Časoprostorová analýza vektorkardiografických záznamů

Abstract

Vektorkardiografie je metoda záznamu elektrické aktivity srdce ve třech ortogonálních svodech, jež odpovídají projekcím srdečního vektoru ve směrech os X, Y a Z. Tyto záznamy mohou být prezentovány formou třírozměrných smyček které představují jednotlivé fáze srdeční revoluce.

V této práci jsou představeny některé nové hodnotící parametry (příznaky), založené na morfologii QRS smyček, které popisují průběh depolarizace srdečních komor. Mezi nejvýznamnější patří především rychlost, křivost, minimální plocha, délka a doba trvání smyčky. Tyto příznaky jsou dále členěny do oktantů což vede k významnému zvýšení jejich informační hodnoty.

Novým příznakem vycházejícím z oktantové teorie je tzv. Laufbergerovo číslo, které odpovídá sekvenci oktantů, popisujících dráhu průchodu QRS smyčky. Dále je navržena metoda hodnocení vzdáleností Laufbergerových čísel mezi jednotlivými záznamy, která umožňuje klasifikaci srdečních onemocnění.

V této práci jsou jednotlivé příznaky podrobně popsány a analyzovány pro účely klasifikace infarktu myokardu. S využitím oktantových příznaků QRS smyčky a modelu založeném na náhodných lesích, je maximální dosažená senzitivita 89,9 % a specificita 90,4 %. Je zde také poukázáno na vliv přeučení klasifikátoru během záznamově orientované křížové validace, která je často využívána. Tento typ křížové validace vede ke zvyšování výkonu klasifikace, který není objektivní a nevyplývá ze skutečné informační hodnoty příznaků.

Mezi stěžejní části této práce patří dále nelineární metoda výpočtu VKG svodů ze svodů elektrokardiografických, založená na umělých neuronových sítích. Tato metoda dosahuje významně lepších výsledků než stávající metody založené na lineární transformaci.

Dále je v této práci představena nová metoda pro individualizaci modelu pro genero- vání syntetického VKG, založená na optimalizaci hejnem částic. Optimalizované modely dosahují vysokou přesnost a podobnost s přímo měřeným VKG.

Vectorcardiography is a method of recording the electrical activity of the heart from three orthogonal leads. These leads correspond to the projections of the electrical vector of the heart into directions X,Y and Z. So the records can be presented in the form three dimensional loops describing individual phases of the heartbeat.

In this thesis, there are introduced and discussed new features based on the morphology of QRS loops, describing ventricular depolarization. The most significant features are the velocity, curvature, minimal surface area, length and time of the QRS loops. The features are divided into octants for improving classification performance.

New feature coming from the octant theory, called Laufberger’s number was introduced. Laufberger’s number corresponds to a sequence of octants of the QRS loop and describes a pathway of the loop. The method for analyzing Laufberger’s numbers was also introduced and discussed.

All the presented features are described and analyzed with respect to the classification of myocardial infarction. The maximal sensitivity 89.9% and specificity 90.4% were achieved by using octants based QRS features and machine learning model based on random forests.

It has been shown that commonly used records-oriented cross validation causes overfitting problem and artificially increases classification performance. In this work, patient-oriented cross validation is prefered.

The important part of the thesis also describes the nonlinear transformation of the electrocardiographic leads into VCG leads. The method is based on the artificial neural network and achieves significantly higher accuracy than standard linear transformations.

A new method for individualization of the model based VCG generator is introduced. The individualization is based on the particle swarm optimization and provides high accurate models.