Analýza experimentálních EKG záznamů

Abstract

Tato práce se zabývá analýzou experimentálních elektrogramů získaných z izolovaných králičích srdcí. V teoretické části práce jsou popsány principy elektrokardiografie, projevy patologické srdeční činnosti v EKG záznamu, často používané metody automatické klasifikace EKG cyklů a také informace o experimentálním výzkumu. První část praktické práce se zabývá manuální klasifikací elektrogramů a jednotlivých patologických událostí v nich zaznamenaných. Výsledky klasifikace budou použity ve veřejně dostupné databázi experimentálních elektrogramů, která nyní vzniká na UBMI VUT v Brně. Klasifikace záznamů byla konzultována s odborníky. Dále je popsán výskyt patologií v průběhu fází experimentů a dle toho zhodnocen vliv opakované ischemie na jejich vznik. Nakonec je realizována automatická klasifikace čtyř typů patologických cyklů čtyřmi klasifikačními metodami (diskriminační analýza, naivní Bayesův klasifikátor, metoda podpůrných vektorů a metoda k-nejbližších sousedů). Pro reprezentaci cyklů při klasifikaci jsou použity morfologické parametry. Celkem je z každého cyklu odvozeno 71 morfologických parametrů. Z nich jsou za pomoci testů Kruskal-Wallis a Tukey-Kramer a také analýzy hlavních komponent určeny ty, které dokáží cykly reprezentovat nejlépe.

This diploma thesis deals with the analysis of experimental electrograms (EG) recorded from isolated rabbit hearts. The theoretical part is focused on the basic principles of electrocardiography, pathological events in ECGs, automatic classification of ECG and experimental cardiological research. The practical part deals with manual classification of individual pathological events – these results will be presented in the database of EG records, which is under developing at the Department of Biomedical Engineering at BUT nowadays. Manual scoring of data was discussed with experts. After that, the presence of pathological events within particular experimental periods was described and influence of ischemia on heart electrical activity was reviewed. In the last part, morphological parameters calculated from EG beats were statistically analised with Kruskal-Wallis and Tukey-Kramer tests and also principal component analysis (PCA) and used as classification features to classify automatically four types of the beats. Classification was realized with four approaches such as discriminant function analysis, k-Nearest Neighbours, support vector machines, and naive Bayes classifier.