The 12 reference contexts in paper T. Volosatova M., A. Spasenov Iu., A. Logunova O., Т. Волосатова М., А. Спасёнов Ю., А. Логунова О. (2016) “Автоматизированная система анализа и интерпретации электрокардиосигнала // Automated ECG Analysis and Interpretation System” / spz:neicon:radiovega:y:2016:i:1:p:1-18

  1. Start
    3145
    Prefix
    Существующие компьютерные системы диагностики не обеспечивают требуемую остоверность результатов. Это связано с тем, что сигнал является реализацией коррелированного случайного процесса, являющегося нестационарным, и является смесью детерминированной компоненты и многочисленных видов помех
    Exact
    [1, 2]
    Suffix
    . Таким образом, задача достоверного определения информативных признаков ЭКГ, отражающих отдельные стадии работы сердца, является наиболее актуальной в наше время. Решение данной проблемы позволит повысить точность автоматизированных систем анализа ЭКГ.
    (check this in PDF content)

  2. Start
    4043
    Prefix
    В рамках исследования была создана программная реализация рассмотренных алгоритмов. 2. Анализ свойств электрокардиограмм Слово “электрокардиограмма” с латинского языка дословно переводится следующим образом
    Exact
    [7]
    Suffix
    :  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 (рис. 1).
    (check this in PDF content)

  3. Start
    4971
    Prefix
    Прохождение импульса по проводящей системе сердца графически записывается по вертикали в виде 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
    Exact
    [7]
    Suffix
    . Рис. 1. Лента ЭКГ: формирование зубцов и интервалов Процесс формирования электрокардиограммы можно описать так [7]:  формирование импульса возбуждения в синусовом узле;  поочередное возбуждение предсердий (сначала правого, потом левого), посредством продвижения синусового импульса по проводящий системе (зубец );  следуя по атриовентрикулярному соединению, синусовый импульс претерпе
    (check this in PDF content)

  4. Start
    5084
    Prefix
    Помимо регистрации зубцов, на ЭКГ по горизонтали записывается время, в течение которого импульс проходит по определенным отделам сердца [7]. Рис. 1. Лента ЭКГ: формирование зубцов и интервалов Процесс формирования электрокардиограммы можно описать так
    Exact
    [7]
    Suffix
    :  формирование импульса возбуждения в синусовом узле;  поочередное возбуждение предсердий (сначала правого, потом левого), посредством продвижения синусового импульса по проводящий системе (зубец );  следуя по атриовентрикулярному соединению, синусовый импульс претерпевает физиологическую задержку, возбуждения прилежащих слоев не производит (интервал – );  проходя по проводящей сис
    (check this in PDF content)

  5. Start
    6051
    Prefix
    Высоту зубцов измеряют в милливольтах, продолжительность интервалов в секундах. 3. Алгоритм обработки электрокардиосигнала В процессе анализа доступных публикаций выбран алгоритм обработки электрокардиосигнала представляет собой последовательность шагов
    Exact
    [2]
    Suffix
    : 1. Модуль предобработки Главной задачей данного блока является помехоподавление, то есть удаление помех разного вида, таких как дрейф изолинии, артефакты движения, шумы, создаваемые оборудованием и т.д. 2.
    (check this in PDF content)

  6. Start
    7373
    Prefix
    Предобработка и выделение R – пика электрокардиосигнала при помощи алгоритма Пана – Томпкинса Пан и Томпкинс предложили алгоритм, основанный на анализе наклона, амплитуды и ширины – комплексов. Этот алгоритм состоит из следующей последовательности фильтров и методов
    Exact
    [6]
    Suffix
    :  фильтр низких частот;  фильтр верхних частот;  оператор производной;  процедура интегрирования;  адаптивная пороговая процедура;  процедура поиска; В данном методе фильтры применяются для удаления дрейфа изолинии и шумов, при этом, фильтр верхних частот реализован как всепропускающий фильтр минус фильтр низких частот.
    (check this in PDF content)

  7. Start
    8054
    Prefix
    Процедура взятия производной подавляет компоненты зубцов и и усиливает высокочастотные компоненты в сигнале, связанные с – комплексом. Сглаживание выходного сигнала, полученного на предыдущих шагах, осуществляется за счет интегрирующего фильтра типа скользящего окна, ширина которого выбирается исходя из следующих соображений
    Exact
    [6]
    Suffix
    :  слишком большая ширина приведет к тому, что выходные сигналы, связанные с – комплексом и – зубцом будут сливаться;  слишком маленькая ширина приведет к нескольким пикам для единственного – комплекса. 5.
    (check this in PDF content)

  8. Start
    9040
    Prefix
    Установлено, что анализ ВСР позволяет получить количественные индикаторы активности различных отделов вегетативной нервной системы человека, что оказывается полезным для решения многих диагностических задач
    Exact
    [5]
    Suffix
    . В общем случае последовательность шагов при проведении данного анализа выглядит следующим образом:  измерение – интервалов времени между последовательными сокращениями сердца;  исключение участков анализа, соответствующих нарушениям сердечного ритма или помехам, вызвавшим ошибки в определении – интервалов;  получение равномерно дискретизованного сигнала ЭКГ с помощью гладкой инте
    (check this in PDF content)

  9. Start
    12303
    Prefix
    Вейвлет-преобразование одномерного сигнала состоит в его разложении по базису, основой которого является некоторая функция (материнский вейвлет) с определенными свойствами. Базис получают путем смещения и растяжения (сжатия) этой функции (рис. 3). Рисунок 3 – Разложение сигнала по базису Для того чтобы быть вейвлетом функция должна обладать свойствами
    Exact
    [8]
    Suffix
    :  локализация где – вейвлет – функция;  ограниченность (конечная энергия) Главной идеей дискретного вейвлет-преобразования (ДВП) является разбивка сигнала на две составляющие – грубую (аппроксимирующую) и уточненную (детализирующую), с последующим их дроблением с целью изменения уровня декомпозиции сигнала.
    (check this in PDF content)

  10. Start
    12953
    Prefix
    Точность представления сигнала по мере перехода на более низкие уровни снижается, но зато появляется возможность вейвлет-фильтрации сигналов, удаления шумов и эффективной компрессии сигналов (рис. 4)
    Exact
    [3, 7]
    Suffix
    . Рис. 4. Разложение электрокардиосигнала с помощью ДВП до третьего уровня С учетом того, что в основе ДВП лежит использование двух непрерывных и интегрируемых по всей оси (или ) функций [8]:  вейвлет – функции с нулевым значением интеграла , определяющей детали сигнала и порождающей детализирующие коэффициенты ;  масштабирующей функции с едини
    (check this in PDF content)

  11. Start
    13142
    Prefix
    представления сигнала по мере перехода на более низкие уровни снижается, но зато появляется возможность вейвлет-фильтрации сигналов, удаления шумов и эффективной компрессии сигналов (рис. 4) [3, 7]. Рис. 4. Разложение электрокардиосигнала с помощью ДВП до третьего уровня С учетом того, что в основе ДВП лежит использование двух непрерывных и интегрируемых по всей оси (или ) функций
    Exact
    [8]
    Suffix
    :  вейвлет – функции с нулевым значением интеграла , определяющей детали сигнала и порождающей детализирующие коэффициенты ;  масштабирующей функции с единичным значением интеграла , определяющей грубое приближение сигнала и порождающей коэффициенты аппроксимации .
    (check this in PDF content)

  12. Start
    15362
    Prefix
    Уравнение разделяющей гиперплоскости имеет следующий вид: , где – размерность пространства признаков, – направляющий вектор, – скалярный порог (свободный член). Или в векторной форме: . Рис. 5. Метод SVM для двумерного пространства В методе опорных векторов
    Exact
    [4, 8]
    Suffix
    выделяют два этапа: этап обучения и этап распознавания. На первом этапе из множества обучающих примеров отбираются опорные векторы, на основе которых строится разделяющая плоскость. Этап распознавания заключается в том, что на вход полученного классификатора подается пример , о классовой принадлежности которого ничего не известно.
    (check this in PDF content)