Távmonitorozásra is alkalmas pitvari fibrilláció detektálási módszer

Absztrakt:

A pitvarfibrilláció (PF) az egyik leggyakrabban előforduló aritmia típus, mely bizonyítottan jelentősen megnöveli többek között a stroke rizikótényezőjét. Jelen dolgozatban egy olyan algoritmus kerül bemutatásra, mely az előzetes eredményeknek megfelelően képes a PF hatékony detektálására, akár telemedicinális környezetben készült EKG regisztrátumok alapján is. A módszer alapját úgynevezett Poincaré ábrák feldolgozása képezi, melyek az egyes kamrai aktivációk közötti RR távolságokból épülnek fel. A Poincaré ábrák analízise során kiszámításra kerül az átló körüli szóródás és – egy saját klaszterelemző eljárást alkalmazva – az ábrát alkotó pontsokaság csoportjainak száma. E két paraméter segítségével fogalmazódik meg a PF detektálásának döntési kritériuma. Az algoritmus tesztelése a nemzetközileg elismert PhysioNet MIT-BIH pitvarfibrillációs adatbázis négy annotált EKG felvételén történt, melyek nagyon jól reprezentálták a telemedicinális környezetben elérhető jelminőséget. Az elért átlagos szenzitivitás, illetve specificitás rendre 96,71% és 97,99%, mely kielégítő eredménynek minősül.

Abstract:

Atrial fibrillation (AF) is one of the most common types of arrhythmia which – based on the literature – significantly increases the risk factor of stroke. In this paper an algorithm is presented which is suitable for the effective detection of AF even in ECG signals recorded in a telemedical environment, according to our preliminary results. The method is based on the processing of Poincaré plots established from the set of RR intervals. During the analysis of Poincaré plots the dispersion of points around the diagonal is calculated and the number of clusters is determined by a self-developed cluster analyzer. The decision criterion of AF applies these two parameters. The algorithm was tested on four ECG records of the international PhysioNet MIT-BIH Atrial Fibrillation Database. These records represented the telemedical ECG signal quality very well. The achieved average sensitivity and specificity are 96.71% and 97.99% respectively which is considered satisfying.