Analýza variability srdečního rytmu

1. Analýza variability srdečního rytmu Autor: Ondřej Mašek Vedoucí práce: Ing. Václav Chudáček

2. Zadání diplomové práce • Seznamte se s problematikou analýzy variability srdečního rytmu • Navrhněte několik možných metod analýzy variability srdečního rytmu • Na základě dat z 1.LF UK, případně MIT databáze vyhodnoťte a porovnejte navržené metody

3. Cíle práce • Najít příznaky HRV analýzy, které by mohly identifikovat pacienty s fibrilací síní • Vytvořit toolbox s grafickým rozhraním pro výpočet výsledků HRV analýzy

4. Úvod • Okolo 0,5 % dospělé populace je postiženo fibrilací síní • 4 % lidí nad 60 let • Více než 10 % lidí nad 70 let • Ulehčení práce doktorů

5. Fibrilace síní

6. Použité metody • Celkem 19 metod • Získal jsem 26 příznaků • 15 lineárních metod • NN50, pNN50, RMSSD, SDNN, SDSD, SDANN, SDNNind, střední hodnota RR, střední hodnota HR, CV, II, STV, LTI, Delta, Delta total • 4 nelineární metody • Poincaré plot (PcPSD1, PCPSD2, PcPSD12, PcPS) • DFA – DFAshort, DFAlong • Entropie – Shannonova entropie, aproximativní entropie, sample entropie • Fraktální dimenze – Kapacitní dimenze, Sevcikova dimenze

7. Data • Použita data z MIT databáze • 1. databáze MIT-BIH AF • obsahuje EKG subjektů s fibrilací síní • 10 hodinové záznamy • 25 subjektů – náhodně vybráno 10 • 2. databáze MIT-BIH NSR • obsahuje EKG subjektů s normální srdeční činností • 20 hodinové záznamy • 18 subjektů – náhodně vybráno 10

8. Předzpracování • Detekce R vrcholů pomocí Pan Tompkins algoritmu • Výpočet RR intervalů • Odstranění artefaktů – vyhlazení řady RR intervalů • Převzorkování RR intervalů na 4 Hz • Segmentace dat na 5, 10, 20 a 30 minutové segmenty

9. Výsledky • Nejlepší pětiminutová segmentace • 1190 segmentů s fibrilaci síní • 2390 segmentů s normálním srdečním rytmem • Použit Mann-Whitney U-test pro posouzení příznaků • 24 příznaků signifikantních a pouze 2 nesignifikantní na hladině významnosti p<0,05 • Nejlepší příznaky DFAlong a PcPSD12 • DFAlong • 1,46 ± 0,18 – pro segmenty s fibrilaci síní • 1,61 ± 0,14 – pro segmenty s normálním srdečním rytmem • PcPSD12 • 0,17 ± 0,07 – pro segmenty s fibrilaci síní • 0,12 ± 0,04 – pro segmenty s normálním srdečním rytmem

10. Výsledky klasifikace • Byla vyzkoušena klasifikace dat do dvou tříd v prostředí WEKA • fibrilace síní • normální srdeční činnost • Na základě signifikantních příznaků pomocí rozhodovacího stromu a desetinásobné křížové validace • 92,0 % sensitivita • 92,1 % specificita

11. Grafické rozhraní toolboxu

12. Grafické rozhraní toolboxu

13. Závěr • Nejlepší pětiminutová segmentace • 24 signifikantních příznaků • Nesignifikantní pouze dva příznaky CV a Delta • Lze klasifikovat data obsahující fibrilaci síní od dat s normálním srdečním rytmem s 92,0% sensitivitou a 92,1% specificitou

14. Děkuji za pozornost

15. Jak student rozdělil data na tréninkovou a testovací množinu? • Použil jsem desetinásobnou křížovou validaci • 1/10 testovací data • V testovacích datech stejný poměr dat z obou tříd • Zbytek tréninková data

16. Rád bych viděl tabulku s výsledky sensitivity, specificity a přesnosti pro každý signál zvlášť. • Data jsem bral z globálního pohledu – jako data s fibrilací síní a data s normálním srdečním rytmem • Bylo by možné díky tomu zjistit, zda se nějaký signál daného subjektu statisticky neliší – ovlivnění výsledků • Příklad výsledků pro 5 signálů

17. Student se odkazuje na referenci [7] a [15], je nutné uvést, jakou metodou a jakých výsledků autoři dosáhli • [7] – Nonlinear HRV Analysis May Predict Atrial Fibrilation, 2006 • Článek se zabývá zhodnocením příznaků, které by mohly být použity k identifikaci fibrilace síní • Lineární metody • SDNN, RMSSD, NN50, pNN50 • Nelineární metody • Poincaré plot (PcPSD1, PcPSD2, PcPSD12, pPD2, mPD2) • Metody ve frekvenční oblasti • HF, LF, LF/HF • Příznaky pPD2 a mPD2 z Poincaré plot byly jediné signifikantní na hladině významnosti p<0,05 – mohly by být použity pro klasifikaci • V porovnání s mými výsledky jsem dosáhl signifikantnosti i u některých příznaků lineárních metod a všech nelineárních metod

18. [15] Three Different Algorithm for Identifying Patients Suffering from Atrial Fibrillation during Atrial Fibrillation Free Phases of the ECG, 2007 • Algoritmus 1 – SDSD a Poincaré plot • Algoritmus 2 – spektrum s použitím FFT • Algoritmus 3 – pNN200 a Histogram rozdílů RR intervalů • Dosáhl jsem podobných výsledků • 92,0 % sensitivita • 92,1 % specificita

19. str.33: Student vybral z MIT-AF a MIT-NSR databází 10 záznamů. Jaká byla motivace pro výběr uvedených záznamů v sekci 4.2? "Šikovným" výběrem záznamů lze docílit dobrých výsledků. Navrhuji pracovat vždy s kompletní databází, kdy je zaručeno, že metodu otestujeme i na "nehezkých" signálech (malý odstup šumu od užitečného signálu, krátká doba trvání AF, atd.) • Z každé databáze jsem náhodně vybral 10 záznamů • Segmentací jsem získal dostatečný počet dat pro statistické vyhodnocení • 1190 segmentů s fibrilaci síní • 2390 segmentů s normálním srdečním rytmem

20. str 33: Postrádám vyhodnocení detekce R bodů pomocí Pan-Tompkinse QRS detektoru, např. pomocí přesnosti detekce a falešně negativních detekcí, opět pro každý jednotlivý signál. Detekce R bodů je nejkritičtější částí navržené metodologie • Souhlasím, že jde o důležitou část navržené metodologie • Nešlo spočítat přesnost detekce, neboť anotace databází neobsahovaly informace o přesném umístění R vrcholů • Volbou jiné databáze s lepší anotací by bylo vhodné vyhodnotit přesnost detekce

21. Proč student vybral parametry pro aproximativní entropii m=2, r=0.2? Bylo by užitečné provést evaluaci této míry pro různé hodnoty parametrů. • Většina článků používá tyto parametry • Přímo autor entropie S. Pincus doporučuje tyto parametry • Přibližně pro parametr r=0,2 nabývá entropie maxima