Zpracování a analýza EKG

Zabýváme se všemi oblastmi zpracování signálů EKG od filtrace, detekce a rozměření, až po kompresi a klasifikaci. Věnujeme se analýze vysokofrekvenčního EKG a hodnocení kvality EKG, pro které využíváme mj. data z pohybových senzorů. Zkoumáme možnosti využití nositelných a chytrých zařízení pro monitoraci zdraví a aktivity člověka. To zahrnuje jak výběr a kombinaci vhodných zařízení pro snímání dat, tak analýzu a následnou interpretaci. V rámci této oblasti se snažíme využít potenciál chytrých telefonů jako běžně dostupných zařízení.

Co děláme

Využití chytrých a nositelných zařízení pro monitorování zdraví a aktivity člověka.

V současné době je obecným trendem monitorovat své zdraví a aktivitu během dne pomocí chytrých a nositelných zařízení. Proto se i my zabýváme touto moderní oblastí a snažíme se vytěžit maximum zejména z nejdostupnějšího zařízení, kterým je chytrý telefon. Pomocí chytrého telefonu jsme schopni stanovit tepovou frekvenci třemi různými způsoby (pomocí kamery [Němcová et al. 2017], mikrofonu nebo akcelerometru), saturaci krve kyslíkem i krevní tlak. Dále monitorujeme a klasifikujeme aktivitu člověka snímanou během dne. K tomu využíváme různé senzory v chytrém telefonu nebo specializovaná zařízení – náramkový akcelerometr či komerční chytrý náramek. Zároveň porovnáváme přesnost těchto zařízení a jejich schopnost odlišit jednotlivé aktivity (např. chůzi, běh, stání, sezení, jízdu autem). Pracujeme také na tvorbě robustního krokoměru. Využíváme metody jako je např. vlnková transformace, empirický rozklad nebo metody strojového učení. Naší vizí do budoucnosti je přetavit algoritmy do podoby aplikací pro chytrý telefon. V současné době se věnujeme těmto tématům:

Filtrace a hodnocení kvality signálu EKG

Při dlouhodobém monitorování EKG vzniká obrovské množství dat, které se ukládá a dále analyzuje. Informační obsah signálu se může v odlišných segmentech značně lišit. Signály EKG mohou být kontaminovány nejrůznějšími artefakty technického nebo biologického charakteru (svalovým rušením, pohybem subjektu, dýcháním, pocením, špatným kontaktem elektrody a také okolní elektronikou), které znesnadňují stanovení diagnózy. Znalost kvality signálu můžeme využít k předzpracování a analýze různých částí EKG cíleně tak, abychom maximalizovali informační výtěžnost. Pro hodnocení kvality využíváme pokročilých metod filtrace založené na vlnkové transformaci s wienerovským filtrem [Smital et al. 2013], adaptivního prahování, spojitého odhadu poměru výkonu signálu a šumu a segmentace signálu do různých tříd kvality. V současné době pracujeme na optimalizaci a zdokonalování těchto metod a vývoji nových algoritmů pro ještě účinnější hodnocení kvality signálů EKG.

Analýza a klasifikace EKG

V rámci analýzy EKG využíváme vlastní sofistikovaný detektor komplexů QRS [Smíšek et al. 2017], který kombinuje tři dílčí detektory založené na fázorové transformaci, spojité vlnkové transformaci a Stockwellově transformaci. Pro podrobnější analýzu potom využíváme dva rozměřovací algoritmy založené na vlnkové transformaci [Hejč et al. 2015], [Vítek et al. 2009]. K tomu, aby bylo možné správně stanovit klinickou diagnózu z EKG záznamu, je nutné nejprve provést klasifikaci jednotlivých srdečních cyklů a rytmů zachycených v záznamu. Kvůli velkému objemu dat, zejména u dlouhodobého snímání EKG, není možné tuto analýzu provádět pouze manuálně a je nutné použít automatických klasifikačních metod. V současné době ale stále neexistují takové algoritmy a softwary, které by dokázaly záznam bezchybně vyhodnotit. Náš tým se nyní věnuje například detekci vlny P [Maršánová et al. 2018]. Informace o pozicích vln P mohou usnadnit klasifikaci velkého množství patologií (AV blokáda 2. a 3. stupně, komorové extrasystoly, fibrilace síní, supraventrikulární tachykardie). Dále se věnujeme vývoji nových algoritmů pro detekci blokád Tawarových ramének. V rámci našeho výzkumu jsme také vytvořili anotace vln P k databázi MIT-BIH Arrhythmia [Physionet] a nové anotace a doporučení k databázi CSE [Maršánová et al. 2016].

Komprese EKG

Ztrátová komprese signálu EKG snižuje objem dat. To vede k jejich efektivnější archivaci a rychlejšímu a energeticky méně náročnému přenosu. Tyto vlastnosti jsou výhodné zejména v oblasti telemedicíny, kde se používají mobilní záznamníky EKG. Pro kompresi využíváme vlnkovou transformaci a algoritmus SPIHT [Hrubeš et al. 2008] a vyvíjíme nový algoritmus založený na fraktálech. Nedílnou součástí komprese je také hodnocení kvality signálu po kompresi a následné rekonstrukci. I na tomto poli jsme vyvinuli několik nových metod (např. založené na rozměření EKG nebo dynamickém borcení časové osy) [Němcová et al. 2018] a navrhli kombinaci již publikovaných metod pro komplexní náhled na signál.

 

Sledujte nás

Na sociálních sítích pravidelně informujeme o našich vzdělávacích aktivitách. Nezapomínáme ani na žhavé novinky z oboru či zajímavé pracovní pozice v biomedicíně.

Podpora talentů

Podporujeme nadané studenty a začínající vědce. Zapojit se můžete i vy. Ať už finančním darem či podporou vzdělávacích aktivit v oblasti přírodních věd a biomedicínského inženýrství.