Алгоритмическое обеспечение спектральной обработки кардиограмм

Обложка

Цитировать

Полный текст

Аннотация

Метод регистрации электрокардиограмм, как неинвазивный метод исследования, широко применяется в современной функциональной диагностике. Развиваются спектральные методы диагностики, основанные на преобразовании Фурье и вейвлет-преобразовании. Для целей идентификации нарушений сердечного ритма методом исследования выбран спектральный (частотный) анализ кратковременных записей ЭКГ, вплоть до одного периода сердечных сокращений. Проведено разложение в ряд Фурье на одном периоде кардиосигнала в EDF-формате. Определено, что максимальная точность описания кардиосигнала достигается при числе гармоник, равном половине числа точек дискретизации кардиосигнала в течение периода. Корректность работы разработанного для спектрального анализа скрипта проверялась восстановлением кардиосигнала по его спектру и сравнением с исходным сигналом. Установлена корреляция спектра и формы кардиосигнала. Сделан вывод о применимости метода спектрального анализа для идентификации нарушений сердечного ритма, а также о возможности использования спектра электрических сигналов сердечных сокращений как многомерной функции состояния сердца. Указано направление дальнейшего выявления закономерностей путем статистического анализа с интерпретацией результатов профильными специалистами. Теоретическая и практическая ценность настоящего исследования заключается как в определении направлений применения спектрального анализа кардиосигнала для диагностики и лечения, так и в полученных практических результатах, которые могут быть применены при разработке экспертной системы или конкретного технического устройства.

Об авторах

Денис Анатольевич Андриков

Российский университет дружбы народов

Email: andrikovdenis@mail.ru
ORCID iD: 0000-0003-0359-0897
SPIN-код: 8247-7310

кандидат технических наук, доцент кафедры механики процессов и управления, инженерная академия

Москва, Россия

Синан Владимирович Курбанов

Российский университет дружбы народов

Автор, ответственный за переписку.
Email: ya.sinan@yandex.ru
ORCID iD: 0009-0005-6632-9102

аспирант кафедры механики и процессов управления, инженерная академия

Москва, Россия

Список литературы

  1. Drozd DD. Basics of application of mathematical models in cardiology. Bulletin of Medical Internet Con- ferences. 2015;5(9):1140–1142. (In Russ.) EDN: ULQVAL
  2. Kiselev IN, Semisalov BV, Biberdorf EA, Shari- pov RN, Blokhin AM, Kolpakov FA. Modular modeling of the human cardiovascular system. Mathematical Biology and Bioinformatics. 2012;7(2):703–736. (In Russ.) https://doi.org/10.17537/2012.7.703
  3. Lebedenko IS, Novoselova ES, Rakityanskaya AS, Efimceva YA. Pump function mathematical model of heart. Biotechnosphere. 2009;3:24–31. (In Russ.) EDN: KWTXFP
  4. Karpov OE, Khramov AE, Andrikov DA, Gu- sev AV, Zarubina TV, Nikolaidi YeN, Penzin OV, Rauzina SYe, Subbotin SA. Information technologies, computing systems and artificial intelligence in medicine. Moscow: DPK Press; 2022. (In Russ.) https://doi.org/10.56463/l6504-7059-3414-n
  5. Qian T, Zhang L, Li Z. Algorithm of Adaptive Fourier Decomposition. IEEE Transactions on Signal Processing. 2011;59:5899–5906.
  6. Zakharov SM, Znaiko GG. Spectral analysis of electrocardiosignals. Questions of radio electronics. 2017;3:110–115. (In Russ.) EDN: YFYKID
  7. Sergeychik OI. Models and algorithms for spectral analysis of processing cardiac time series (abstract of the dissertation for the degree of Candidate of Technical Sciences). 2007. (In Russ.) EDN: NIPEIL
  8. Genlang C, Zhiqing H, Yongjuan G, Chaoyi P. A cascaded classifier for multi-lead ECG based on feature fusion. Computer Methods and Programs in Biomedicine. 2019;178:135–143. https://doi.org/10.1016/j.cmpb.2019.06.021
  9. Sun J. Automatic cardiac arrhythmias classification using CNN and attention-based RNN network. Healthcare Technology Letters. 2023;10(138):53–61. https://doi.org/10.1049/htl2.12045
  10. Snezhitsky VA, Shishko VI, Zukhovitskaya EV, Deshko MS. Heart rate variability: applications in cardiology. Grodno: GrSMU; 2010. (In Russ.) EDN: WMBLHV
  11. Baevsky RM, Chernikova AG. Heart rate variability analysis: physiologic foundations and main methods. Cardiometry. 2017;10:66–76. EDN: YPOTMP
  12. Latfullin IA, Kim ZF, Teptin GM, Mammadova LE. High-resolution ECG: from present to future. Russian Journal of Cardiology. 2010;2(82):29–34. (In Russ.) EDN: LPAGQV
  13. Grinevich AA, Chemeris NK. Spectral analysis of heart rate variability based on the Hilbert–Huang method. Doklady Biochemistry and Biophysics. 2023;511(1): 169–172. https://doi.org/10.1134/s1607672923700333
  14. Moskalenko AV, Makhortykh SA. On spectral analysis of the regulation of the main cardiac rhythm. Proceedings of the International Conference “Mathematical Biology and Bioinformatics”. Pushchino: IMPB. 2022; 9:e41. (In Russ.) https://doi.org/10.17537/icmbb22.13
  15. Cerutti S, Bianchi AM, Mainardi LT, Signo- rini MG. Spectral Analysis of Cardiovascular Variability Signals. In: Vardas PE (eds.) Cardiac Arrhythmias, Pacing & Electrophysiology. Developments in Cardiovascular Medicine Springer, Dordrecht. 1998;201:171–183. https://doi.org/10.1007/978-94-011-5254-9_25
  16. Marple JrSL, Carey WM. Digital spectral analysis with applications. The Journal of the Acoustical Society of America. 1989;86(5). https://doi.org/10.1121/1.3985481989
  17. Rauscher C. Fundamentals of Spectrum Analysis. München: Rohde & Schwarz Publ.; 2001. Available from: https://archive.org/details/fundamentalsofsp0000raus (accessed: 15. 03.2024)
  18. Sawant N, Patidar S. Diagnosis of Cardiac Abnormalities Applying Scattering Transform and FourierBessel Expansion on ECG Signals. 2021 Computing in Cardiology (CinC). Brno, Czech Republic, 2021. https:// doi.org/10.23919/CinC53138.2021.9662751
  19. Alvarez-Estevez D. European Data Format. Avail- able at: https://www.edfplus.info (accessed: 15.03.2024)
  20. Karpov OE, Khramov AE. Predictive medicine. Medical doctor and IT. 2021;3:20–37. (In Russ.) https://doi.org/10.25881/18110193_2021_3_20

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».