ворення застосовується кілька основних базових вейвлет-функцій, причому ряд методів передбачає зворотний зв'язок для корекції їх параметрів. При цьому локалізація положення QRS-комплексу здійснюється в області вейвлет-спектра, в простому випадку, шляхом простого детектування рівня. Методики цієї групи характеризуються відносно невисокою продуктивністю, досить низькою чутливістю до шумів і ефективністю, що перевищує 99%.
Алгоритми групи в) використовують нейромережеві методи обробки даних і зазвичай застосовуються для аналізу морфології і класифікації елементів ЕКГ. Нейромережеві моделі дозволяють значно ефективніше адаптуватися до нестаціонарному характером ЕКГ, тому в задачах виділення QRS-комплексів використовуються при адаптивної узгодженої фільтрації [5]. Чутливість методик варіюється в широкому діапазоні, але в цілому досягає 99%.
Групу г) складають синтаксичні алгоритми, також відомі як лінгвістичні або граматичні. Вихідний аналізований сигнал представляється у вигляді певної послідовності примітивів, визначаються спеціальні правила (граматики), що породжують той чи інший елемент ЕКГ з безлічі примітивів. Виділення елементів ЕКГ зводиться до визначення породжує граматики.
Групу д) складають різні комбінації методів, зазвичай є синтезом алгоритмів групи в) і б) або в) і а). Особливо виграшним виявилося першим поєднання, оскільки подібний підхід дозволяє досягти максимальної на сьогоднішній день чутливості - 99,9% на тестових вибірках ЕКГ. До недоліків методів цієї групи варто віднести вимогливість до обчислювальних ресурсів.
Проведений аналізу показав, що методики груп б), в), г) і д) вимагають в одиницю часу на порядок більше елементарних математичних операцій, ніж методи групи а), при цьому чутливість і ефективність QRS-детектора зазвичай підвищується на 1-3%. Більш того, необхідний досить великий інтервал часу для адаптації параметрів детектора, що робить подібні алгоритми важко застосовними для систем реального часу, коли необхідно отримання ЧСС з перших секунд після початку знімання ЕКГ. Вейвлет-аналізатори зазвичай застосовуються при автоматизованому аналізі вже записаною тривалої ЕКГ і відрізняються підвищеною стійкістю до шумів, нейромережеві алгоритми активно застосовуються для класифікації елементів ЕКГ.
Висновок
Методи аналізу варіабельності серцевого ритму можуть використовуватися для оцінки стану людини в різних умовах трудової діяльності, фізичного навантаження, рівня стресу і т.д. В даний час особливий інтерес для дослідників представляє вивчення повільних хвиль другого порядку і компонент спектра коливань з частотами менше 0.01 Гц, включаючи хвилинні і часові хвилі, а також розробка нових методів аналізу варіабельності серцевого ритму, що враховують складний нестаціонарний характер динаміки серцево-судинної системи. Зокрема, недавні дослідження дозволили виявити ряд цікавих явищ, до числа яких належить можливість синхронізації серцевого ритму людини. Було встановлено, що слабкий зовнішній періодичний сигнал призводить до ефективної синхронізації і підстроюванні частоти серцевих скорочень. Наявність такого ефекту відкриває нові можливості і для фундаментальної науки і для клінічної практики.
Бібліографічний список
1.Нагін В.А., Селищев С.В. Виділення QRS-комплексів в ЕКГ-системах ре...
