................................... 73

5.2.1. Определение сроков проведения НИОКР ...................................... 73

5.2.2. Расчет затрат на выполнение НИОКР ............................................ 76

5.2.2.1. Материальные затраты .......................................................... 77

5.2.2.2. Работы, выполняемые сторонними организациями ........... 77

5.2.2.3. Специальное оборудование .................................................. 78

5.2.2.4. Специальное программное обеспечение ............................. 78

5.2.2.5. Оплата труда работников ...................................................... 78

5.2.2.6. Отчисления на социальные нужды ...................................... 79

5.2.2.7. Расчет амортизационных отчислений ................................. 80

5.2.3. Оценка эффективности проведения НИОКР ................................. 80

5.3. Выводы ........................................................................................................ 82

6. ОХРАНА ТРУДА И ЭКОЛОГИЯ ............................................................ 83

6.1. Анализ опасных и вредных факторов, возникающих на рабочем месте

пользователя ПЭВМ ......................................................................................... 83

6.1.1. Требования к ПЭВМ ......................................................................... 84

6.1.2. Требования к помещениям для работы с ПЭВМ ........................... 85

6.1.3. Требования к микроклимату ............................................................ 86

6.1.4. Требования к уровням шума и вибрации ....................................... 87

9

6.1.5. Требования к освещению рабочих мест ......................................... 88

6.1.6. Требования пожаробезопасности .................................................... 89

6.1.7. Требования электробезопасности ................................................... 90

6.1.8. Организация режимов труда и отдыха ........................................... 91

6.1.9. Проектирование основных элементов рабочего места ................. 92

6.2. Расчет системы искусственного освещения ........................................... 95

6.2.1. Выбор источников света .................................................................. 95

6.2.2. Выбор системы освещения .............................................................. 96

6.2.3. Выбор осветительных приборов ..................................................... 96

6.2.4. Размещение осветительных приборов ............................................ 97

6.2.5. Выбор освещенности и коэффициента запаса ............................... 98

6.2.6. Расчет искусственного освещения рабочего места ....................... 98

6.3. Выводы ..................................................................................................... 100

ЗАКЛЮЧЕНИЕ ............................................................................................. 101

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ ..................................... 102

ПРИЛОЖЕНИЕ А. РЕЗУЛЬТАТЫ ТЕСТИРОВАНИЯ АЛГОРИТМА

ПРИЛОЖЕНИЕ Б. КОД ПРОГРАММНОГО ПРИЛОЖЕНИЯ

ПРИЛОЖЕНИЕ В. ГРАФИЧЕСКИЕ ЛИСТЫ

10

ВВЕДЕНИЕ

В настоящее время развитие компьютерной техники затронуло

разработки и исследования практически во всех отраслях современной науки.

Естественно такая ситуация не могла не затронуть и медицинскую

промышленность. Сейчас ЭВМ применяют практически на всех этапах

медицинского обследования: в профилактике, диагностике и терапии

заболеваний.

Заболевания сердца и сосудов – одна из наиболее важных проблем

медицины сегодняшнего дня. Анализ данных кардиологических

исследований необходим для постановки диагноза, составления прогноза и

лечения. В некоторых случаях обработка кардиологических параметров

возможна и вручную, однако, автоматический расчет их с помощью

компьютера дает большие преимущества и требует меньше времени.

При автоматизированной обработке таких данных выполняются

следующие задачи: ввод данных, хранение, поиск, обработка и выдача

информации.

Обработка информации в свою очередь подразделяется на следующие

подзадачи: фильтрация, распознавание образов, измерение параметров и

интерпретация данных.

Актуальной проблемой на сегодняшний день является надежность и

доступность программного обеспечения кардиографических аппаратов.

Известны разработки кардиографов многочисленных зарубежных фирм,

которые выполняют основные операции, необходимые для работы в

реальных условиях, однако их стоимость очень велика. В то же время, в

нашей стране технический уровень специалистов довольно высок и

достаточен, чтобы разработать собственный аналог подобных комплексов.

Данный дипломный проект посвящен изучению вопроса

идентификации информативных признаков электрокардиосигнала

(сегментов, зубцов, интервалов и т.д.) с целью последующего их применения

для выявления признаков болезни и их интерпретации.

11

1. ПОСТАНОВКА ЗАДАЧИ

Основной целью данного дипломного проекта является разработка

программного приложения для выделения информативных признаков

электрокардиосигнала, основанного на уже известных или

модифицированных алгоритмах. Данное приложение должно обеспечивать

высокую точность обнаружения параметров при различных длительностях

записей ЭКГ.

Задачи дипломного проекта:

− оценка актуальности задачи;

− изучение основ электрокардиографии;

− исследование основных возможностей существующих программных

средств анализа и интерпретации ЭКГ;

− анализ алгоритмов выделения информативных признаков

электрокардиосигнала;

− исследование существующих баз данных ЭКС;

− разработка алгоритма выделения информативных признаков ЭКС;

− анализ эффективности разработанного алгоритма (точность

обнаружения � – пиков, чувствительность и прогностичность).

2. ИССЛЕДОВАТЕЛЬСКАЯ

2.1. Актуальность проблемы

По результатам

организацией здравоохранения

говорить об основных

диаграмм (см. рисунки

большей степени превосходят

миллиона человек, что

миллиона человек умерли

человек в результате инсульта

При этом основными

− неправильное питание

− употребление табака

− нищета;

− наследственные

Рисунок 2.1

2. ИССЛЕДОВАТЕЛЬСКАЯ ЧАСТЬ

Актуальность проблемы

результатам исследований, проведенных в 2012

воохранения (ВОЗ) были получены данные

основных причинах смертности людей в мире

рисунки 2.1, 2.2), сердечно – сосудистые заболевания

превосходят другие заболевания. От

человек что составило 27% всех смертей в мир

человек умерли от ишемической болезни сердца

результате инсульта.

сновными факторами риска ССЗ являются

неправильное питание (физическая инертность);

употребление табака и алкоголя;

наследственные факторы.

Рисунок 2.1 – Основные причины смертности

12

ЧАСТЬ

в 2012 году Всемирной

получены данные, позволяющие

в мире [1]. Как видно из

сосудистые заболевания (ССЗ) в

От ССЗ умерло 15,2

мире, из этого числа 7,4

сердца и 6,7 миллиона

являются:

смертности в мире

Рисунок 2.2 – Основные

По данным Федеральной

(Росстата) за последние

городского, так и сельского

сосудистые заболевания

причин смертности населения

Для своевременного

странах разрабатываются

методы контроля сердца

радионуклеидное исследование

электрокардиограмма

диагностики сердечно

Основные аспекты

ЭКГ рассмотрены в последующих

Основные причины смертности в мире

соотношение

данным Федеральной службы государственной

последние 14 лет основными причинами

и сельского населения в России стали

заболевания [2]. На их долю приходится около

смертности населения (см. рисунки 2.3, 2.4).

своевременного выявления болезней сердца и

разрабатываются диагностические меры. Существует

контроля сердца (эхокардиография, компьютерная

исследование и т.д.), однако на

электрокардиограмма (ЭКГ) является самым распространенным

сердечно – сосудистой системы человека.

аспекты электрокардиографии и автоматического

в последующих разделах.

13

в мире, процентное

ственной статистики

причинами смертности как

стали также сердечно –

приходится около 58% основных

сердца и сосудов во всех

Существует различные

омпьютерная томография,

а данный момент

распространенным методом

автоматического анализа

14

Рисунок 2.3 – Основные причины смерти в России среди сельского населения

Рисунок 2.4 – Основные причины смерти в России среди городского

населения

2.2. Электрокардиография

Несмотря на почти полуторавековую историю, электрокардиография

продолжает активно развиваться. С середины 1960 –х годов в нее внедряются

методы автоматизированного (компьютерного) анализа, получившие

15

дальнейшее развитие в 1980–х годах. При этом автоматический анализ

электрокардиосигнала до сих пор представляет собой сложную проблему.

Это связано с тем, что сигнал является изменчивым, непредсказуемым,

нестационарным и подвержен многочисленным видам помех.

2.2.1. Электрокардиограмма

Слово “электрокардиограмма” с латинского языка дословно

переводится следующим образом [3]:

− электро – электрические потенциалы;

− кардио – сердце;

− грамма – запись.

Следовательно, электрокардиограмма – это запись электрических

потенциалов (электроимпульсов) сердца. Они вырабатываются в месте

слияния полых вен – синусовом узле и носят название синусовых импульсов

(см. рисунок 2.5).

Рисунок 2.5 – Синусовый узел

У здорового человека синусовый узел вырабатывает 60 – 90

электрических импульсов в минуту, равномерно посылая их по проводящей

системе сердца. Следуя по ней, эти импульсы охватывают возбуждением

прилегающие к проводящим путям отделы миокарда и регистрируются

графически на ленте как кривая линия ЭКГ. Прохождение импульса по

проводящей системе сердца графически записывается по вертикали в виде

16

пиков (зубцов электрокардиограммы �, �, �, � и �) – подъемов и спадов

кривой линии. Помимо регистрации зубцов, на ЭКГ по горизонтали

записывается время, в течение которого импульс проходит по определенным

отделам сердца. Высоту зубцов измеряют в милливольтах,

продолжительность интервалов в секундах [3]. Пример кривой ЭКГ показан

на рисунке 2.6.

Рисунок 2.6 – Лента ЭКГ: зубцы и интервалы

В общем случае процесс формирования электрокардиограммы можно

описать так [3]:

− формирование импульса возбуждения в синусовом узле;

− возбуждение предсердий, формирование зубца �;

− регистрация интервала � – �;

− возбуждение миокарда желудочков, запись ��� – комплекса;

− угасание возбуждения и восстановление исходного состояния,

появление сегмента � – � и зубца �.

Рассмотрим каждый из этапов регистрации событий на ленте ЭКГ

подробнее.

Сердце работает в организме под руководством собственного водителя

ритма, который вырабатывает электрические импульсы и направляет их в

проводящую систему. Расположен водитель ритма в правом предсердии, то

есть в синусе.

17

Электрический потенциал, выйдя за пределы синусового узла,

охватывает возбуждением правое предсердие, при этом на ленте ЭКГ

записывается пик возбуждения. Далее по проводящей системе предсердий

электроимпульс переходит на левое предсердие и возбуждает его. Этот

процесс отображается на ЭКГ пиком возбуждения левого предсердия.

Отображая возбуждение обоих предсердий, электрокардиографический

аппарат суммирует оба пика возбуждения и записывает на ленте зубец �.

Процесс формирования зубца � показан на рисунке 2.7.

Рисунок 2.7 – Формирование зубца �

Следуя по атриовентрикулярному соединению (� − ), электрический

импульс претерпевает физиологическую задержку, при этом не вызывая

возбуждения прилежащих слоев. Поэтому на электрокардиограмме пики

возбуждения не записываются, а регистрируется прямая линия, называемая

изоэлектрической линией, то есть интервал � – � (см. рисунок 2.8).

Рисунок 2.8 – Изоэлектрическая линия

18

Далее электрический импульс достигает проводящих путей

желудочков. Происходит возбуждение межжелудочковой перегородки, затем

возбуждается верхушка сердца и прилегающие к ней области, и в последнюю

очередь возбуждается основание сердца. Весь этот процесс сопровождается

регистрацией на ленте ЭКГ зубцов �, �, и � (см. рисунки 2.9 – 2.11).

Рисунок 2.9 – Возбуждение межжелудочковой перегородки, формирование

зубца �

Рисунок 2.10 – Возбуждение верхушки сердца, формирование зубца �

Рисунок 2.11 – Возбуждение основания сердца, формирование зубца �

Вслед за процессами возбуждения в миокарде начинаются процессы

реполяризации (восстановления исходного состояния). Импульс, начавший

19

путь из синусового узла, угасает. Происходит регистрация на ленте ЭКГ

интервала � – � и зубца �. Процесс реполяризации и формирования зубца �

показан на рисунке 2.12.

Рисунок 2.12 – Процесс реполяризации сердца

Все измерения зубцов и интервалов принято производить во втором

стандартном отведении, обозначаемом римской цифрой II. В этом отведении

высота зубца � в норме должна быть 10 мм, или 1 мВ (см. рисунок 2.13).

Рисунок 2.13 – Контрольная кривая и высота основных зубцов ЭКГ

2.2.2. Электрическая ось сердца

Электрическая ось сердца (ЭОС) – термин, используемый в

кардиологии и функциональной диагностике, отражающий электрические

процессы, происходящие в сердце [4].

Направление электрической оси сердца показывает суммарную

величину биоэлектрических изменений, протекающих в сердечной мышце

при каждом ее сокращении. Сердце – трёхмерный орган, и для того, чтобы

20

рассчитать направление ЭОС, кардиологи представляют грудную клетку в

виде системы координат.

Каждый электрод при снятии ЭКГ регистрирует биоэлектрическое

возбуждение, происходящее в определённом участке миокарда. Если

спроецировать электроды на условную систему координат, то можно

рассчитать и угол электрической оси.

Масса сердечной мышцы левого желудочка в норме значительно

больше массы правого желудочка. Таким образом, электрические процессы,

происходящие в левом желудочке, суммарно сильнее, и ЭОС будет

направлена именно на него (см. рисунок 2.14).

Рисунок 2.14 – Направление электрической оси сердца

Если спроецировать положение сердца на систему координат, то левый

желудочек окажется в области от 30 до 70 градусов (см. рисунок 2.15). В

зависимости от индивидуальных анатомических особенностей положение

ЭОС у здоровых людей может колебаться от 0 до 90 градусов [4].

Рисунок 2.15 – Проекция ЭОС на систему координат

21

2.2.3. Отведения ЭКГ

Электрокардиографическое отведение – это совокупность двух

электродов, расположенных на поверхности тела. Осью отведения

называется воображаемая прямая, соединяющая между собой два электрода.

Отведения могут быть двухполюсными и однополюсными.

Для полного описания состояния сердца обычно используют

двенадцать отведений. Их объединяют в две группы: шесть отведений от

конечностей и шесть грудных отведений. Отведения от конечностей

подразделяют на стандартные отведения I, II, III и усиленные отведения aVR,

aVL, aVF [4]. При этом стандартные отведения являются двухполюсными, а

усиленные и грудные отведения однополюсными.

В стандартных отведениях электроды регистрируют разность

потенциалов между двумя точками тела [4]:

− I – правая рука и левая рука;

− II – правая рука и левая нога;

− III – левая рука и левая нога.

Идея снятия ЭКГ в трех стандартных отведениях была предложена

нидерландским физиологом Эйнтховеном. Он исходил из того, что сердце

является точечным источником электрического тока, расположенным в

центре равностороннего треугольника, образованного правой и левой рукой

и левой ногой. ЭКГ представляет собой проекцию суммарного вектора на ось

отведения. Величина проекции совпадает с величиной ��� – комплекса в

соответствующем отведении (см. рисунок 2.16).

Рисунок 2.16 –Проекции суммарного вектора

22

В усиленных отведениях вычисляется разность между центральным и

активным электродом (электрод, приложенный к одной из конечностей).

Центральный электрод образуется соединением в один электрод

электродов от двух других конечностей через сопротивление. При этом

полагают, что его потенциал приближается к нулю (замкнутая система).

Активный электрод располагают [4]:

− для отведения aVR – на правой руке;

− для отведения aVL – на левой руке;

− для отведения aVF – на левой ноге.

Буква “V” в названиях этих отведений обозначает, что измеряют

значения потенциала (voliage) под активным электродом, буква “а” – что этот

потенциал усилен (augmented).

Усиление достигается за счет того, что центральный электрод не

включает электрод от конечности, на которую накладывают активный.

Например, в отведении aVF центральным электродом служит объединенный

электрод от правой руки и левой руки. На правую ногу всегда накладывается

заземляющий электрод.

Чтобы получить грудные отведения, электроды устанавливают в

точках: V1, V2, V3, V4, V5, V6 (см. рисунок 2.17). Здесь центральный

электрод образуется соединением в один всех трех электродов от

конечностей через сопротивление.

Рисунок 2.17 – Однополюсные отведения

ЭКГ отражает

многочисленных волокнах

суммарная электродвижущая

она является векторной

схематически изображается

электродвижущей силы

Рисунок 2.18 – Направления

времени

Кроме того, оси

но и полярностью: один

электрокардиографа, другой

времени суммарный вектор

кривая ЭКГ смещается

же суммарный вектор направлен

то записывается изолиния

позволяют взглянуть

углами.

Рисунок

отражает суммарные электрические токи

волокнах миокарда во время возбуждения

электродвижущая сила сердца изменяет величину

векторной величиной. На рисунке 2.1

изображается стрелкой, указывающей

силы, длина стрелки соответствует величине

Направления электродвижущей силы в различные

времени и суммарный вектор (ЭОС)

си отведений характеризуются не только

один электрод присоединяется к положительному

рокардиографа, другой – к отрицательному. Если

суммарный вектор направлен в сторону положительного

смещается вверх, а если в сторону отрицательного

вектор направлен под прямым углом к оси данного

изолиния [4]. Разные отведения (

взглянуть на электрические процессы в сердце

Рисунок 2.19 – Проекции отведений

23

токи, возникающие в

возбуждения. При этом

величину и направление,

рисунке 2.18 вектор сердца

указывающей направление

величине этой силы.

в различные моменты

не только направлением,

положительному полюсу

Если в некий момент

положительного полюса, то

отрицательного – вниз. Если

си данного отведения,

отведения (см. рисунок 2.19)

в сердце под разными

24

2.2.4. Вариабельность сердечного ритма

При нормальном состоянии сердечно – сосудистой системы

промежуток времени между двумя соседними сердечными сокращениями

(� – пиками) меняется от сокращения к сокращению. Эта изменчивость

называется вариабельностью сердечного ритма (ВСР).

Анализ вариабельности сердечного ритма [5] представляет собой метод

исследования статистических свойств сигнала. Cвое активное развитие он

получил благодаря успехам в космической медицине на рубеже 60-х годов.

Информация о вариабельности ритма сердца получается на основании

исследования ритмограмм – числовых последовательностей, элементами

которых являются промежутки времени между двумя соседними сердечными

сокращениями. При этом внешний вид ритмограммы (см. рисунок 2.20)

может изменяться у одного и того же человека в зависимости от его

двигательной или умственной активности, фазы дня и других факторов.

Рисунок 2.20 – �� – интервалы ритмограммы

Еще одним методом анализа ВСР является построение скаттерограмм.

Скаттерограмма представляет собой графическое отображение

последовательных пар сердечных интервалов (предыдущего и

25

последующего) на координатной плоскости. При этом по оси абсцисс

откладывается величина предыдущего, а по оси ординат последующего

интервала. Таким образом образуется группа точек, центр которой

располагается на биссектрисе координатного угла (см. рисунок 2.21).

Рисунок 2.21 – Скаттерограмма

Анализируя вид ритмограммы и скатерограммы можно судить о

нарушениях сердечного ритма или аномальных выбросах, выполнять подсчет

частоты сердечных сокращений (ЧСС), а также определять источник

возбуждения (местоположение водителя ритма), вызывающего сокращение

предсердий и желудочков.

2.3. Обзор систем и программных продуктов для анализа и

интерпретации электрокардиосигнала

Автоматический анализ электрокардиосигнала представляет собой

сложный вопрос. Задача достоверного определения информативных

признаков ЭКГ, отражающих отдельные стадии работы сердца, является

наиболее актуальной в наше время. Решение данной задачи позволит

повысить точность автоматизированных систем анализа ЭКГ.

2.3.1. Программа измерений

Программа измерений

возможность определения

синхронно полученным

Итогом работы

измерений. В каждой

определенному отведению

сегментов �����–комплексаНа рисунке 2.22 представлено

�����–комплекса.

Рисунок

Программа измерений

некоторых электрокардиографов

интерпретации “C” предлагает

покоя. Результат каждого

записей [6]:

− нормальная ЭКГ

− ЭКГ с возможными

− ЭКГ с отклонениями

Данная программа

приборы фирмы Schiller

измерений “�” и программа интерпретации

измерений “M” от компании Schiller (Швейцария

определения параметров кардиокомплекса по

полученным отведениям ЭКГ покоя или нагрузки

работы программы является таблица

каждой из двенадцати колонок,

отведению записаны значения зубцов

комплекса, а также величины, в которых

представлено подробное описание измеряемых

Рисунок 2.22 – Параметры кардиокомплекса

измерений “M” включена в стандартную

электрокардиографов компании Schiller

” предлагает свыше тысячи вариантов

каждого исследования сопровождается одной

нормальная ЭКГ;

возможными отклонениями;

отклонениями.

программа может быть установлена только

Schiller.

26

интерпретации ЭКГ “�”

(Швейцария) [6] дает

кардиокомплекса по всем двенадцати

нагрузки.

таблица с результатами

колонок, соответствующий

зубцов, интервалов и

которых они измеряются.

измеряемых параметров

кардиокомплекса

стандартную комплектацию

Schiller. Программа

вариантов трактования ЭКГ

сопровождается одной из следующих

только на некоторые

27

2.3.2. Программное обеспечение “�� − ���”

Данное программное обеспечение является опциональным, носителем

является SD– карта. Оно может быть установлено на электрокардиографы

компании Fukuda Denshi (Япония) и обладает следующими ключевыми

возможностями [7]:

− введения данных о пациенте;

− основные измерения: частота сокращений сердца, �� – интервал,

�� – интервал, ��� – комплекс, �� – интервал;

− 120 типов кодов интерпретации электрокардиосигнала: каждое

изменение на ЭКГ выражается в виде цифрового кода, состоящего из двух

или трех цифр, разделенных дефисом.

2.3.3. Программа анализа ЭКГ “�������������”

С помощью программы анализа ЭКГ “Marquette12SL” от

американской фирмы GE Healthcare можно осуществить [8]:

− анализ ЭКГ в двенадцати общепринятых отведениях в состоянии

покоя;

− определение ключевых параметров электрокардиосигнала;

− определение ритма сердца;

− автоматическую интерпретацию полученных результатов.

2.3.4. Программное обеспечение для регистрации и интерпретации

электрокардиограмм в системе двенадцати общепринятых отведений

“)����*+�– �� – ���,-*”

ПО “ArMaSoft– 12– Cardio” российской фирмы “Диамант”

предназначено для выполнения следующих функций [9]:

− отображения на экране монитора компьютера регистрируемых

электрокардиографических отведений;

− формирования и управления архивами электрокардиосигналов;

28

− измерения амплитудно – временных параметров зубцов и интервалов

электрокардиосигнала;

− расчета общепринятых электрокардиографических параметров;

− синдромальной интерпретации патологических изменений

электрокардиограммы с постановкой предварительного диагноза;

Данное программное обеспечение может быть установлено на

персональный компьютер.

2.3.5. Комплекс функциональной диагностики “Валента”

В состав диагностического комплекса “Валента” (Россия) входят [10]:

− преобразователь биосигналов “Валента”;

− программное обеспечение;

− аксессуары для проведения исследования.

Диагностическая система “Валента” ЭКГ обеспечивает синхронный

съем ЭКГ в двенадцати общепринятых отведениях, автоматический расчет

основных параметров, формирует автоматическое заключение, основанное

на более чем 100 простейших формулировках.

Программный комплекс может быть установлен на персональный

компьютер.

2.4. Автоматическая интерпретация ЭКГ

Алгоритмическое и программное обеспечение имеет

основополагающее значение при построении автоматизированной системы

анализа и интерпретации электрокардиосигнала. Оно определяет

функциональные возможности диагностики и в значительной степени

правильность постановки диагноза в целом.

Исходя из выполненного обзора существующих систем и программных

средств автоматического анализа, выявлены основные возможности,

которыми должна обладать программа, обеспечивающая анализ и

интерпретацию электрокардиосигнала:

29

− загрузка ЭКГ – сигнала и отображение его на экране;

− распознавание характерных элементов ЭКГ;

− интерпретация результатов анализа информативных параметров.

2.5. Помехи, возникающие при регистрации ЭКС

Биопотенциалы сердца представляют собой слабые сигналы в

окружение большого количества других сигналов. Любой другой сигнал

кроме исследуемого ЭКС является помехой (артефактом).

Помехи, возникающие при получении ЭКС [11]:

− дрейф изолинии;

− сетевая помеха;

− мышечный тремор;

− артефакты движения.

Дрейф изолинии представляет собой низкочастотную помеху с

частотой менее 1 Гц, обусловлен влиянием дыхания и высокого кожного

сопротивления. Непостоянство изолинии влияет на точность измерения

амплитудных параметров электрокардиосигнала, так как именно от нее

ведется отсчет.

Сетевая помеха – высокочастотная электромагнитная помеха,

передается по проводу от сети электропитания к прибору. Частота данной

помехи составляет 50 или 60 Гц.

Мышечный тремор возникает в результате высокой электрической

активности тканей и представляет собой хаотические колебания

изоэлектрической линии в частотном диапазоне от 30 до 100 Гц.

Накладывается на ЭКС у пациентов с дрожательным параличом,

паркинсонизмом и т.д.

Артефакты движения проявляются как одиночные или циклические

всплески, спектр которых похож на спектр ��� – комплексов. Частота таких

помех находится в диапазоне от 1 до 40 Гц. Возникают в результате

изменения положения пациента или электрода, икоты, кашля и т.д.

30

2.6. Исследование алгоритмов выделения информативных признаков

электрокардиосигнала

Наиболее значимыми параметрами электрокардиограммы являются

форма и амплитуда ���– комплекса, а также волн � и �. В настоящее время

существует множество методик выделения ��� – комплексов, которые по

используемому подходу можно разделить на три основные группы:

− алгоритмы анализа ЭКГ во временной области;

− алгоритмы частотно – временной области;

− алгоритмы классификации элементов ЭКГ.

Алгоритмы первой группы базируются на применение к входному

сигналу, кроме процедур линейной фильтрации, некоторого нелинейного

преобразования. Алгоритмы второй группы основаны на применении после

ряда процедур предварительной обработки ЭКГ различных

частотно – временных преобразований. Алгоритмы третьей группы

используют методы машинного обучения [12].

2.6.1. Алгоритмы анализа ЭКГ во временной области

Большая часть этих алгоритмов определяют �– пики в конкретной

точке, если первая или вторая производные сигнала в этой точке больше

некоторого порогового значения. При этом исходят из предположения, что

� – пики характеризуются большой амплитудой, а входной сигнал меняется

довольно быстро. Такие алгоритмы подходят для обнаружения � – пиков в

реальном времени, но чувствительны к шумам.

Альтернативным подходом является применение согласованной

фильтрации или подсчет числа пересечений нуля.

2.6.1.1. Алгоритм Пана – Томпкинса

Пан и Томпкинс предложили алгоритм [13], основанный на анализе

наклона и ширины ��� – комплексов. Он состоит из следующей

последовательности фильтров и методов: фильтр нижних частот, фильтр

31

верхних частот, оператор производной, возведение в квадрат,

интегрирование, пороговая процедура поиска.

Передаточная функция рекурсивного фильтра нижних частот второго

порядка, использованного в алгоритме, выглядит следующим образом:

3456 = 1 − 2589 + 58;<1 − 258; + 58< .

Частота среза составляет 11 Гц.

Фильтр верхних частот определяется:

3456 =−1 + 3258;9 + 58?<

1 + 58; .

При этом частота среза – 5 Гц.

Для ��� – комплекса характерна наибольшая крутизна наклона

сигнала (скорость изменения напряжения). Поскольку скорость задается

оператором производной, то Паном и Томпкинсом было предложено

использовать данную операцию в качестве базовой при обнаружении

��� – комплексов. Эта процедура подавляет компоненты волн � и �,

усиливает компоненты ��� – комплексов.

Последующее возведение в квадрат делает результат положительным и

усиливает компоненты ��� – комплексов.

Выходной сигнал после применения оператора дифференцирования и

возведения в квадрат демонстрирует многочисленные пики в пределах

длительности одного ��� – комплекса, поэтому выполняется процедура

сглаживания с использование интегрирующего фильтра типа скользящего

окна, задаваемого уравнением:

@4A6 =1B

CDEA − 4B − 16F + DEA − 4B − 26F + ⋯ + D4A6H,

где B – ширина окна.

Выбор ширины окна выполняется с использованием следующих

соображений: при слишком большой ширине ��� – комплекс и волна �

будут сливаться, в то время как слишком маленькая ширина приведет к

нескольким пикам для единственного ��� – комплекса.

32

Пороговая процедура поиска адаптируется к изменениям в сигнале

ЭКГ путем вычисления скользящих оценок пиков, связанных с сигналом.

2.6.1.2. Корреляционный алгоритм

Идея применения согласованной фильтрации, представляющей собой

вычисление функции взаимной корреляции между отрезком входного

сигнала соответствующей длительности и базовыми шаблонами

��� – комплекса была предложена и описана в работе [14].

Согласованный фильтр – фильтр, построенный исходя из

характеристик полезного сигнала и шума, предназначенный для выделения

сигналов известной формы на фоне шумов или искусственных помех.

Критерием оптимальности таких фильтров является получение на выходе

максимально возможного отношения сигнал – шум (signal – to – noise ratio).

Алгоритм создания и применения согласованного фильтра можно

описать в виде процесса, состоящего из следующих шагов:

− предобработка исследуемого электрокардиосигнала: устранение

низкочастотной и высокочастотной помех;

− извлечение из электрокардиограммы со здоровым синусовым ритмом

некоторого ����� – комплекса (см. рисунок 2.23), исходя из

предположения, что на каждом �– � интервале происходят незначительные

изменения;

− использование ��� – комплекса, зубца � и сегмента �� в качестве

согласованного фильтра;

− установка согласованного фильтра на начальный интервал

исследуемого сигнала и постепенное продвижение его до окончания

исследуемого сигнала.

Рисунок 2.23 – �����На рисунке 2.24 представлен

Рисунок

а) - с нормальным

в) - с остановкой

2.6.1.3. Алгоритм, основанный

Данный метод

количества пересечений

сигнал независим от

устойчив к морфологическим

Алгоритм состоит

− линейная и нелинейная

− добавление высокочастотной

амплитуды;

����� – комплекс ЭКГ со здоровым синусовым

представлен пример работы согласованного

Рисунок 2.24 – ��� – комплекс на ЭКГ

нормальным синусовым ритмом, б) - с аритмией

остановкой сердца, г) - с нестандартным ��

основанный на подсчете числа пересечений

[15] основывается на выделении

пересечений сигнала с нулем в конкретном отрезке

независим от внезапных изменений уровня амплитуды

морфологическим патологиям.

состоит из пяти основных этапов:

и нелинейная фильтрация;

добавление высокочастотной последовательности

33

здоровым синусовым ритмом

согласованного фильтра.

ЭКГ:

с аритмией,

– сегментом

пересечений нуля

выделении особенностей –

конкретном отрезке. Получаемый

уровня амплитуды, а также

последовательности и оценка

34

− обнаружение и подсчет количества пересечений с нулем;

− распознавание события и локализация � – пика;

На этапе линейной и нелинейной фильтрации входной сигнал сперва

фильтруется полосовым фильтром с нижней и верхней частотами среза – 18 и

35 Гц соответственно. Затем для улучшения сигнала каждая точка возводится

в квадрат с сохранением знака.

@4A6 = JKLA MDN4A6O ∙ DN<4A6, где DN4A6 – отфильтрованный сигнал.

Добавляя высокочастотную последовательность Q4A6, получаем сигнал

54A6, который имеет большое количество пересечений с нулем в не

��� –сегментах и малое в ��� – комплексах.

Q4A6 = 4−16R ∙ S4A6, 54A6 = @4A6 + Q4A6.

Оценка амплитуды S4A6 выполняется с целью лучшей классификации.

Слишком большое значение амплитуды приведет к тому, что число

пересечений будет постоянным, а слишком маленькое к зашумленности

сигнала и невозможности отличия не ��� – сегмента от ��� – комплекса.

S4A6 = TUS4A − 16 + 41 − TU6|@4A6| ∙ W, где TU ∈ 40; 16 – забывающий коэффициент, W – некоторая константа.

Для подсчета количества пересечений с нулем на отрезке некоторого

движущегося окна вводится функция:

[4A6 = \JKLAE54A6F − JKLA454A − 1662 \,

]4A6 = T^]4A − 16 + 41 − T^6[4A6, где ]4A6 - полученный сигнал с особенностями.

Распознавание события осуществляется с помощью задания

адаптивного порога:

_4A6 = T`_4A − 16 + 41 − T`6]4A6.

Когда ]4A6 становитсяэтом начало и конец события

исходного сигнала. Для

принять во внимание задержку

ЭКГ сигнал в разных

рисунке 2.25.

Рисунок 2.25 – ЭКГ

в – Сигнал с добавленной

г – Количество

2.6.2. Частотно – временные

Представление сигналов

их особенностей, не заметных

Преобразование

связывает временной

частотной области.

невозможность определения

составляющей во времени

Вейвлет – преобразование

для исследования сигналов

становится меньше, чем _4A6, регистрируетсяконец события образуют интервал для локализации

сигнала. Для определения точного местоположения

внимание задержку полосового фильтра.

сигнал в разных стадиях выделения особенностей

ЭКГ сигнал в разных стадиях выделения

а – Исходный ЭКГ сигнал,

б – Отфильтрованный сигнал,

с добавленной высокочастотной последовательностью

Количество пересечений с нулем для некоторого

временные алгоритмы

Представление сигналов в частотной области необходимо

аметных во временном представлении

Преобразование Фурье является математической

временной (пространственный) сигнал с его

Однако ограничением данного

определения точной локализации конкретной

времени.

преобразование – это многоуровневый эффективный

исследования сигналов, содержащих высокочастотные

35

регистрируется событие, при

для локализации � – пика

местоположения необходимо

особенностей показан на

выделения особенностей:

последовательностью,

некоторого окна.

необходимо для анализа

представлении.

математической основой, которая

его представлением в

данного метода является

конкретной частотной

эффективный анализ

высокочастотные компоненты

36

короткой длительности и протяженные низкочастотные компоненты. Эта

особенность делает его оптимально подходящим для изучения

электрокардиосигналов.

Ниже представлены некоторые алгоритмы, базирующиеся на

вышеописанных методах спектрального анализа.

2.6.2.1. Алгоритм на основе дискретного преобразования Фурье

В работе [16] был предложен алгоритм определения � – пиков

��� – комплекса с помощью дискретного преобразования Фурье (ДПФ):

aU = b DRc8<deURff8;

Rgh,

i = 0,… ,B − 1, где N – число значений сигнала, измеренных за период; DR– измеренные

значения сигнала (в дискретных временных точках с номерами

A = 0,… ,B − 1); aU – комплексные амплитуды синусоидальных сигналов,

составляющих исходный сигнал.

На первом шаге работы алгоритма из исходного электрокардиосигнала

(см. рисунок 2.26) посредством прямого ДПФ устраняются

низкочастотные компоненты, приводящие к обнаружению ложных

� – пиков. Далее выполняется восстановление сигнала с помощью обратного

ДПФ:

DR = 1B b aUc8<deURf

f8;

Ugh.

Рисунок 2.26 – Исходный электрокардиосигнал

37

Результат применения дискретного преобразования Фурье для

устранения низкочастотной компоненты электрокардиосигнала показан на

рисунке 2.27.

Рисунок 2.27 – Отфильтрованный электрокардиосигнал

Следующий шаг алгоритма заключается в поиске локальных

максимумов электрокардиосигнала. Для этого используется скользящее окно

некоторой ширины и пороговая процедура обнаружения. Результат работы

алгоритма представлен на рисунке 2.28.

Рисунок 2.28 – Найденные � – пики электрокардиосигнала

Определение зубцов � и � заключается в поиске локальных

минимумов, расположенных слева и справа от � – пика на расстоянии в 0,05

секунд (длительность ��� – комплекса, соответствующая нормальному

синусовому ритму, составляет 0,04 – 0,10 секунд).

2.6.2.2. Алгоритм на основе вейвлет – преобразования

Предложенный в работе [13] алгоритм выделения ����� – комплексов

базируется на непрерывном вейвлет – преобразовании (НВП). В качестве

вейвлет – носителя выступает биортогональный вейвлет bior1.5, а масштабы,

38

используемые для определения правильного местоположения точек

��� – комплекса, волн � и � равны 15 и 41 соответственно.

Вейвлет bior1.5 в масштабах 15 и 41 представлен на рисунке 2.29.

Рисунок 2.29 – Вейвлет bior1.5 в масштабах 15 и 41

Процедура обнаружения важных координат точек кардиосигнала

состоит из следующих этапов [13]:

− применение НВП с масштабным коэффициентом равным 15;

− подсчет пороговых значений k; = 0,5max4o4K66 и k< = 0,5pKA4o4K66, где o4K6 – вейвлет коэффициенты, K = 1…B;

− определение пар коэффициентов, пересекающих нуль;

− выбор двух последовательных пар коэффициентов, между каждой из

которых находится вейвлет – коэффициент, превышающий по модулю

значение порога k; и k<;

− обозначение первого вейвлет – коэффициента началом

��� – комплекса, второго – пиком комплекса, а третьего – его смещением;

− удаление найденных ��� – комплексов из исследуемого сигнала;

− выполнение линейной аппроксимации участков сигнала между

точками, обозначенными как начало и смещение ��� – комплекса;

− повторение вышеописанных шагов алгоритма для поиска волн � и �,

с масштабным коэффициентом равным 41.

39

2.7. Сравнительный анализ алгоритмов выделения информативных

признаков ЭКС

Выполним сравнительный анализ вышеописанных алгоритмов, с целью

выявления основных достоинств и недостатков каждого из них.

Алгоритм Пана – Томпкинса:

− достоинства: простота реализации;

− недостатки: усиление компонент несимметричных, крупных волн �

после применения оператора дифференцирования и впоследствии

определение их как � – пиков; для определения пиков в исходном сигнале

нужно учитывать задержку, создаваемую фильтрами;

Корреляционный алгоритм:

− достоинства: высокая устойчивость к шумам;

− недостатки: неспособность отличать единичные выбросы и крупные

волны � от ��� – комплексов (появляется отклик соизмеримый с откликом

от обнаруживаемого сигнала); большое влияние на конечный результат

оказывает выбор той или иной функции сравнения.

Алгоритм, основанный на подсчете числа пересечений нуля:

− достоинства: простота реализации;

− недостатки: амплитуда высокочастотной последовательности

определяется для каждого сигнала индивидуально; для определения позиции

пика в исходном сигнале необходимо принимать во внимание задержку

полосового фильтра;

Алгоритм на основе дискретного преобразования Фурье:

− достоинства: возможность определения частотных компонент

сигналов;

− недостатки: не предусмотрена возможность определения зубцов � и

� для широких и аномальных ��� – комплексов.

Алгоритм на основе вейвлет – преобразования:

− достоинства: многомасштабный анализ; возможность определения

частотных компонент;

40

− недостатки: неустойчивость порогового значения к вариациям в

электрокардиосигнале (помехам).

2.8. Выводы

В данном разделе дипломного проекта были рассмотрены основные

аспекты электрокардиографии.

Произведен аналитический обзор современных систем и программных

средств для анализа и интерпретации ЭКГ, позволивший выявить основные

возможности, которыми должна обладать программа для исследования

электрокардиосигналов.

Помимо этого был выполнен сравнительный анализ алгоритмов

выделения информативных признаков электрокардиосигнала по точности

обнаружения � – пиков ��� – комплекса. Результаты сравнения

представлены в таблице 2.1.

Таблица 2.1

Сравнительный анализ алгоритмов

Название Точность

Алгоритм Пана – Томпкинса 98%

Корреляционный алгоритм 94%

Алгоритм, основанный на подсчете числа пересечений нуля 97,5%

Алгоритм на основе дискретного преобразования Фурье 98%

Алгоритм на основе вейвлет – преобразования 98,5%

Полученные результаты позволяют сделать вывод о том, что наиболее

эффективные алгоритмы обнаружения ��� – комплексов строятся на основе

нелинейных преобразований, разложения по базисным функциям, а также

при использовании фильтрующих свойств оператора дифференцирования и

интегрирования.

41

3. КОНСТРУКТОРСКАЯ ЧАСТЬ

3.1. Структура и описание предлагаемого алгоритма выделения

ключевых параметров электрокардиосигнала

На основании проведенных исследований по алгоритмам выделения

информативных признаков электрокардиосигнала и сделанного вывода в

предыдущем разделе было принято решение о разработке комбинированного

алгоритма для анализа ЭКГ.

Предлагаемый алгоритм представляет собой комбинацию алгоритмов

Пана – Томпкинса и вейвлет – преобразования и состоит из трех основных

этапов:

− предварительная обработка;

− выбор вида вейвлет – преобразования и вейвлет – носителя;

− пороговая процедура принятия решения.

Более подробное описание основных этапов представлено в

последующих разделах, а блок – схема разработанного алгоритма показана в

пункте 3.1.6 данного дипломного проекта.

3.1.1. Предварительная обработка

В настоящее время практически любая программа для работы с

биопотенциалами включает в себя даже не один, а целую систему фильтров.

Однако их использование должно быть оправданным, так как фильтры

зачастую вносят достаточно серьезные искажения в форму биосигнала. Так,

например, фильтры высоких частот, используемые для стабилизации

изоэлектрической линии, приводит к искажению сегмента ��. А фильтры

низких частот, используемые для фильтрации различных помех, уменьшают

амплитуду биосигнала [17].

По результатам работ [18, 19], в которых для обработки биосигналов

использовался полосовой фильтр Баттерворта, обладающий максимально

гладкой АЧХ на частотах полосы пропускания и имеющей достаточно

крутой спад вне полосы пропускания, было принято решение

воспользоваться данным

0,5 – 35 Гц.

ЛАЧХ фильтра

представлена на рисунке

Рисунок

3.1.2. Выбор вида вейвлет

Вейвлетное преобразование

спектрального анализа

преобразование Фурье

означает “маленькая волна

Для того чтобы

следующими свойствами

− локализация

где q4k6 – вейвлет – функция

− ограниченность

Вейвлеты имеют

значением, локализованных

данным фильтром. Полоса пропускания

фильтра Баттерворта при различных значениях

рисунке 3.1.

Рисунок 3.1 – ЛАЧХ фильтра Баттерворта

вида вейвлет – преобразования

преобразование сигналов является

анализа, типичный представитель которого

Фурье. Термин “вейвлет” (wavelet) в переводе

маленькая волна”.

чтобы быть вейвлетом функция

йствами:

r q4k6s

8s[k = 0,

функция;

ограниченность (конечная энергия)

r|q4k6|<[k∞

8st ∞.

имеют вид коротких волновых пакетов с

локализованных по оси аргументов (независимых

42

опускания фильтра составляет

значениях порядка A

Баттерворта

является разновидностью

которого – классическое

переводе с английского

функция должна обладать

пакетов с нулевым средним

независимых переменных),

43

инвариантных к сдвигу и линейных к операции масштабирования. По

локализации во временном и частотном представлении вейвлеты занимают

промежуточное положение между гармоническими функциями,

локализованными по частоте, и функцией Дирака, локализованной во

времени. Базис вейвлет – функций получается из одной базовой

(порождающей) функции посредством ее сдвигов и растяжений по оси

времени.

Основная область применения вейвлетных преобразований – анализ и

обработка сигналов и функций, нестационарных во времени, когда

результаты анализа должны содержать не только частотную характеристику

сигнала, но и сведения о локальных координатах, на которых происходят

быстрые изменения частотных составляющих сигнала. Данный признак

наблюдается во многих областях, включая молекулярную динамику,

квантовую механику, астрофизику, геофизику, оптику и т.д.

Как правило, вейвлет – преобразования (ВП) подразделяют на

дискретное (ДВП) и непрерывное (НВП) [20].

3.1.2.1. Непрерывное вейвлет – преобразование

Вейвлет – преобразование одномерного сигнала состоит в его

разложении по базису, основой которого выбрана некоторая порождающая

функция (материнский вейвлет). Базис получают путем растяжения (сжатия)

этой функции (см. рисунок 3.2).

Рисунок 3.2 – Непрерывное вейвлет – преобразование

Непрерывным вейвлет – преобразованием функции v4k6 называют функцию двух переменных [20]

44

С4w, J6 = 1x|J| r v4k6q

∞

8syk − w

J z [k, где s – масштабный коэффициент, обратный частоте; v4k6 – исследуемый

сигнал; k – ось времени; w – момент времени.

Порождающими функциями могут быть самые различные функции с

компактным носителем – ограниченные по времени и местоположению на

временной оси, и имеющие спектральный образ, локализованный на

частотной оси.

Путем сдвига по независимой переменной вейвлет имеет возможность

перемещаться по всей временной оси произвольного сигнала, а путем

изменения масштабной переменной J “просматривать” частотный спектр

сигнала.

Для выполнения НВП необходимо:

1) установить вейвлет на начальный интервал исходного сигнала;

2) вычислить значение С4w, J6, которое покажет, как тесно

коррелированны вейвлет и сигнал на этом интервале;

3) сдвинуть вейвлет вправо и повторять шаг 2 до тех пор, пока не будет

исследован весь сигнал;

4) масштабировать (растянуть) вейвлет и повторить шаги 1 – 3;

5) повторить шаги 1 – 4 для всех масштабов (см. рисунок 3.3).

Рисунок 3.3 – Последовательность шагов при НВП

Понятие масштаба имеет аналогию с масштабом географических карт.

Большие значения масштаба соответствуют глобальному представлению

сигнала, а малые значения масштаба позволяют различить детали. В

терминах частоты низкие частоты соответствуют глобальной информации о

45

сигнале, а высокие частоты – детальной информации и особенностям,

которые имеют малую протяженность.

Если в сигнале присутствуют спектральные компоненты,

соответствующие текущему значению J, то интеграл произведения вейвлета

с сигналом в интервале, где эта спектральная компонента присутствует, дает

относительно большое значение. В противном случае – произведение мало

или равно нулю, т.к. среднее значение вейвлетной функции равно нулю.

Реконструкция сигнала выполняется по формуле [20]

v4k6 = 1W{ r r С4w, J6 1

J< qs

8s

s

8syk − w

J z [w[J, где W{ – нормализующий коэффициент, зависящий от выбранного вейвлета.

W{ = r |q4|6|<|

s

8s[| t ∞.

Условие конечности W{ ограничивает класс функций, которые можно

использовать в качестве вейвлетов. При | = 0, для обеспечения сходимости

интеграла в нуле, значение q4|6 должно быть равно нулю. Это обеспечивает

условие компактности Фурье – образа вейвлета с локализацией вокруг

некоторой частоты |h – средней частоты вейвлетной функции.

3.1.2.2. Дискретное вейвлет – преобразование

Дискретное вейвлет – преобразование (ДВП) позволяет избежать

избыточного количества операций и вычисленных коэффициентов. Для

анализа сигнала на разных масштабах используются фильтры с различными

частотами среза.

Главной идеей ДВП является разбивка сигнала на две составляющие –

грубую (аппроксимирующую) и уточненную (детализирующую). При этом за

нулевой уровень декомпозиции принимается сам сигнал, а последующие

уровни образуют ниспадающее вейвлет – дерево. Точность представления

сигнала по мере перехода на более низкие уровни снижается, но зато

46

появляется возможность удаления шумов и эффективной компрессии.

Процесс разложения сигнала по базису вейвлет – функций показан на

рисунке 3.4.

Рисунок 3.4 – Разложение сигнала с помощью ДВП

В основе ДВП лежит использование двух непрерывных и

интегрируемых по всей оси времени функций [20]

− вейвлет – функции q4k6 с нулевым значением интеграла

} q4k6∞

8s [k = 0, определяющей детали сигнала и порождающей

детализирующие коэффициенты;

− масштабирующей функции ~4k6 с единичным значением интеграла

} ~4k6∞

8s [k = 1, определяющей грубое приближение сигнала и

порождающей коэффициенты аппроксимации.

Функции ~4k6 присущи далеко не всем вейвлетам, а только тем,

которые относятся к ортогональным.

3.1.3. Определение частотных диапазонов ��� – комплекса, волн �и �

Непрерывное вейвлет – преобразование в разных временных

масштабах характеризует сигнал в различных частотных диапазонах, в то

время как дискретное

которые являются степенями

диапазонов, которые соответствуют

воспользуемся именно

возможностей.

При этом будем

различной частотой дискретизации

(подробное описание исследуемых

части данного дипломного

коэффициента будем выбирать

низкочастотных, так и высокочастотных

В качестве базиса

четвертого порядка. Характеристики

3.1 и на рисунке 3.5.

Характеристики вейвлета

Величина центральной

частоты

Наличие функции

Наличие функции

Ортогональный анализ

Компактность носителя

Возможный вейвлет

анализ

Рисунок 3.5 – Вейвлет

дискретное вейвлет – преобразование ограничено

являются степенями двойки. Поэтому для определения

которые соответствуют QRS – комплексам

именно НВП, так как оно предоставляет

будем исследовать электрокардиосигналы

частотой дискретизации и принадлежащие разным

описание исследуемых баз данных приведено

дипломного проекта). Пределы изменения

будем выбирать исходя из необходимости

и высокочастотных составляющих сигнала

базиса для разложения воспользуемся вейвлетом

порядка. Характеристики данного вейвлета приведены

вейвлета Добеши четвертого порядка

центральной

0,7143 Гц

функции φ +

функции ψ +

Ортогональный анализ +

носителя [0:7]

Возможный вейвлет Непрерывное и дискретное

преобразование, реконструкция

Вейвлет и его масштабирующая функция семейства

четвертого порядка

47

ограничено масштабами,

определения частотных

комплексам, волнам P и T

предоставляет больше

электрокардиосигналы, оцифрованные с

разным базам данных

приведено в технологической

изменения масштабного

необходимости отображения как

составляющих сигнала.

воспользуемся вейвлетом Добеши

вейвлета приведены в таблице

Таблица 3.1

7143 Гц

[0:7]

дискретное вейвлет –

реконструкция сигналов

функция семейства Добеши

48

Значение частоты просмотра сигнала v� будем определять

выражением [21]

v� = N��∙∆�, (3.1)

∆k = 1v�,

где � – масштабный коэффициент, v� – центральная частота вейвлета,

∆k – период, v� – частота дискретизации сигнала.

В качестве сигналов для тестирования выбираем сигналы,

принадлежащие трем базам данных:

− MIT – BIH Arrhythmia Database, сигнал № 101 (см. рисунок 3.6);

− база данных CARDIO QVARK, сигнал № Q61 (см. рисунок 3.7);

− база данных, предоставленная профессором Успенским В.М.,

сигнал № 2732 (см. рисунок 3.8).

а) б)

Рисунок 3.6 – Сигнал № 101 базы данных MIT – BIH Arrhythmia Database:

а) - Типовой кардиокомплекс,

б) - НВП типового кардиокомплекса

49

а) б)

Рисунок 3.7 – Сигнал № Q61 базы данных CARDIO QVARK:

а) - Типовой кардиокомплекс,

б) - НВП типового кардиокомплекса

а) б)

Рисунок 3.8 – Сигнал № 2732 базы данных, предоставленной профессором

Успенским В.М.:

а) - Типовой кардиокомплекс,

б) - НВП типового кардиокомплекса

Определив масштабы на которых находятся максимумы энергий

сигналов, соответствующие � – пику, волнам �, � и подсчитав значения по

частотам для различных баз данных по формуле (3.1) можно определить

средние значения для � – пика, а также волн � и �(см. таблицу 3.2).

50

Таблица 3.2

Средние значения частот пиков ЭКС

Диапазоны частот параметров, Гц

База данных � � �

MIT – BIH Arrhythmia Database 6 – 19 5 – 6 4 – 6,5

CARDIO QVARK 6 – 18 6,5 – 8,5 5,5 – 6,5

Пр. Успенский В.М 11 – 23 6 – 9 7,5 – 9

Усредненный максимум*, Гц 13 7

*Усредненный максимум определяется как среднее от суммы средних по

каждой из баз данных.

3.1.4. Выбор вида вейвлет – носителя

Для выбора оптимального вейвлета, используемого в качестве базиса

протестируем несколько вейвлет – функций. Под оптимальным вейвлетом

будем понимать такой, который максимально подчеркивает значащие

элементы электрокардиосигнала.

Выполним непрерывное вейвлет – преобразование, задав в качестве v�

(частоты просмотра) частоты равные 13 Гц для определения �– пика и 7 Гц

для волн � и �.

Рисунок 3.9 – Выбор оптимального вейвлета для определения �– пика

51

Рисунок 3.10 – Выбор оптимального вейвлета для определения волн � и �

Как видно из рисунков 3.9 и 3.10 наиболее подходящим вейвлетом,

который описывает нужные параметры кардиокомплекса на

соответствующих частотах, является вейвлет семейства биортогональные –

bior1.5 (показан розовой утолщенной линией).

3.1.5. Пороговая процедура принятия решения

Точность определения информативных признаков

электрокардиосигнала зависит от правильно выбранных пороговых значений,

так как они составляют один из главных этапов разработанного алгоритма.

Все величины пороговых значений, приведенные в последующем

разделе, подбирались экспертным путем и являются варьируемыми

параметрами.

При дальнейшем усовершенствовании алгоритма и испытании на

большем количестве сигналов планируется установка наилучших

параметров, определяющих основные элементы ЭКС.

3.1.6. Блок – схема разработанного алгоритма

В данном разделе дипломного проекта помимо блок – схемы

разработанного алгоритма будет представлено подробное описание основных

52

этапов и приведены соответствующие поясняющие рисунки.

На этапе предобработки выполняется фильтрация кардиосигнала, с

целью устранения высокочастотных и низкочастотных помех, приводящих к

определению ложных параметров (см. рисунки 3.11, 3.12).

Следующим шагом алгоритма является применение непрерывного

вейвлет – преобразования, вейвлет – носитель – bior1.5, для обнаружения

� – пика кардиосигнала на частоте просмотра 15 Гц. После применения НВП

исходный сигнал теряет свой первоначальный вид, что следует из

рисунка 3.13.

Для усиления компонент ��� – комплекса и получения

положительного результата каждый отсчет сигнала возводится в квадрат

(см. рисунок 3.14).

Рисунок 3.11 – Исходный ЭКС

53

Рисунок 3.12 – ЭКС после фильтрации

Рисунок 3.13 – ЭКС после применения непрерывного

вейвлет – преобразования

54

Рисунок 3.14 – Возведение каждого отсчета ЭКС в квадрат

После возведения отсчетов ЭКС в квадрат на месте локализации

��� – комплекса наблюдается многочисленное количество пиков, в связи с

чем к полученному сигналу применяется интегрирующий фильтр типа

скользящего окна. При этом ширина окна выбирается равной 0,15v� (исходя из предположения, что при слишком маленькой ширине окна по–прежнему

будут наблюдаться многочисленные пики, а при слишком большой ширине

происходят потери необходимой информации). Результат применения

сглаживающего окна показан на рисунке 3.15.

Далее для точного обнаружения � – пиков кардиосигнала необходимо

устранить задержку, возникшую при применении фильтра Баттерворта и

интегрирующего фильтра (см. рисунок 3.16).

Следующим шагом является пороговая процедура принятия решения,

включающая в себя определение размеров скользящего окна (2,5v�), поиск

локального максимума в нем, задание порогового значения относительно

найденного максимума (0,5p�D), и установка размера шага сдвига окна

(0,342,5v�6). Все это необходимо для определения максимумов в исходном

55

ЭКС. На рисунке 3.17 зеленым цветом показаны интервалы определения

� – пиков для первоначального сигнала, а на рисунке 3.18 – найденные пики.

Рисунок 3.15 – Применение к ЭКС сглаживающего окна

Рисунок 3.16 – Сопоставление исходного и модифицированного ЭКС, после

устранения задержки фильтрации

56

Рисунок 3.17 – Обнаружение R – пиков на полученных интервалах

модифицированного ЭКС

Рисунок 3.18 – Найденные �– пики

В виду того, что анализируемые окна при сдвиге перекрываются,

может возникнуть ситуация, когда одному ��� – комплексу будут

соответствовать несколько � – пиков. Для этого предусмотрена проверка,

осуществляющая удаление ложно – найденных � – пиков.

57

Для обнаружения максимумов соответствующих волнам � и

�необходимо выполнить удаление ��� – комплекса, с последующей

интерполяцией удаленного участка. При этом порог, определяющий границы

удаления составляет 0,5p�D модифицированного электрокардиосигнала.

На рисунке 3.19 показан сигнал после удаления ��� – комплекса и

выполненной линейной интерполяции.

Нахождение максимумов волн � и � выполняется по аналогии с

шагами алгоритма по поиску � – пика, только необходимо выполнить НВП

для частоты просмотра равной 7 Гц (см. рисунок 3.20).

Поиск зубцов � и � выполняется, основываясь на предположении, что

они являются локальными минимумами и находятся слева и справа от

� – пика исходного ЭКС в пределах интервала, который был получен для

модифицированного ЭКС. Результат работы алгоритма представлен на

рисунке 3.21.

Рисунок 3.19 – Сигнал без ��� – комплексов

58

Рисунок 3.20 – Сопоставление исходного и модифицированного ЭКС, после

удаления ��� – комплексов и интерполяции

Рисунок 3.21 – Результат работы алгоритма

59

Рисунок 3.22 – Блок – схема разработанного алгоритма

60

3.2. Выводы

В данном разделе дипломного проекта были определены структура и

описание предлагаемого комбинированного алгоритма обнаружения

ключевых параметров электрокардиосигнала.

Обоснован выбор фильтра, вейвлет – преобразования и вейвлет –

носителя, а также пояснен смысл пороговой процедуры принятия решения.

Разработана методика этапа определения частотных диапазонов,

соответствующих ��� – комплексу, волнам �и �. Кроме того приведена

блок – схема алгоритма и иллюстрации, поясняющие основные этапы.

Результаты тестирования разработанного алгоритма и анализ его

эффективности при работе с сигналами из различных баз данных приведены

в технологической части данного дипломного проекта.

61

4. ТЕХНОЛОГИЧЕСКАЯ ЧАСТЬ

4.1. Обзор баз данных электрокардиосигналов

На современном этапе развития интернет технологий появилась

возможность исследования алгоритмов обработки электрокардиосигналов по

реальным записям, хранимым в специализированных базах данных. Помимо

баз данных, представленных в открытом доступе в сети интернет,

существуют записи, сформированные на базе конкретных медицинских

учреждений.

Преимуществом таких исследований является то, что кроме набора

разнообразных записей ЭКГ в базах также хранятся подготовленные

специальным образом файлы аннотаций, в которых содержатся результаты

интерпретации ЭКГ опытными врачами – кардиологами.

Ниже представлена краткая характеристика некоторых из этих баз,

которые будут использованы в дальнейших исследованиях.

4.1.1. База данных компании CARDIO QVARK

База данных, предоставляемая интернет – порталом компании CARDIO

QVARK [22] содержит в себе большое количество записей,

зарегистрированных в первом стандартном отведении при помощи

специального датчика, разработанного для мобильных устройств. Каждая

запись характеризуется двумя файлами:

− имя.txt – файл, содержащий аннотацию;

− имя.waw – файл, содержащий электрокардиосигнал.

Кроме того существует возможность применения фильтрации к

записям, что позволяет выбрать интересующие категории данных, при этом,

можно выполнить выгрузку, как единичного файла, так и большего их

количества. Внешний вид функциональных возможностей фильтра записей

представлен на рисунке 4.1.

Продолжительность каждой записи составляет от 15 секунд до 5 минут,

частота дискретизации равна 1000 Гц.

62

Рисунок 4.1 – Фильтр записей интернет – портала компании

CARDIO QVARK

Файл аннотации содержит информацию о пациенте (пол, возраст, рост,

группу крови, принимаемые лекарственные препараты, особые отметки), а

также параметры вариабельности сердечного ритма временной области

(пульс, стандартное отклонение для BB – интервалов, наличие экстрасистол)

и спектральной (спектральная мощность электрокардиосигнала).

Веб – интерфейс базы данных интернет – ресурса компании CARDIO

QVARK представлен на рисунке 4.2.

Рисунок 4.2 – Веб – интерфейс базы данных компании CARDIO QVARK

63

4.1.2. База данных интернет портала PhysioNet

Ресурс PhysioNet [23], созданный по инициативе трех институтов США

– National Institute of Biomedical Imaging and Bioengineering, National Institute

of General Medical Sciences и National Institutes of Health содержит в себе

большой архив цифровых записей физиологических сигналов (PhysioBank), в

том числе 26 специализированных баз ЭКГ [23]. При этом каждая запись

представлена двумя файлами:

− имя.dat – файл, содержащий оцифрованные отсчеты сигнала;

− имя.hea – файл, содержащий аннотацию.

Веб – интерфейс данного интернет – ресурса представляет из себя

довольно простой и понятный инструмент, предоставляющий возможность

выбора различного функционала для проведения разного рода исследований

(см. рисунок 4.3).

Рисунок 4.3 – Веб – интерфейс интернет – ресурса PhysioNet

Так, например, помимо архива цифровых записей, PhysioNet содержит

инструменты для работы с физиологическими сигналами, которые позволяют

осуществлять детальный просмотр записей, анализ и редактирование

аннотаций. Графический интерфейс приложения LightWAVE,

предназначенного для исследования электрокардиосигналов

интернет – ресурса PhysioNet представлен на рисунке 4.4.

64

Рисунок 4.4 – Редактор записей LightWAVE интернет портала PhysioNet

Рассмотрим подробнее некоторые базы данных

электрокардиосигналов, предоставляемые PhysioNet.

4.1.2.1. MIT – BIH Arrhythmia Database

Данная база содержит 48 двухканальных амбулаторных записей ЭКГ,

содержащих аритмии и зарегистрированных у 47 пациентов. Все записи

представляют собой случайным образом выбранные 30 – минутные

фрагменты из 24 – часовой амбулаторной записи ЭКГ, оцифрованные с

частотой дискретизации 360 Гц. Каждая запись содержит аннотацию всех

ключевые элементов: зубцов, интервалов, волн, сегментов, типов

кардиокомплексов и помех различной природы.

4.1.2.2. European ST – T Database

Эта база данных включает в себя 90 аннотированных записей

двухканальной ЭКГ, зарегистрированных у 79 пациентов с ишемической

болезнью. Длительность каждой записи – 2 часа, частота дискретизации –

250 Гц. Каждый файл аннотации содержит информацию обо всех ключевых

элементах электрокардиосигнала, а также пол и возраст пациента, диагноз и

наименования медицинских препаратов, которые он принимает.

65

4.1.3. База данных РОХМиНЭ

База данных РОХМиНЭ [24] была создана по решению Российского

общества холтеровского мониторирования и неинвазивной диагностики с

целью тестирования программного обеспечения систем холтеровского

мониторирования ЭКГ.

Данная база сформирована из трехканальных записей ЭКГ,

оцифрованных с частотой дискретизации 250 Гц. Каждая запись

представляет собой часть холтеровской записи. Форматы файлов

соответствуют форматам записей интернет – портала PhysioNet, что

позволяет выполнять анализ при помощи утилит, предоставляемых этим

ресурсом. Веб – интерфейс базы данных РОХМиНЭ представлен на

рисунке 4.5.

Рисунок 4.5 – Веб – интерфейс базы данных РОХМиНЭ

66

4.1.4. База данных, предоставленная доктором медицинских наук,

профессором Успенским В.М.

Предоставленные данные были сформированы на базе центра научных

исследований биоинформационных проблем Российской академии

космонавтики имени К.Э.Циолковского. Они представляют собой записи

непрерывной регистрации от 300 до 600 электрокардиоциклов в трех

стандартных отведениях, оцифрованных с частотой дискретизации 2000 Гц.

Суммарный объем, предоставленных выборок составляет 1400 записей,

разрешение файлов – txt. Помимо оцифрованных отсчетов

электрокардиосигнала файлы содержат аббревиатуры заболеваний. Так,

например, ГБ соответствует гипертонической болезни, а ВСД

вегетососудистой дистонии.

4.1.5. Ценность разнообразия баз данных ЭКГ

Преимуществом наличия большого разнообразия баз данных ЭКГ с

различной длительностью, частотой дискретизации и качеством записей,

является возможность более тщательной проверки работоспособности

разработанного алгоритма.

Кроме того, благодаря наличию файлов аннотаций, составленных

опытными экспертами, возможно осуществить сравнение полученных

результатов с реальными данными, зарегистрированными на

профессиональных системах кардиомониторирования.

4.2. Выбор среды разработки

Для реализации предложенного алгоритма выделения ключевых

параметров электрокардиосигнала была выбрана интерактивная среда для

программирования, численных расчетов и визуализации результатов –

MatLab. Используемая версия – R2014a.

Ключевой особенностью данной среды разработки является наличие

специализированных функций для анализа данных, покрывающих,

67

практически, все области математики. Кроме того, MatLab содержит наборы

инструментов, которые используются для решения определённого класса

задач. Одним из таких инструментов является Wavelet Toolbox, подробное

описание, которого представлено ниже.

4.2.1. Импорт – экспорт файлов с помощью MatLab

MatLab обладает набором специальных средств для чтения и записи

файлов, позволяющих работать с многообразием форматов. Это делает его

удобным инструментом для анализа записей электрокардиосигналов

различных баз данных. Взаимосвязь между функциями системы MatLab и их

назначением отражает таблица 4.1.

Для работы с записями интернет – ресурса PhysioNet использовался

специальный пакет – WFDB Toolbox для MatLab, предоставляемый в

открытом доступе на PhysioNet.

Таблица 4.1

Краткий список специализированных функции MatLab для работы с файлами

Функция Назначение

fopen/ fread открыть/закрыть файл

fscanf/ fprintf чтение/запись данных

wavread/ wavwrite чтение/запись звукового файла с расширением .wav

rdsamp чтение записей интернет – ресурса PhysioNet

4.2.2. Фильтрация с помощью MatLab

Signal Processing Toolbox – это пакет расширения MatLab,

обеспечивающий необычайно широкие возможности по созданию программ

обработки сигналов. В нем используется разнообразная техника фильтрации

и новейшие алгоритмы спектрального анализа. Кроме того, имеются готовые

функции расчета фильтров нижних и верхних частот, полосовых и

режекторных фильтров. При этом под синтезом дискретного фильтра

68

понимается выбор таких наборов коэффициентов �� и Q�, при которых

характеристики получающегося фильтра удовлетворяют заданным

требованиям.

4.2.3. Вейвлет – анализ с помощью MatLab

В настоящее время вейвлет – анализ является одним из наиболее

мощных средств для исследования данных. Разложение по базису

вейвлет – функций предоставляет большое количество возможностей:

− анализ сигналов;

− сжатие и фильтрация данных;

− аппроксимация стационарных и нестационарных процессов;

В основе подобных возможностей, определяющих вейвлет – анализ как

мощный математический аппарат для решения разного рода задач, лежит

природа его многомасштабности.

4.2.3.1. Wavelet Toolbox

Wavelet Toolbox представляет собой пакет расширения MatLab,

позволяющий синтезировать всевозможные алгоритмы обработки данных,

сигналов и изображений с использованием вейвлет – функций. Программное

обеспечение пакета позволяет выполнять вейвлет – преобразования, как в

командном режиме, так и в диалоговом.

Для облегчения проведения исследований при помощи вейвлетов в

MatLab создан комплекс графических оболочек для визуализации исходных

данных и результатов вейвлет – анализа. Этот комплекс называется главным

меню пакета расширения Wavelet Toolbox или графическим интерфейсом

пользователя (User GUI) и вызывается по команде wavemenu из командной

строки.

Благодаря возможностям, предоставляемым Wavelet Toolbox, в

значительной степени удается сократить время, затрачиваемое на

исследование свойств вейвлетов различных семейств и порядков.

69

4.3. Алгоритмическая реализация

Структура программы разработанного алгоритма выполнена в

соответствии с пунктом 3.1.6 данного дипломного проекта. Результатом

работы являются файлы аннотаций в формате txt, содержащие позиции

найденных параметров и соответствующие метки. Полученные данные

являются входной информацией для классификации ��� – комплексов, с

целью последующего выявления болезней и их интерпретации.

4.4. Оценка качества работы алгоритма

Для оценки достоверности работы разработанного алгоритма

выполним проверку по двум критериям: точность обнаружения � – пиков, а

также определение параметров чувствительности и прогностичности.

4.4.1. Точность обнаружения R – пиков

Благодаря наличию файлов аннотаций выполнение проверки по

точности обнаружения � – пиков становится намного быстрее. Так, например

результаты тестирования для записей базы данных открытого

интернет – ресурса PhysioNet представлены в приложении А.

Файлы аннотаций базы данных РОХМиНЭ и базы, предоставленной

профессором Успенским В.М., содержат количество кардиоциклов. Зная

данную информацию легко определить точное число � – пиков им

соответствующих (см. приложение А).

Малая длительность записей базы данных CARDIO QVARK позволяет

выполнить оценку точности работы алгоритма вручную. Результаты

представлены в приложении А.

Рисунки типовых сигналов, принадлежащих вышеописанным базам

данных, а также результаты работы предлагаемого алгоритма на этих

сигналах приведены в приложении А данного дипломного проекта.

70

4.4.2. Чувствительность и прогностичность

Чувствительность алгоритма �c – это способность алгоритма давать

правильный результат. Определяется как доля истинно положительных

случаев обнаружения � – пика среди всех фактически положительных

случаев [13]

�c = ���� + �B ∙ 100%,

где ��– число истинно положительных случаев обнаружения � – пика

(правильное обнаружение характерной точки); �B– число ложно

отрицательных случаев обнаружения � – пика (ошибка первого рода).

Прогностичность � – это вероятность фактического наличия

характерной точки при положительном результате ее обнаружения.

Определяется как доля положительных случаев среди всех положительных

случаев [13]

� = ���� + �� ∙ 100%,

где �� – число ложных случаев обнаружения � – пика (ошибка второго

рода), когда при отсутствии характерной точки ошибочно выносится

решение о ее наличии. Результаты вычислений чувствительности и

прогностичности для сигналов различных баз данных приведены в

приложении А.

4.5. Выводы

В данном разделе дипломного проекта был произведен аналитический

обзор специализированных баз данных электрокардиосигналов,

представляемых в открытом доступе в сети интернет, а также баз данных,

сформированных на базе конкретных медицинских учреждений. Обоснован

выбор среды разработки для реализации комбинированного алгоритма

выделения информативных признаков ЭКС. Приведены результаты оценки

качества обнаружения � – пиков разработанного алгоритма.

71

По результатам проведенных тестов можно сделать вывод, что

предлагаемый алгоритм работает с высокой точностью (99%), что позволяет

использовать его для дальнейшей работы по классификации

��� – комплексов.

Исходный код разработанного алгоритма, код определения

максимумов энергий сигналов различных баз данных, а также программа по

тестированию вейвлетных – функций в общем случае состоят из 508 строк и

представлены в приложении Б.

72

5. ОРГАНИЗАЦИОННО – ЭКОНОМИЧЕСКАЯ ЧАСТЬ

5.1. Введение

В настоящее время ЭВМ применяют практически на всех этапах

медицинского обследования сердечно – сосудистых заболеваний: в

профилактике, диагностике и терапии. В некоторых случаях обработка

кардиологических параметров возможна и вручную, однако, автоматический

расчет их с помощью компьютера дает большие преимущества и требует

меньше времени.

Актуальной проблемой на сегодняшний день является надежность и

доступность программного обеспечения кардиографических аппаратов.

Известны разработки многочисленных зарубежных фирм кардиографы,

которых выполняют основные операции, однако их стоимость очень велика.

Технический уровень специалистов нашей страны достаточно высок,

чтобы разработать собственный аналог подобных комплексов. При этом

современная инженерная деятельность предполагает не только разработку

конструкций и технологий, но также и оценку рынка реализации разработки

(ожидаемую прибыль).

В связи с чем, данная часть дипломного проекта посвящена разработке

комплекса мероприятий организационно–экономического и финансового

планов, который позволит перейти к выпуску программного продукта,

разработанного в основной части дипломной проекта.

Технико – экономическое обоснование эффективности НИОКР

предполагает [25]:

− описание цели проведения НИОКР;

− определение стадий и этапов НИОКР;

− определение трудоемкости и продолжительности этапов;

− составление план – графика выполнения НИОКР и его оптимизация;

− расчет затрат на выполнение НИОКР;

− определение эффективности проведения НИОКР.

73

5.2. Основная часть

5.2.1. Определение сроков проведения НИОКР

Для планирования продолжительности выполнения НИОКР следует

использовать расчетные и опытно–статистические нормативы. Однако по

значительной части работ такие нормативы отсутствуют (в связи с высокой

динамикой автоматизации НИОКР нормативы быстро устаревают, а

постоянное обновление требует значительных затрат).

Использование устаревших нормативов нецелесообразно, поэтому для

определения продолжительности работ используется экспертное определение

трудоемкости работы или времени ее исполнения при установленном

количестве исполнителей. В качестве эксперта выступает ответственный

исполнитель или группа специалистов, а результаты оценки рассматриваются

как предложение, основанное на опыте, интуиции и на учете фактов,

влияющих на продолжительность работы.

Для построения план – графика выполнения НИОКР рассчитывается

продолжительность проведения работ по двухточечной вероятностной

методике (5.1) и определяется требуемое количество исполнителей (5.2).

kож = 3k��R + 2k���5 , (5.1)

где k��R – минимальная продолжительность работы, т.е. время,

необходимое для выполнения работы при наиболее благоприятном стечении

обстоятельств (час, дни, недели и т.д.); k��� – максимальная

продолжительность работы, т.е. время, необходимое для выполнения работы

при наиболее неблагоприятном стечении обстоятельств.

�эт = wэт��Sв, (5.2)

где wэт – трудоемкость, час; �� – фонд рабочего времени исполнителя;

Sв – коэффициент выполнения норм, Sв = 1.

В рамках данного проекта число исполнителей является постоянной

величиной, заданной изначально. Это один студент – дипломник.

В таблице 5.1 приведены основные шаги работ по всем этапам НИОКР.

74

Таблица 5.1

Основные этапы разработки приложения

№ Этапы Код

работы Выполняемые работы

1 Техническое задание (ТЗ) 1.1 Постановка задач проекта

2 Техническое предложение

(ТПР)

2.1 Сбор и анализ информации

2.2 Выбор программных средств

2.3 Технико – экономическое

обоснование разработки

3 Эскизное проектирование

(ЭП)

3.1 Планирование координационных

мероприятий

3.2 Анализ необходимости

разрабатываемого приложения

3.3 Исследование алгоритмов

определения параметров ЭКГ

3.4 Разработка комбинированного

алгоритма

4 Техническое

проектирование (ТП) 4.1

Разработка структуры

приложения

5 Рабочий проект (РП)

5.1

Разработка концепции

взаимодействия с используемыми

базами данных

5.2 Разработка ядра приложения

5.3 Разработка метода тестирования

6 Экспериментальные

исследования (ЭИ) 6.1

Общее тестирование

разработанного приложения

7 Оформление

документации (ОД) 7.1

Оформление справочной

документации

Результаты расчетов приведены в таблице 5.2.

75

Таблица 5.2

Результаты расчетов продолжительности исполнения НИОКР

№ Код

работы

Тип

исполнителей

Кол-во

исполнителей

Трудоемкость работ, дн

k��R k��� kож

1 1.1 дипломник 1 2 3 3

2

2.1 дипломник 1 18 20 19

2.2 дипломник 1 2 3 3

2.3 дипломник 1 2 4 3

3

3.1 дипломник 1 2 3 3

3.2 дипломник 1 5 8 7

3.3 дипломник 1 13 15 14

3.4 дипломник 1 5 7 6

4 4.1 дипломник 1 2 3 3

5

5.1 дипломник 1 2 3 3

5.2 дипломник 1 5 7 6

5.3 дипломник 1 2 3 3

6 6.1 дипломник 1 2 5 4

7 7.1 дипломник 1 20 22 21

Общие затраты труда на разработку приложения определяют

следующим образом

�� = bk��

, где k� – затраты труда на выполнение K этапа проекта.

Согласно данным, приведенным в таблице 5.2, общее ожидаемое время

выполнения НИОКР составит 98 рабочих дней (с середины января и до конца

мая, не считая праздничных и выходных дней).

На основе полученных данных строим план–график выполнения

НИОКР (см. рисунок 5.1). По оси абсцисс откладываем календарные дни (по

76

рабочим неделям) от начала проекта до его завершения. По оси ординат –

выполняемые этапы работ.

Эт.,

№

Дл.,

дн

Январь Февраль Март Апрель Май

11 18 25 1 8 15 24 29 9 14 21 28 4 11 18 25 4 10 16 23 30

1 3

2 25

3 30

4 3

5 12

6 4

7 21

Рисунок 5.1 – план – график выполнения НИОКР

5.2.2. Расчет затрат на выполнение НИОКР

Себестоимость научно – технической продукции (oнп), являющейся

результатом НИОКР, определяется по следующим калькуляционным

статьям [25]:

− затраты на материалы, покупные изделия и полуфабрикаты;

− затраты по работам, выполненным сторонними организациями;

− спецоборудование для научных (экспериментальных) работ;

− затраты на специальное программное обеспечение, используемое при

проведении НИОКР;

− затраты на оплату труда работников, непосредственно занятых в

НИОКР;

− отчисления на социальные нужды от суммы затрат на оплату труда

работников, непосредственно занятых в НИОКР;

Рассмотрим подробнее, что включает в себя каждый из этих пунктов.

77

5.2.2.1. Материальные затраты

Затраты на расходные материалы определяются перечнем минимально

необходимых для организации работ расходных материалов. Данный

перечень приведен в таблице 5.3. Цены даны на май 2016 года.

Таблица 5.3

Затраты на расходные материалы

№ Наименование материалов и других

материальных ресурсов

Кол-во,

шт

Цена

единицы, руб

Сумма,

руб

1 Бумага для оргтехники 2 250 500

2 Картридж для принтера ч/б 1 1500 1500

3 Канцтовары 3 20 60

4 Флэш-память (16 Гб) 1 600 600

ИТОГО 2660

Помимо расходных материалов, присутствуют расходы, связанные с

оплатой услуг, представленные в таблице 5.4.

Таблица 5.4

Затраты на оплату услуг

№ Наименование услуги Кол-во, шт Срок, мес Цена,

руб

Сумма,

руб

1 Услуги

интернет – провайдера 1 5 600 3000

ИТОГО 3000

Общая сумма материальных затрат на этапе разработки составляет

5660 руб.

5.2.2.2. Работы, выполняемые сторонними организациями

К этой статье расходов относятся затраты, связанные с

комплектующими изделиями и узлами, получаемыми от других предприятий,

оплатой макетов и образцов изделий, выполненных на другом предприятии,

78

оплатой работ опытного производства или опытного завода, выделенных на

самостоятельный баланс и т.п.

В рамках данного дипломного проекта, все работы производятся

непосредственно студентом – дипломником, поэтому данный вид затрат не

учитывается.

5.2.2.3. Специальное оборудование

В данном разделе подразумеваются затраты, связанные с

приобретением и арендой специального оборудования, которое необходимо

для проведения научных работ только по данной теме. Поскольку в рамках

проекта эксперименты проводятся на персональном ЭВМ, то специального

оборудования не требуется.

5.2.2.4. Специальное программное обеспечение

В настоящее время программное обеспечение (ПО) стало одной из

существенных статей затрат по НИОКР, поэтому целесообразно выделение

специальной статьи для их исчисления.

Используемое в данном дипломном проекте ПО было предоставлено

кафедрой “Системы автоматизированного проектирования”

МГТУ им. Н.Э. Баумана.

5.2.2.5. Оплата труда работников

Заработная плата (ЗП) разделяется на основную и дополнительную. К

основной заработной плате относится ЗП научных и

инженерно – технических работников, непосредственно занятых разработкой

программного продукта с учетом их должностных окладов, а дополнительная

ЗП составляет 10 – 20% от основной.

Расчет основной заработной платы проводится по формуле

oоз = boоз��

= ∑ З�w��[ , (5.3)

79

где З� – месячный оклад i-го исполнителя в рублях; w� – трудоемкость работ,

выполняемых i-м исполнителем в рабочих днях; [ – среднее количество

рабочих дней в месяце.

Месячный оклад принимаем равным средней заработной плате

инженера–программиста, т.е. 20 000 рублей в месяц. Трудоемкость работ

определяем, исходя из календарного план – графика, а среднее количество

рабочих дней в месяце соответствует 22 дням.

Согласно формуле (5.3) основная заработная плата составит

oоз = 20000 ∙ 9822 ≈ 89091руб.

Дополнительная заработная плата рассчитывается по формуле

Cдз = CозAд,

где �д – коэффициент отчислений на дополнительную заработную плату.

Окончательно получаем

Cдз = 89091 ∙ 0,1 ≈ 8909руб.

5.2.2.6. Отчисления на социальные нужды

Помимо выплат работникам, также необходимо учитывать отчисления

в бюджет социального страхования, определяемые по установленному

законодательством тарифу от суммы основной и дополнительной заработной

платы. Расчет производится следующим образом

oсс = �ссEoоз + oдзF, где �сс – коэффициент отчислений на социальное страхование, состоящий из

следующих разновидностей:

−−−− 0,220 – отчисления в пенсионный фонд;

−−−− 0,029 – в фонд социального страхования;

−−−− 0,051 – в фонд медицинского страхования;

−−−− 0,002 – страхование от несчастных случаев.

Отчисления на социальные нужды составят

oсс = 0,302 ∙ 489091 + 89096 = 29596 руб.

80

5.2.2.7. Расчет амортизационных отчислений

Расчет амортизационных отчислений ведется по формуле

oа = B ∙ oоф = oоф 1�,

где oа– амортизационные отчисления, B – норма амортизации, � – время

работы оборудования.

В качестве метода расчёта амортизационных отчислений выберем

линейный метод с полным сроком полезного использования, равным 48

месяцам. Данные для расчета приведены в таблице 5.5.

Таблица 5.5

Данные для расчета амортизационных отчислений

Основные фонды Цена, руб Время работы оборудования, мес

Ноутбук 30 000 5

Амортизационные отчисления

oа = 30000 ∙ 548 = 3125руб.

Косвенные расходы и расходы на организацию рабочих мест

принимаем равными нулю, так как аренда помещений и оборудования не

осуществлялась.

5.2.3. Оценка эффективности проведения НИОКР

В связи с тем, что данная работа выполнялась по заказу НИИ

кардиологии им. А.Л. Мясникова, то для оценки и анализа эффективности

произведенных затрат используются следующие показатели [25]:

− договорно–контрактная цена работы;

− валовая прибыль и чистая прибыль;

− рентабельность затрат на НИОКР.

Договорно – контрактная цена (Цнп) работы устанавливается по

соглашению сторон (исполнителя и потребителя). Примем данную цену

равной 150000 руб.

81

Валовая прибыль (Пв) организации сферы науки формируется за счет

доходов от реализации выполненных научных и опытно – конструкторских

работ и рассчитывается как разность [12]

Пв = 4Цнп + РИНИОКР6 − Снп, (5.4)

гдеРИНИОКР – реализация имущества, использованного при выполнении

данных НИОКР; Снп – себестоимость научно – технической продукции.

Результаты расчетов затрат на разработку программного продукта

приведены в таблице 5.6.

Таблица 5.6

Затраты на разработку программного продукта

№ Наименование статьи Сметная стоимость, руб

1 Материальные затраты 5660

2 Затраты на оплату труда 89091

3 Дополнительная заработная плата 8909

4 Отчисления в фонды 29596

5 Амортизационные отчисления 3125

ИТОГО 136381

Согласно (5.4) валовая прибыль составит:

Пв = 4150000 + 06 − 136381 = 13619руб.

Чистая прибыль (Пч) составляет разницу валовой прибыли и налогов, а

также других обязательных платежей в бюджет:

Пч = Пв − Нп, Пч = 13619 − 0 = 13619 руб,

где Нп – налог на прибыль.

Рентабельность затрат на НИОКР определяется по формуле

РНИОКР = ПчСнп, РНИОКР = ;?9;®

;?9?¯; ≈ 0,0999 ≈ 10%.

5.3. Выводы

В результате вышеприведенных

характеристики выполняемого

− общие трудозатраты

дней;

− в реализации проекта

− себестоимость разработки

− чистая прибыль

− коэффициент эффективности

Структура затрат

Рисунок 5.2 – Соотношение

Разработка велась

позволило сэкономить

Использование данного

врачом при анализе электрокардиограмм

результате вышеприведенных расчетов получены

выполняемого проекта:

трудозатраты на выполнение проекта составляют

реализации проекта задействован один исполнитель

себестоимость разработки составила 136381руб.;

прибыль реализации составила 13619руб.;

коэффициент эффективности равен 10%.

затрат на разработку представлена на рисунке

Затраты на оплату

89091 руб. (65%)

Отчисления в фонды

29596 руб. (22%)

Дополнительная

8909 руб. (7%)

Материальные затраты

5660 руб. (4%)

Амортизационные

3125 руб. (2%)

Соотношение затрат на разработку программного

велась без аренды помещений и оборудования

сэкономить на накладных и административных

данного продукта позволит сократить время

анализе электрокардиограмм.

82

получены следующие

составляют 98 рабочих

исполнитель – дипломник;

;

;

на рисунке 5.2.

оплату труда

. (65%)

Отчисления в фонды

. (22%)

Дополнительная заработная плата

Материальные затраты

Амортизационные отчисления

программного продукта

и оборудования, что

административных расходах.

сократить время, затрачиваемое

83

6. ОХРАНА ТРУДА И ЭКОЛОГИЯ

В данном разделе дипломного проекта осуществляется анализ опасных

и вредных факторов, возникающих на рабочем месте пользователя при

работе с персональной электронно – вычислительной машиной (ПЭВМ).

Проводится подбор допустимых значений данных факторов в соответствии с

нормативными документами: СанПин 2.2.2/2.4.1340–03 – гигиенические

требования к персональным электронно–вычислительным машинам и

организации работы, ГОСТ 12.1.004–91 – пожарная безопасность,

ГОСТ 25861 – 83 – машины вычислительные и системы обработки данных.

Раздел включает в себя две части. В первой произведен анализ

соответствия основных вредных и опасных факторов действующим нормам.

Во второй части произведен расчет системы освещения в помещении с

помощью программы DIALux.

6.1. Анализ опасных и вредных факторов, возникающих на рабочем

месте пользователя ПЭВМ

Современный уровень использования ПЭВМ в различных сферах

человеческой деятельности заставляет учитывать правила и нормы

безопасного ее использования. Неправильное или невнимательное

отношение к выполнению требований техники безопасности при работе на

ПЭВМ неизбежно отражается на показателях деятельности и здоровье

работников.

Воздействие, которое компьютерная техника способна оказать на

человека можно разделить на три группы:

− физическое воздействие: ПЭВМ – это источник электромагнитного

излучения, электростатического и постоянного магнитного полей, помимо

этого компьютер создает шум и изменяет микроклимат в рабочем

помещении, также существует опасность поражения электрическим током;

84

− напряженность труда: работа с ПЭВМ предполагает визуальное

восприятие и анализ больших объемов информации, что вызывает утомление

зрительного аппарата и перегрузку мозга человека;

− нагрузка на опорно – двигательный аппарат: длительное пребывание

в однообразной, неподвижной, неудобной позе может приводить к усталости

и болям в позвоночнике, шее и т.д.

Очень важно, чтобы рабочее место и взаимное расположение всех его

элементов соответствовали физическим и психологическим требованиям

человека. Большое значение также имеет характер выполняемой работы.

При организации рабочего места оператора ПЭВМ должны быть

соблюдены следующие основные условия [26, 27]:

− допустимые параметры микроклимата;

− эргономичность рабочего места;

− оптимальное размещение оборудования;

− достаточное рабочее пространство;

− необходимое естественное и искусственное освещение;

− допустимый уровень шума;

− своевременный отдых;

− необходимая электробезопасность;

− необходимая пожаробезопасность.

Рассмотрим подробнее, что включает в себя каждое из этих условий.

6.1.1. Требования к ПЭВМ

ПЭВМ должны соответствовать требованиям санитарных правил [26],

и каждый их тип подлежит санитарно – эпидемиологической экспертизе с

оценкой в испытательных лабораториях, аккредитованных в установленном

порядке. Помимо этого документация на проектирование, изготовление и

эксплуатацию ПЭВМ также не должна противоречить требованиям правил.

Перечень продукции и контролируемых гигиенических параметров

вредных и опасных факторов представлен в таблице 6.1.

85

Таблица 6.1

Перечень контролируемых вредных и опасных факторов

№ Вид продукции Код

ОКП*

Контролируемые

гигиенические параметры

1 ЭВМ, портативные ЭВМ

40 1300,

40 1350,

40 1370

Уровни электромагнитных

полей (ЭМП), акустического

шума, концентрации вредных

веществ в воздухе.

2 Периферийные устройства:

принтеры, сканеры,

сетевые устройства и т.д.

40 3000

Уровни ЭМП, акустического

шума, концентрации вредных

веществ в воздухе.

3

Устройства отображения

информации (мониторы и

терминалы)

40 3200

Уровни ЭМП, визуальные

показатели, концентрация

вредных веществ в воздухе.

*ОКП – это общероссийский классификатор продукции, имеющий вид кодов

и наименований различных групп товаров, которые были объединены в одну

систему.

6.1.2. Требования к помещениям для работы с ПЭВМ

Согласно [26], помещения с ПЭВМ должны иметь естественное и

искусственное освещение. Эксплуатация ПЭВМ в помещениях без

естественного освещения допускается только в случае расчетов,

обосновывающих соответствие нормам. Кроме того, оконные проемы, где

эксплуатируется вычислительная техника, должны быть оборудованы

жалюзи.

Не следует размещать рабочие места с ПЭВМ вблизи силовых кабелей,

трансформаторов, а также технологического оборудования, создающего

помехи в работе ПЭВМ.

Что касается площади на одно рабочее место пользователей ПЭВМ, то

она должна составлять не менее 6 м2.

86

6.1.3. Требования к микроклимату

В помещениях, где работа с ПЭВМ является основной и связана с

нервно – эмоциональным напряжением, должны обеспечиваться

оптимальные параметры микроклимата для категории работ 1а и 1б в

соответствии с действующими санитарно – эпидемиологическими

нормативами микроклимата (см. таблицу 6.2.). На других рабочих местах

следует поддерживать параметры микроклимата на допустимом уровне,

соответствующем вышеописанным нормативам [27].

Таблица 6.2

Оптимальные нормы микроклимата для помещений с ПЭВМ согласно

СанПиН 2.2.2.542 – 96

Период года Категория

работ

Температура

воздуха, ℃ не

более

Относительная

влажность

воздуха, %

Скорость

движения

воздуха, м/с

Холодный Легкая – 1а 22 – 24 40 – 60 0,1

Легкая – 1б 21 – 23 40 – 60 0,1

Теплый Легкая – 1а 23 – 25 40 – 60 0,1

Легкая – 1б 22 – 24 40 – 60 0,2

При этом к категории 1а относятся работы, производимые сидя и не

требующие физического напряжения, при которых расход энергии

составляет до 120 ккал/ч.; к категории 1б относятся работы, производимые

сидя, стоя или связанные с ходьбой и сопровождающиеся некоторым

физическим напряжением, при которых расход энергии составляет от 120 до

150 ккал/ч [27].

Помещения для работы с ПЭВМ должны оборудоваться системами

отопления и кондиционирования воздуха, а влажная уборка проводиться

ежедневно. Кроме того, уровни положительных и отрицательных аэроионов

в воздухе должны соответствовать нормам, согласно СанПиН 2.2.2.542 – 96.

87

При использовании разработанного приложения характер труда

оператора относится к категории 1а. Из этого следует, что расход энергии

составляет 120 ккал/ч, относительная влажность воздуха на рабочем месте

оператора должна составлять 40 – 60%, скорость движения воздуха не

должна превышать 0,1 м/с, а температура воздуха должна быть от 22 до 24

градусов Цельсия в холодное время года и от 23 до 25 в теплое.

6.1.4. Требования к уровням шума и вибрации

Помещения, в которых для работы преимущественно используются

ПЭВМ, не должны граничить с помещениями, в которых уровни шума и

вибрации превышают нормируемые значения (цеха, мастерские и т.д.).

При использовании разработанного приложения работа ведется в

помещениях, где исключено соседство с помещениями, где уровни шума

превышают нормируемые значения (50 дБА).

Допустимые значения уровней звукового давления в октавных полосах

частот и уровня звука, создаваемого ПЭВМ согласно [26] приведены в

таблице 6.4. При этом измерение уровня звука и уровней звукового давления

проводится на расстоянии 50 см от поверхности оборудования и на высоте

расположения источника звука.

Таблица 6.4

Допустимые значения уровней звукового давления

Уровни звукового давления в октавных полосах со

среднегеометрическими частотами Уровни

звука в

дБА 31,5

Гц

63

Гц

125

Гц

250

Гц

500

Гц

1000

Гц

2000

Гц

4000

Гц

8000

Гц

86 дБ 71 дБ 61 дБ 54 дБ 49 дБ 45 дБ 42 дБ 40 дБ 38 дБ 50

Вибрация на рабочих местах не должна превышать допустимых норм

вибрации, а также все шумящее оборудование (принтеры и т.п.), уровни

88

шума которого превышают нормированные, должно находиться вне

помещения с ПЭВМ.

Снизить уровень шума в помещениях с ПЭВМ можно использованием

звукопоглощающих материалов с максимальными коэффициентами

звукопоглощения в области частот 63 – 8000 Гц. Дополнительным

звукопоглощением могут послужить однотонные занавеси из плотной ткани,

гармонирующие с окраской стен и подвешенные в складку на расстоянии

15 – 20 см от ограждения. Ширина занавеси должна быть в два раза больше

ширины окна.

6.1.5. Требования к освещению рабочих мест

Правильное освещение рабочего места является одним из важнейших

критериев, влияющих на эффективность работы. Неправильное направление

света приводит к напряжению зрения, быстрой утомляемости и ряду других

факторов, снижающих работоспособность человека.

Как уже упоминалось ранее, помещения с ПЭВМ должны иметь

естественное и искусственное освещение. Естественное освещение должно

осуществляться через светопроемы, а искусственное – системой общего

равномерного освещения. При этом освещенность на поверхности стола в

зоне размещения рабочего документа должна быть 300 – 500 лк,

освещенность поверхности экрана не должна превышать 300 лк.

Следует ограничивать как прямую блесткость от источников

освещения так и отраженную блесткость. При этом яркость светящихся

поверхностей, находящихся в поле зрения, должна быть не более 200 кд/м2, а

яркость бликов на экране ПЭВМ не должна превышать 40 кд/м2, яркость

потолка не должна превышать 200 кд/м2.

Неравномерность распределения яркости в поле зрения пользователя

ПЭВМ также должна быть ограничена (соотношение яркости между

рабочими поверхностями не должно превышать 3:1 – 5:1, а между рабочими

поверхностями и поверхностями стен и оборудования 10:1).

89

Для освещения помещений с ПЭВМ следует применять светильники с

зеркальными параболическими решетками, укомплектованными

электронными пуско – регулирующими аппаратами (ЭПРА). Допускается

использование многоламповых светильников с ЭПРА, состоящими из

равного числа опережающих и отстающих ветвей.

Применение светильников без рассеивателей и экранирующих решеток

не допускается. Общее освещение при использовании люминесцентных

светильников следует выполнять в виде сплошных или прерывистых линий

светильников [27].

6.1.6. Требования пожаробезопасности

Согласно [28] пожарная безопасность объекта должна обеспечиваться

системами предотвращения пожара и противопожарной защиты, в том числе

организационно – техническими мероприятиями. При этом системы

пожарной безопасности должны характеризоваться уровнем обеспечения

пожарной безопасности людей и материальных ценностей и выполнять одну

из следующих задач:

− исключать возникновение пожара;

− обеспечивать пожарную безопасность людей;

− обеспечивать пожарную безопасность материальных ценностей;

Основными опасными факторами, воздействующими на людей и

материальные ценности при пожаре, являются:

− пламя и искры;

− повышенная температура окружающей среды;

− токсичные продукты горения и термического разложения;

− дым;

− пониженная концентрация кислорода.

Перечень и требования к эффективности элементов конкретных систем

пожарной безопасности должны устанавливаться нормативными и

90

нормативно – техническими документами на соответствующие виды

объектов.

Противопожарная защита должна достигаться применением одного из

следующих способов или их комбинацией:

− применением средств пожаротушения и соответствующих видов

пожарной техники;

− применением автоматических установок пожарной сигнализации и

пожаротушения;

− применением основных строительных конструкций и материалов, в

том числе используемых для облицовок конструкций, с нормированными

показателями пожарной опасности;

− устройствами, обеспечивающими ограничение распространения

пожара;

− организацией с помощью технических средств, включая

автоматические, своевременного оповещения и эвакуации людей;

Каждый объект должен иметь такое объемно – планировочное и

техническое исполнение, чтобы эвакуация людей из него была завершена до

наступления предельно допустимых значений опасных факторов пожара, а

при нецелесообразности эвакуации была обеспечена защита людей на

объекте. Данное требование достигается путем наличия в зданиях и

сооружениях технических средств (лестничных клеток, противопожарных

стен, лифтов, наружных пожарных лестниц, аварийных люков и т.п.),

имеющих устойчивость при пожаре и огнестойкость конструкций не менее

времени, необходимого для спасения людей при пожаре и расчетного

времени тушения пожара.

6.1.7. Требования электробезопасности

При работе с электроприборами вопрос электробезопасности является

одним из самых важнейших. Неправильное соблюдение правил техники

безопасности может повлечь за собой необратимые последствия. При

91

прохождении через организм электрический ток оказывает термическое и

электролитическое действия, с чем связана высокая тяжесть травматизма.

Конструкция компьютера, используемого для работы с разработанным

приложением обеспечивает надежную электробезопасность. По способу

защиты от поражения электрическим током удовлетворяет требованиям I

класса, согласно [29]. Системный блок и монитор подключены к однофазной

сети переменного тока напряжением 220В с контактом защитного

заземления.

В качестве дополнительных мер безопасности рекомендуется

дооборудовать систему питания электроустановок устройствами защитного

отключения (УЗО) с максимальным током отключения не более 30 мА.

6.1.8. Организация режимов труда и отдыха

Режимы труда и отдыха при работе с ПЭВМ зависят от вида и

категории трудовой деятельности.

Существует три группы трудовой деятельности [26]:

− группа А – работа по считыванию информации с экрана ПЭВМ с

предварительным запросом;

− группа Б – работа по вводу информации;

− группа В – творческая работа в режиме диалога с ЭВМ.

При выполнении в течение рабочей смены работ, относящихся к

разным видам трудовой деятельности, за основную работу с ПЭВМ

принимается такая, которая занимает не менее 50 % времени в течение

рабочей смены или рабочего дня.

Для обеспечения оптимальной работоспособности и сохранения

здоровья профессиональных пользователей, на протяжении рабочей смены

должны устанавливаться регламентированные перерывы, время которых

зависит от продолжительности, вида и категории трудовой деятельности

(см. таблицу 6.5).

92

Таблица 6.5

Время регламентированных перерывов

Категория

работы с

ПЭВМ

Уровень нагрузки на рабочую смену

при видах работ с ПЭВМ

Суммарное время

регламентированных

перерывов, мин

Группа А,

количество

знаков

Группа Б,

количество

знаков

Группа В,

ч

При 8 –

часовой

смене

При 12 –

часовой

смене

I до 20000 до 15000 до 2 50 80

II до 40000 до 30000 до 4 70 110

III до 60000 до 40000 до 6 90 140

Кроме того, продолжительность обеденного перерыва должна

определятся действующим законодательством о труде и правилами

внутреннего трудового распорядка предприятия (организации, учреждения).

При использовании разработанного приложения работа оператора

будет относится к группе В, к III категории, т.к. оператор работает с ЭВМ

6 часов в смену, в условиях восьми часовой рабочей смены. Суммарное

время регламентированных перерывов принимаем равным 90 минутам.

6.1.9. Проектирование основных элементов рабочего места

Основными элементами рабочего места являются стол, стул и

подставка для ног.

Согласно [27] рабочие столы следует размещать таким образом, чтобы

мониторы были ориентированы боковой стороной к световым проемам, а

естественный свет падал преимущественно слева. При этом площадь на одно

рабочее место с компьютером должна составлять не менее 6 м2, а расстояние

между рабочими столами (в направлении тыла поверхности одного

видеомонитора и экрана другого) должно быть не менее 2 м. Расстояние

между боковыми поверхностями мониторов должно равняться 1,2 м.

Окна преимущественно

северо – восток. Экран

расстоянии 600 – 700 мм

оптимальное размещение

оборудования с учетом

(см. рисунок 6.1).

Рисунок 6.1

Сформируем требования

пользователей ПЭВМ (

− высота рабочей

должна регулироваться

− рабочий стол должен

600 мм, шириной – не

450 мм и на уровне вытянутых

− подставка для ног

глубину, регулироваться

опорной поверхности подставки

− клавиатуру следует

100 – 300 мм от края

регулируемой по высоте

столешницы;

преимущественно должны быть ориентированы

Экран монитора должен находится от глаз

700 мм, а конструкция рабочего стола должна

размещение на рабочей поверхности

учетом его количества и конструктивных

Рисунок 6.1 – Примерное расположение рабочих

Сформируем требования к организации рабочих

ПЭВМ (см. рисунок 6.2):

рабочей поверхности стола для взрослых

регулироваться в пределах 680 – 800 мм;

стол должен иметь пространство для ног

не менее 500 мм, глубиной на уровне

ровне вытянутых ног – не менее 650 мм;

для ног должна быть не менее 300 мм по

регулироваться по высоте в пределах от 150 мм

поверхности подставки до 20°; клавиатуру следует располагать на поверхности стола

края, обращенного к пользователю или

высоте рабочей поверхности, отделенной

93

ориентированы на север и

от глаз пользователя на

стола должна обеспечивать

поверхности используемого

конструктивных особенностей

рабочих мест

рабочих мест для

взрослых пользователей

для ног высотой не менее

уровне колен – не менее

мм по ширине, 400 мм в

мм и по углу наклона

ности стола на расстоянии

пользователю или на специальной,

отделенной от основной

− конструкция рабочего

• ширину и глубину

• поверхность сиденья

• регулировку высоты

углам наклона вперед до

• высоту опорной

380 мм и радиус кривизны

• угол наклона спинки

• регулировку расстояния

260 – 400 мм;

• стационарные или

шириной – 50 – 70 мм

• регулировку подлокотников

Рисунок

конструкция рабочего стула должна обеспечивать:

глубину поверхности сиденья не менее 400

поверхность сиденья с закругленным передним краем

регулировку высоты поверхности сиденья в пределах

вперед до 15° и до 5°; опорной поверхности спинки 300 ± 20 мм, ширину

кривизны горизонтальной плоскости – 400

наклона спинки в вертикальной плоскости в пределах

регулировку расстояния спинки от переднего края сиденья

стационарные или съемные подлокотники длиной

мм;

регулировку подлокотников по высоте над сиденьем

Рисунок 6.2 – Рабочее место пользователя ПЭВМ

94

обеспечивать:

менее 400 мм;

передним краем;

пределах 400 – 550 мм и

мм, ширину – не менее

400 мм;

плоскости в пределах ±30°; края сиденья в пределах

длиной не менее 250 мм и

сиденьем.

пользователя ПЭВМ

95

6.2. Расчет системы искусственного освещения

Правильно спроектированное и рационально выполненное освещение

рабочего помещения оказывает положительное психофизическое

воздействие на человека, способствует повышению эффективности и

безопасности труда.

Утомляемость органов зрения зависит от ряда причин.

Недостаточность освещения приводит к напряжению зрения, ослабляет

внимание. Чрезмерно яркое освещение вызывает ослепление и раздражение.

Длительная работа на компьютере часто вызывает переутомление и

может стать причиной ряда заболеваний и расстройств. Основным методом

защиты зрения во время работы является правильная организация системы

освещения.

В данной части дипломного проекта приведен расчет требуемой

системы освещения для помещения, в котором планируется использовать

разработанное приложение [30]. Помещение представляет собой кабинет

площадью 24 м2 (ширина 4 метра, длина 6 метров), высота – 3 м.

Расчет освещенности производится в следующем порядке:

− выбор источников света;

− выбор системы освещения;

− выбор типа осветительных приборов и определение высоты их

подвеса над рабочей поверхностью;

− размещение осветительных приборов и определение их количества;

− выбор освещенности и коэффициента запаса;

− расчет осветительной установки.

6.2.1. Выбор источников света

К числу источников света массового применения относятся лампы

накаливания, люминесцентные лампы, дуговые ртутные лампы (ДРЛ) и

светодиодные лампы. Предпочтение чаще всего отдается люминесцентным

96

или светодиодным лампам, как более экономичным и обладающим более

благоприятной цветностью излучения.

В системах одного общего освещения помещений, а также для общего

освещения в системе комбинированного освещения во всех случаях

рекомендуется использовать люминесцентные лампы.

6.2.2. Выбор системы освещения

В практике проектирования осветительных установок используются

следующие системы освещения:

− общего освещения;

− комбинированного освещения.

Система общего равномерного освещения рекомендуется для

помещений, где работают инженеры – разработчики, нет теней на

рассматриваемой поверхности и при равномерном распределении светового

потока без учета положения оборудования.

6.2.3. Выбор осветительных приборов

Выбор осветительного прибора является важным вопросом

проектирования осветительной установки, так как от этого зависят не только

качество и экономичность, но и надежность действия осветительной

установки.

Основными показателями, определяющими выбор светильника при

проектировании осветительной установки, являются:

− конструктивное исполнение светильника с учетом условий среды;

− светораспределение светильника;

− блесткость светильника;

− экономичность светильника.

Открытые двухламповые люминесцентные светильники

рекомендуются для нормальных помещений с хорошим отражением потолка

и стен, допускаются при умеренной влажности и запыленности.

97

6.2.4. Размещение осветительных приборов

При выборе расположения светильников необходимо

руководствоваться двумя критериями:

− обеспечение высокого качества освещения, ограничение

ослепленности и необходимой направленности света на рабочее место;

− наиболее экономичное создание нормированной освещенности.

Для равномерного общего освещения светильники с люминесцентными

лампами должны располагаться рядами параллельно стенам с окнами, при

этом наивыгоднейшее относительное расстояние между светильниками

определяется

T = ²ℎ,

где ²– расстояние между соседними светильниками, ℎ – высота подвеса

светильника над рабочей поверхностью.

Также различают наивыгоднейшее светотехническое расположение

светильников – TС, при котором достигается наибольшая равномерность

освещенности по площади помещения и энергетически наивыгоднейшее

расположение – TЭ, когда обеспечивается нормируемая освещенность при

наименьших энергетических затратах.

Для открытых двухламповых люминесцентных светильников (ОДОР)

согласно [30], TС = 1,4, а TЭ не используется. Кроме того наименьшая высота

подвеса ℎподвеса составляет 3,5 метра. Откуда имеем

ℎ = 3 − ℎстола = 3,0 − 0,8 = 2,2 м;

² = TС ∙ ℎ = 1,4 ∙ 2,2 = 3,08 м.

Расстояние от стен помещения до крайних светильников

рекомендуется брать равным ²/3.

Принимаем расстояние между соседними светильниками равным 3,1 м,

тогда наименьшее расстояние до стены будет составлять 1 м.

98

6.2.5. Выбор освещенности и коэффициента запаса

Согласно Строительным Нормам и Правилам Российской Федерации

по естественному и искусственному освещению (СНиП 23–05–95) [31]

минимальная освещенность при системе общего освещения (для работников

III категории, группы B) должна составлять 300 лк. При этом коэффициент

запаса равен 1,4 (соответствует типу «помещения общественных и жилых

зданий с нормальными условиями среды»).

6.2.6. Расчет искусственного освещения рабочего места

Для расчета искусственного освещения при равномерном размещении

светильников воспользуемся программой DIALux 4.12. Входными данными

являются:

− длина кабинета: Q = 6 м;

− ширина кабинета: � = 4 м;

− высота кабинета: ℎ = 3 м;

− высота рабочей поверхности: ℎстола = 0,8 м;

− коэффициенты отражения:

• для стандартного потолка: 70%

• для стандартных стен: 50%

• для стандартного пола: 20%

− тип светильников: PHILIPS TPS498 C D/I 2xTL5 – 35W HFP M6;

− тип ламп светильника: световой поток 6650 лм, общ. мощность 77 Вт;

− помещение чистое, коэффициент уменьшения: 0,67;

− минимальная освещенность: ¸��R = 300 лк.

На рисунках 6.3 и 6.4 представлены окно инициализации и результаты

расчета освещения с использованием программы DIALux 4.12.

99

Рисунок 6.3 – Окно инициализации

Рисунок 6.4 – Результаты расчета

100

По результатам расчета можно сделать следующие выводы:

− для помещения с определенными выше параметрами потребуется 4

светильника PHILIPS TPS498 C D/I 2xTL5 – 35W HFP M6, общая

потребляемая мощность составит 308 Вт; светильники должны быть

расположены в 2 ряда по 2 штуки параллельно стенам с окнами;

− средняя освещенность рабочей поверхности при таком расположении

светильников составит 419 лк, что в пределах допустимой нормы.

На рисунке 6.5 представлен план спроектированного рабочего

кабинета.

Рисунок 6.5 – План рабочего помещения

6.3. Выводы

В данном разделе дипломного проекта был дан обзор вредных и

опасных факторов, воздействующих на оператора ПЭВМ. Проведен расчет

оптимальной осветительной установки, обеспечивающей нормированное

освещение на рабочем месте. По результатам расчета были получены

следующие данные: оптимальная осветительная установка должна состоять

из четырех двухламповых светильников общей потребляемой мощностью

308 Вт. Фактическое значение минимальной освещенности рабочей

поверхности при использовании такой установки должно составлять 419 лк.

Итогом является обеспечение условий, соответствующих нормам.

101

ЗАКЛЮЧЕНИЕ

В рамках данного дипломного проекта разработано программное

обеспечение, обеспечивающее определение информативных параметров

электрокардиосигнала (зубцов, сегментов, интервалов и т.д.). Данное

программное обеспечение позволяет определять параметры в

автоматическом режиме, что значительно сокращает время, затрачиваемое

врачом на анализ и интерпретацию ЭКГ, а также предоставляет

дополнительные возможности для анализа вариабельности сердечного ритма.

Предложенный комбинированный алгоритм, используемый в

разработанном программном обеспечении, базируется на достоинствах

алгоритмов временной и частотно – временной областей. Его тестирование

на записях различных баз данных позволило сделать вывод о том, что он

может быть успешно применен при разработке экспериментального

программного комплекса анализа и интерпретации электрокардиограмм

(точность определения информативных параметров электрокардиосигнала

составляет 99%).

В результате использования экспериментального программного

комплекса, в основе которого лежит предложенный метод, при исследовании

холтеровских записей электрокардиограмм был получен уникальный

результат, позволяющий исследовать новые свойства синусового ритма.

По результатам проделанной работы были подготовлены и

опубликованы две печатные статьи, из них одна [32] в издании ВАК. Кроме

того, получен диплом I – ой степени в XVIII молодежной международной

научно – технической конференции “Наукоемкие технологии и

интеллектуальные системы - 2016”.

102

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ

1. Всемирная организация здравоохранения [Электронный ресурс] //

URL: http://www.who.int/ru/ (дата обращения 07.04.16).

2. Федеральная служба государственной статистики [Электронный

ресурс] // URL: http://www.gks.ru/ (дата обращения 07.04.16).

3. MedUniver [Электронный ресурс] // URL:

http://meduniver.com/Medical/Therapy/118.html (дата обращения 23.03.16).

4. Электрическая ось сердца (ЭОС): суть, норма положения и нарушения

[Электронный ресурс] // URL: http://sosudinfo.ru/serdce/eos-elektricheskaya-os-

serdca (дата обращения 23.03.16).

5. KARDIRU [Электронный ресурс] // URL:

http://www.kardi.ru/ru/index/Article?Id=37&ViewType=view

(дата обращения 26.03.16).

6. SCHILLER ECG Measurement and Interpretation Software for Children and

Adult ECGs [Электронный ресурс] // URL: http://www.schiller.ch/ru/ru (дата

обращения 23.03.16).

7. Fukuda Denshi Resting ECG Software [Электронный ресурс] // URL:

http://www.fukuda.com (дата обращения 23.03.16).

8. Marquette 12SL ECG analysis program [Электронный ресурс] // URL:

http://www3.gehealthcare.co/Marquette_12SL_ECG_Analysis (дата обращения

23.03.16).

9. Инструкции к приборам выпускаемым ЗАО “Диамант” [Электронный

ресурс] // URL: http://www.diamant.spb.ru/instrukcii.htm (дата обращения

23.03.16).

10. Диагностический комплекс “Валента” [Электронный ресурс] // URL:

http://valenta.spb.ru/kompleks-funktsionalnoy-diagnostiki/diagnosticheskaya-

sistema (дата обращения 23.03.16).

11. Истомина Т.В., Кривоногов Л.Ю., Лавреев А.А. Информационные

методы повышения надежности кардиоанализаторов на основе

помехоустойчивой обработки электрокардиосигнала // Труды

103

Международного симпозиума «Надежность и качество». – 2009. С. 56 – 61.

12. Дубровин В.И., Твердохлеб Ю.В., Харченко В.В. Автоматизированная

система анализа и интерпретации ЭКГ // Радиоэлектроника, информатика,

управление. – 2014. C. 150 – 157.

13. J. Pan, W.J. Tompkins. A Real – Time QRS Detection Algorithm //

Transactions on biomedical engineering. – 1985. P. 230 – 236.

14. F. Olivera. Electrocardiogram Waveform Feature Extraction Using the

Matched Filter // Statistical Signal Processing II. – 2006. P. 1 – 6.

15. B. Kohler, C. Hennig, R. Orglmeister. QRS Detection Using Crossing

Counts // Progress in Biomedical Research. – 2003. P. 138 – 145.

16. H. Gothwal, S. Kedawat, R. Kumar. Cardiac arrhythmias detection in an

ECG beat signal using fast Fourier transform and artificial neural network //

Biomedical Science and Engineering. – 2011. P. 289 – 296.

17. Дроздов Д.В. Влияние фильтрации на диагностические свойства

биосигналов // Функциональная диагностика. – 2011. С. 75 – 78.

18. Авдеева Д.К., Казаков В.Ю., Наталинова Н.М., Иванов М.Л.

Результаты моделирования воздействия фильтра высокой частоты и фильтра

низкой частоты на качество регистрации микропотенциалов на

электрокардиограмме // Науковедение. – 2013. С. 1 – 15.

19. Рангайян Р.М. Анализ биомедицинских сигналов. Практический

подход // М.: ФИЗМАТЛИТ. – 2007. С. 440.

20. Polikar R. The Wavelet Tutorial [Электронный ресурс] // URL:

http://person.hst.aau.dk/enk/ST8/wavelet_tutotial.pdf (дата обращения 28.03.16).

21. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MatLab. // М.:

ДМК Пресс. – 2005. С. 304.

22. CARDIOQVARK [Электронный ресурс] // URL: http://data.qvark-

med.ru/observer/table/ (дата обращения 23.03.16).

23. PhysioNet [Электронный ресурс] // URL: https://www.physionet.org/

(дата обращения 23.03.16).

24. РОХМиНЭ [Электронный ресурс] // URL: http://www.rohmine.org/

104

(дата обращения 23.03.16).

25. Смирнов С.Г., Баланцев С.К. Расчет искусственного освещения //

Ротапринт. МВТУ. – 1976. С. 23.

26. СанПиН 2.2.2/2.4.1340–03. Гигиенические требования к персональным

электронно–вычислительным машинам и организации работы.

27. СанПиН 2.2.2.542–96. Гигиенические требования к видеодисплейным

терминалам, персональным электронно – вычислительным машинам и

организации работы.

28. ГОСТ 12.1.004–91. Система стандартов безопасности труда. Пожарная

безопасность. Общие требования.

29. ГОСТ 25861–83. Машины вычислительные и системы обработки

данных. Требования по электрической и механической безопасности и

методы испытаний.

30. Иванова Н.Ю., Савченко Н.Н. Организация и планирование

проведения НИОКР. Методические указания по разработке организационно –

экономической части дипломных проектов исследовательского и

конструкторского профиля // Кафедра “Экономика и организация

производства”. МГТУ им. Н.Э. Баумана. – 2008. С. 18.

31. СНиП 23–05–95. Естественное и искусственное освещение.

32. Волосатова Т.М., Спасёнов А.Ю., Логунова А.О. Автоматизированная

система анализа и интерпретации электрокардиосигнала

[Электронный ресурс] // Радиооптика. МГТУ им. Н.Э. Баумана. 2016. № 01.

С. 1–18. URL: http://radiooptics.ru/doc/831932 (дата обращения 10.06.16).

105

ПРИЛОЖЕНИЯ

106

ПРИЛОЖЕНИЕ А.

РЕЗУЛЬТАТЫ ТЕСТИРОВАНИЯ АЛГОРИТМА

107

Таблица 1

Результаты работы разработанного алгоритма на сигналах базы данных

интернет – ресурса PhysioNet

Название базы данных Номер

сигнала

Действительное

количество � – пиков

Результаты

работы алгоритма

Arrhythmia Database 100 2273 2272

Arrhythmia Database 101 1865 1867

Arrhythmia Database 102 2187 2186

Arrhythmia Database 103 2084 2082

Arrhythmia Database 104 2229 2205

European ST – T e0103 7296 7300

European ST – T e0104 7696 7695

European ST – T e0105 6629 6628

European ST – T e0106 7152 7149

European ST – T e0108 6776 6777

Таблица 2

Результаты работы разработанного алгоритма на сигналах базы данных

РОХМиНЭ и базы данных, предоставленной профессором Успенским В.М.

Название базы данных Номер

сигнала

Действительное

количество � – пиков

Результаты

работы алгоритма

РОХМиНЭ Rh1001 3196 3196

РОХМиНЭ Rh1002 3056 3099

РОХМиНЭ Rh1003 3361 3360

РОХМиНЭ Rh1004 2616 2641

РОХМиНЭ Rh1005 2247 2451

Успенский В.М. 2538 600 598

Успенский В.М. 2724 600 600

Успенский В.М. 1303 602 601

Успенский В.М. 0280 599 598

108

Название базы данных Номер

сигнала

Действительное

количество � – пиков

Результаты

работы алгоритма

Успенский В.М. 0109 605 605

Таблица 3

Результаты работы разработанного алгоритма на сигналах компании

CARDIO QVARK

Название базы данных Номер

сигнала

Действительное

количество

� – пиков

Результаты

работы

алгоритма

CARDIO QVARK 736643295989 287 287

CARDIO QVARK 90471294644 299 299

CARDIO QVARK 96151309069 295 296

CARDIO QVARK 115399809554 308 308

CARDIO QVARK 700433303021 291 290

Рисунок 1 – Сигнал №100 базы данных Arrhythmia Database PhysioNet

(аритмия)

109

Рисунок 2 – Результат работы алгоритма на сигнале №100 базы данных

Arrhythmia Database PhysioNet

Рисунок 3 – Сигнал № e0103 базы данных European ST – T PhysioNet

(ишемическая болезнь сердца)

110

Рисунок 4 – Результат работы алгоритма на сигнале № e0103 базы данных

European ST – T PhysioNet

Рисунок 5 – Сигнал № Rh1009 базы данных РОХМиНЭ

(часть холтеровской записи)

111

Рисунок 6 – Результат работы алгоритма на сигнале № Rh1009 базы данных

РОХМиНЭ

Рисунок 7 – Сигнал № 2538 базы данных профессора Успенского В.М.

(сильные шумы)

112

Рисунок 8 – Результат работы алгоритма на сигнале № 2538 базы данных

профессора Успенского В.М.

Рисунок 9 – Сигнал № 115399809554 базы данных CARDIO QVARK

(короткая запись)

113

Рисунок 10 – Сигнал № 115399809554 базы данных CARDIO QVARK

Таблица 4

Чувствительность и прогностичность записей базы данных интернет –

ресурса PhysioNet

Название базы данных Номер сигнала ��, % �, %

Arrhythmia Database 100 99,96 100

Arrhythmia Database 101 100 99,89

Arrhythmia Database 102 99,95 100

Arrhythmia Database 103 99,90 100

Arrhythmia Database 104 98,92 100

European ST – T e0103 100 99,95

European ST – T e0104 99,99 100

European ST – T e0105 99,99 100

European ST – T e0106 99,96 100

European ST – T e0108 100 99,99

114

Таблица 5

Чувствительность и прогностичность записей базы данных РОХМиНЭ и

базы данных, предоставленной профессором Успенским В.М.

Название базы данных Номер сигнала ��, % �, %

РОХМиНЭ Rh1001 100 100

РОХМиНЭ Rh1002 100 98,61

РОХМиНЭ Rh1003 99,97 100

РОХМиНЭ Rh1004 100 99,05

РОХМиНЭ Rh1005 100 99,83

Успенский В.М. 2538 99,67 100

Успенский В.М. 2724 100 100

Успенский В.М. 1303 99,83 100

Успенский В.М. 0280 99,83 100

Успенский В.М. 0109 100 100

Таблица 6

Чувствительность и прогностичность записей базы данных CARDIO QVARK

Название базы данных Номер сигнала ��, % �, %

CARDIO QVARK 736643295989 100 100

CARDIO QVARK 90471294644 100 100

CARDIO QVARK 96151309069 100 99,66

CARDIO QVARK 115399809554 100 100

CARDIO QVARK 700433303021 99,66 100

115

ПРИЛОЖЕНИЕ Б.

КОД ПРОГРАММНОГО ПРИЛОЖЕНИЯ

116

Тестирование различных вейвлет - функций

clear all; close all;

fid = fopen('./Q61.txt'); ecg_struct = textscan(fid,'%f'); fclose(fid);

ecg = ecg_struct{1}; ecg = ecg(1000:1700);

Frequency = 1000; Fa = 7;

%% bior 1.1 waveletName = 'bior1.1'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); bior1_1_scaleLevel = scaleLevel';

%% bior 1.5 waveletName = 'bior1.5'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); bior1_5_scaleLevel = scaleLevel';

%% bior 2.2 waveletName = 'bior2.2'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); bior2_2_scaleLevel = scaleLevel';

%% bior 5.5 waveletName = 'bior5.5'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); bior5_5_scaleLevel = scaleLevel';

%% db4 waveletName = 'db4'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); db4_scaleLevel = scaleLevel';

%% db8 waveletName = 'db8'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); db8_scaleLevel = scaleLevel';

117

%% mexh waveletName = 'mexh'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); mexh_scaleLevel = scaleLevel';

%% morl waveletName = 'morl'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*Frequency)/Fa); Sc = cwt(ecg,1:1:scale,waveletName); scaleLevel = Sc(scale,:); morl_scaleLevel = scaleLevel';

colour_ecg = [0 0 0] ./ 255; colour_bior1_1 = [224 102 255] ./ 255; colour_bior1_5 = [255 20 147] ./ 255; colour_bior2_2 = [255 0 0] ./ 255; colour_bior5_5 = [0 255 0] ./ 255; colour_db4 = [255 185 15] ./ 255; colour_db8 = [0 139 69] ./ 255; colour_mexh = [0 191 255] ./ 255; colour_morl = [0 0 255] ./ 255;

%% plot figure(100); hold on; plot(ecg,'LineWidth', 2, 'Color', colour_ecg); plot(bior1_1_scaleLevel, 'Color', colour_bior1_1); plot(bior1_5_scaleLevel,'LineWidth', 2,'Color',colour_bior1_5); plot(bior2_2_scaleLevel, 'Color', colour_bior2_2); plot(bior5_5_scaleLevel, 'Color', colour_bior5_5); plot(db4_scaleLevel, 'Color', colour_db4); plot(db8_scaleLevel, 'Color', colour_db8); plot(mexh_scaleLevel, 'Color', colour_mexh); plot(morl_scaleLevel, 'Color', colour_morl); legend('ecg','bior1.1','bior1.5','bior2.2','bior5.5','db4','db8','mexh','morl

'); hold off;

118

Определение максимумов энергий в сигналах различных баз данных

clear all; close all;

%% 360 Hz fileID =

fopen('C:\Users\Ann\Desktop\Алгоритм_Вейвлетов\MIT360\101_short.txt','r'); signal_360 = fscanf(fileID,'%f'); signalbegin = 2500; signalend = 2800; signal_360 = signal_360(signalbegin:signalend); fclose(fileID); figure(60); plot(signal_360); title('БД MIT – BIH Arrhythmia Database', 'FontSize', 14);

%% 1000 Hz fileID = fopen('C:\Users\Ann\Desktop\Алгоритм_Вейвлетов\Qvark\Q61.txt','r'); signal_1000 = fscanf(fileID,'%f'); signalbegin = 800; signalend = 1700; signal_1000 = signal_1000(signalbegin:signalend); fclose(fileID); figure(61); plot(signal_1000); title('БД CARDIO QVARK', 'FontSize', 14);

%% 2000 Hz fileID =

fopen('C:\Users\Ann\Desktop\Алгоритм_Вейвлетов\Успенский\2732.txt','r'); signal_2000 = fscanf(fileID,'%f'); signalbegin = 500; signalend = 1500; signal_2000 = signal_2000(signalbegin:signalend); fclose(fileID); figure(62); plot(signal_2000); title('БД Успенского В.М.', 'FontSize', 14);

%% Resample signal_360_1000 = resample(signal_360,1000,360); signal_2000_1000 = resample(signal_2000,1000,2000);

figure(101); plot(signal_360_1000); title('БД MIT – BIH Arrhythmia Database', 'FontSize', 14); figure(102); plot(signal_1000); title('БД CARDIO QVARK', 'FontSize', 14); figure(103); plot(signal_2000_1000); title('БД Успенского В.М.', 'FontSize', 14);

%% CWT waveletName = 'db4'; scale = 300; figure(1); Sc1 = cwt(signal_360_1000,1:1:scale,waveletName,'plot'); title ('Вейвлет - преобразование', 'FontSize', 14); xlabel('Время','FontSize',10); ylabel('Масштаб','FontSize',10);

119

colormap (jet); shading interp; figure(2); Sc2 = cwt(signal_1000,1:1:scale,waveletName,'plot'); title ('Вейвлет - преобразование', 'FontSize', 14); xlabel('Время','FontSize',10); ylabel('Масштаб','FontSize',10); colormap (jet); shading interp; figure(3); Sc3 = cwt(signal_2000_1000,1:1:scale,waveletName,'plot'); title ('Вейвлет - преобразование', 'FontSize', 14); xlabel('Время','FontSize',10); ylabel('Масштаб','FontSize',10); colormap (jet); shading interp;

%% Plot 3D CWT figure(11); surf(Sc1); title ('Вейвлет - преобразование', 'FontSize', 14); xlabel('Время','FontSize',10,'rotation',16.5); ylabel('Масштаб','FontSize',10,'rotation',-30); zlabel('Амплитуда','FontSize',10); colormap (jet); shading interp; figure(12); surf(Sc2); title ('Вейвлет - преобразование', 'FontSize', 14); xlabel('Время, мс','FontSize',10,'rotation',16.5); ylabel('Масштаб','FontSize',10,'rotation',-30); zlabel('Амплитуда','FontSize',10); colormap (jet); shading interp; figure(13); surf(Sc3); title ('Вейвлет - преобразование', 'FontSize', 14); xlabel('Время','FontSize',10,'rotation',16.5); ylabel('Масштаб','FontSize',10,'rotation',-30); zlabel('Амплитуда','FontSize',10); colormap (jet); shading interp;

120

Разработанное программное приложение для выделения

информативных признаков электрокардиосигнала

clear all; close all;

fileID = fopen('./101.txt','r'); signal = fscanf(fileID,'%f '); fclose(fileID); fs = 360;

%% Plot signal figure(1); plot(signal);

%% Filter f1= 0.5; %cuttoff low frequency to get rid of baseline wander f2= 35; %cuttoff frequency to discard high frequency noise Wn=[f1 f2]*2/fs; % cutt off based on fs N = 3; % order of 3 less processing [a,b] = butter(N,Wn); %bandpass filtering ecg_h = filtfilt(a,b,signal); ecg_h = ecg_h/ max( abs(ecg_h));

figure(2); plot(ecg_h);

%% CWT Fa = 13; waveletName = 'bior1.5'; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*fs)/Fa); ecg_d = cwt(ecg_h,scale,waveletName);

figure(3); plot(ecg_d);

ecg_s = ecg_d.^2;

figure(4); plot(ecg_s);

%% Moving average ecg_m = conv(ecg_s ,ones(1 ,round(0.150*fs))/round(0.150*fs));

figure(5); plot(ecg_m);

%% Result delay = round(0.15*fs/2);

delay_signal = zeros(numel(ecg_m)-delay,1); for i=1:numel(ecg_m)-delay delay_signal(i) = ecg_m(i+delay-1); end; figure(6); hold on; plot(signal); plot(delay_signal); hold off;

121

%% Find peaks in delay signal peaks = []; window_size = round(2.5*fs); threshold = 0.5;

i = 1; step = window_size*0.3; while i<numel(delay_signal) window_start_point = i; if (i+window_size > numel(delay_signal)) % Обработка выхода за пределы

массива справа window_start_point = numel(delay_signal)-window_size; step = 2*window_size; end;

% Поиск максимума в окне windowMax =

max(delay_signal(window_start_point:window_start_point+window_size)); % Определение порогового значения windowThreshold = threshold*windowMax;

% поиск интервала, в котором лежит R пик maxInterval = []; % Интервал, в котором лежит R пик maxFlag = 0; for j=round(window_start_point):(window_start_point+window_size) if delay_signal(j) > windowThreshold maxInterval(end+1) = j; % Увеличение интервала maxFlag = 1; else if (maxFlag == 1) % Поиск максимума в найденном интервале в исходном сигнале [value, location] =

max(signal(maxInterval(1):(maxInterval(end)-round(numel(maxInterval)/3)))); % Добавление "R"-пика peaks(end+1) = j - numel(maxInterval) + location; % Очистка найденного интервала maxInterval = []; end; maxFlag = 0; end; end;

i = i+step; end;

peaks = peaks - 1;

y1=get(gca,'ylim'); figure(7); hold on; plot(signal, 'b'); for j=1:numel(peaks) hold on,plot([peaks(j) peaks(j)], y1, 'r'); end; hold off;

%% post processing peaks = unique(peaks); clearPeaks = [];

clearPeaks(end+1) = 1; % Временный пик

122

minDistance = 0.2*fs; i = 1; while i < numel(peaks) if(peaks(i)-clearPeaks(end) < minDistance) firstPeak = signal(peaks(i)); secondPeak = signal(clearPeaks(end)); if firstPeak > secondPeak clearPeaks(end) = []; clearPeaks(end+1) = peaks(i); end; else clearPeaks(end+1) = peaks(i); end; i = i + 1; end; clearPeaks(1) = []; % Удаление временного пика

y1=get(gca,'ylim'); figure(8); hold on; plot(delay_signal,'g'); plot(ecg_h, 'b'); for j=1:numel(clearPeaks) hold on,plot([clearPeaks(j) clearPeaks(j)], y1, 'r'); end; hold off;

%% Save annotation fileID = fopen('./Rpeaks.txt','w'); fprintf(fileID,'%d ', clearPeaks); fclose(fileID);

%% Find P and T peaks (begin) numel(signal)

% Вырезаем qRS комплексы (интерполяция) PT_ecg = ecg_h; PT_threshold = 0.3; for i=1:numel(clearPeaks) peakCWT_Value = delay_signal(clearPeaks(i)); % find right bound k = clearPeaks(i); while delay_signal(k) > (peakCWT_Value*PT_threshold) && k > 1 k = k - 1; end; rightBound = k; % find left bound k = clearPeaks(i); while delay_signal(k) > (peakCWT_Value*PT_threshold) && k <

numel(ecg_h) k = k + 1; end; leftBound = k;

% Interpolation delta_A = ecg_h(leftBound) - ecg_h(rightBound); delta_x = leftBound - rightBound; step = delta_A/delta_x; current_value = ecg_h(leftBound); for k=rightBound:leftBound PT_ecg(k) = current_value; current_value = current_value + step; end;

123

end;

figure(9); hold on; plot(PT_ecg, 'b'); hold off;

Fa = 7; waveletFrequency = centfrq(waveletName); scale = round((waveletFrequency*fs)/Fa); PT_ecg_d = cwt(PT_ecg,scale,waveletName); PT_ecg_s = PT_ecg_d.^2; PT_ecg_m = conv(PT_ecg_s ,ones(1 ,round(0.15*fs))/round(0.15*fs));

delay = round(0.15*fs/2); PT_delay_signal = zeros(numel(PT_ecg_m)-delay,1); for i=1:numel(PT_ecg_m)-delay PT_delay_signal(i) = PT_ecg_m(i+delay-1); end;

figure(10); hold on; plot(PT_delay_signal, 'b'); plot(PT_ecg,'r'); hold off;

%% Find PT peaks in delay signal PT_peaks = []; window_size = round(2.5*fs); threshold = 0.2;

i = 1; step = window_size*0.2; while i<numel(PT_delay_signal) window_start_point = i; if (i+window_size > numel(PT_delay_signal)) window_start_point = numel(PT_delay_signal)-window_size; step = 2*window_size; end;

windowMax =

max(PT_delay_signal(window_start_point:window_start_point+window_size)); windowThreshold = threshold*windowMax;

maxInterval = []; maxFlag = 0; for j=round(window_start_point):(window_start_point+window_size) if PT_delay_signal(j) > windowThreshold maxInterval(end+1) = j; maxFlag = 1; else if (maxFlag == 1) [value, location] =

max(signal(maxInterval(1):(maxInterval(end)-round(numel(maxInterval)/3)))); PT_peaks(end+1) = j - numel(maxInterval) + location; maxInterval = []; end; maxFlag = 0; end; end;

i = i+step;

124

end;

PT_peaks = PT_peaks - 1;

y1=get(gca,'ylim'); figure(11); hold on; plot(signal, 'b'); for j=1:numel(PT_peaks) hold on,plot([PT_peaks(j) PT_peaks(j)], y1, 'r'); end; hold off;

%% PT_peaks = unique(PT_peaks); clearPT_Peaks = [];

clearPT_Peaks(end+1) = 1; minDistance = 0.3*fs; i = 1; while i < numel(PT_peaks) if(PT_peaks(i)-clearPT_Peaks(end) < minDistance) firstPeak = signal(PT_peaks(i)); secondPeak = signal(clearPT_Peaks(end)); if firstPeak > secondPeak clearPT_Peaks(end) = []; clearPT_Peaks(end+1) = PT_peaks(i); end; else clearPT_Peaks(end+1) = PT_peaks(i); end; i = i + 1; end; clearPT_Peaks(1) = [];

y1=get(gca,'ylim'); figure(12); hold on; plot(signal,'g'); plot(ecg_h, 'b'); for j=1:numel(clearPT_Peaks) hold on,plot([clearPT_Peaks(j) clearPT_Peaks(j)], y1, 'r'); end; hold off;

%% Save annotation fileID = fopen('./PTpeaks.txt','w'); fprintf(fileID,'%d ', clearPT_Peaks); fclose(fileID);

%% Get Q and S peaks QPeaks = QPeaksDetection( signal, clearPeaks, fs ); SPeaks = SPeaksDetection( signal, clearPeaks, fs );

figure(13); hold on; plot(signal,'b', 'LineWidth', 1.3); for j=1:numel(clearPeaks) hold on,plot([clearPeaks(j) clearPeaks(j)], y1, 'r', 'LineWidth',

1.4); end; for j=1:numel(clearPT_Peaks)

125

hold on,plot([clearPT_Peaks(j) clearPT_Peaks(j)], y1, 'Color', [0

0.3 0], 'LineWidth', 1.2); end; for j=1:numel(QPeaks) hold on,plot([QPeaks(j) QPeaks(j)], y1, 'Color', [0.8 0.3 0.3],

'LineWidth', 1.2); end; for j=1:numel(SPeaks) hold on,plot([SPeaks(j) SPeaks(j)], y1, 'Color', [0.8 0.3 0.3],

'LineWidth', 1.2); end; hold off;

126

ПРИЛОЖЕНИЕ В.

ГРАФИЧЕСКИЕ ЛИСТЫ