ELEKTROKARDIOGRAFISK DIAGNOSTICERING

Transkript

1 ELEKTROKARDIOGRAFISK DIAGNOSTICERING AF PAROXYSMAL ATRIEFLIMREN BJARKE SKOGSTAD LARSEN BIOMEDICAL ENGINEERING AALBORG UNIVERSITET

2

3 The Faculty of Engineering, Science and Medicine Department of Health Science and Technology Fredrik Bajers Vej 7D, DK-9220 Aalborg Øst Telefon Fax Synopsis: Titel: Elektrokardiografisk diagnosticering af paroxysmal atrieflimren Semester: 2. semester af Masteruddannelsen for Sundhedsteknologi Tema: Analyse og modellering og/eller design og implementering af medicinske, fysiologiske eller teknologiske systemer. Projektperiode: 1. september 2010 til 5. september 2011 Projektgruppe: Bjarke Skogstad Larsen Vejledere: Claus Graff Oplagstal: 5 Sidetal: 102 Afsluttet: 28. august 2011 Atrieflimren (AF) er en degenerativ sygdom, der bliver sværere at modvirke, som den forværres. Tidligt stadie af AF består typisk i korte selvafsluttende episoder af AF dette kaldes paroxysmal atrieflimren (PAF). AF er særdeles svær at diagnosticere på dette stadie, da det kun opstår som korte og selvafsluttende episoder. Målet for dette projekt var at undersøge mulige parametre til diagnosticering af PAF ud fra korte EKGoptagelser. Data blev hentet fra PhysioNets [1] atrieflimren database, hvorfra 16 forsøgspersoner blev tilfældigt udvalgt; 8 med dokumenteret PAF (P-gruppen) og 8 uden dokumenteret PAF (N-gruppen). Kun én optagelse fra hver af de 16 forsøgspersoner blev inkluderet. 3 minutter fra hver optagelse blev annoteret med Pon, Ppeak, Poff, Qon, og 30 minutter fra hver optagelse blev annoteret med R. Til dette formål blev et program, ECGLab, udviklet, hvormed semiautomatisk annotering blev effektiviseret. Herefter blev følgende parametre til diagnosticering af PAF ud fra korte EKG-optagelser undersøgt: P-bølgens varighed, PR interval, varighed af første og anden del af P-bølgen, ujævnhed af P-bølgen, ensartetheden af P-bølgerne, samt antallet af præmature hjerteslag af supraventrikulær oprindelse (PAC) og ventrikulær oprindelse (PVC). Antallet af PVC var signifikant forskellige mellem de to grupper ved en tosidet t-test med konfidensinterval på 95 %. De resterende parametre viste ved samme test ingen signifikant forskel mellem de to grupper. Ved ROC blev det optimale threshold for antal PVC bestemt til 0,5, og med dette threshold blev 15 af 16 forsøgspersoner korrekt klassificeret (93,75 %). Resultaterne viser at personer med dokumenteret PAF har en øget frekvens af PVC selv langt fra AF episoder. Øget og kaotisk aktivering af atrierne, der nogle gange fører til aktivering af AV knuden, kan ligge til grund herfor. Nogle personer med dokumenteret PAF havde desuden i størrelsesordnen gange flere PAC end andre personer, men dette var ikke en generel observation for alle gruppens forsøgspersoner. Resultater er dog kun baseret på 16 forsøgspersoner, hvorfor yderligere undersøgelser er nødvendige for at verificere eller afvise dem. Endvidere har ECGLab vist sig at have potentiale til brug i anden forskning, hvor annotering af EKG-optagelser er nødvendig. Rapportens indhold er frit tilgængeligt, men offentliggørelse (med kildeangivelse) må kun ske efter aftale med forfatteren.

4

5 FORORD Denne rapport er udarbejdet af Bjarke Skogstad Larsen på 2. semester af Masteruddannelsen for Sundhedsteknologi på Institut for Sundhedsvidenskab og Teknologi indenfor specialiseringen Medicinske Signaler på Aalborg Universitet. Projektet er udarbejdet i perioden 1. september 2010 til 5. september Rapporten henvender sig til vejledere, medstuderende og andre med interesse i paroxysmal atrieflimren og diagnosticering heraf. Illustrationen på forsiden stammer fra Bjarke Skogstad Larsen

6 INDHOLDSFORTEGNELSE 1 Introduktion Atrieflimren Klassificering Patofysiologi Diagnosticering Behandling Erfaringer fra tidligere studier Krstacic et al Lynn et al Yang et al Schreier et al Zong et al Langley et al Opsummering Problemformulering Parametre P-bølgens timing og varighed P-bølgens ujævnhed P-bølge ensartethed Udledning af gennemsnits P-bølgen Hyppighed af præmature hjerteslag Klassificering af QRS Data Læringssæt Testsæt ECGLab Kravspecifikation Funktionelle krav Ikke-funktionelle krav Løsningsmål Interface gennemgang... 34

7 7.2.1 Menuen Files Menuen Annotation Statuslinien Signalvisning Interfacefunktionaliteter Åbn signal Åbn annotering Vælg afledning Autodetektér Vælg annoteringer Naviger i signal Tilføj annoteringer Fjern annotering Gem annotering Markér område med dårlig signalkvalitet Fjern markering af område med dårlig signalkvalitet Gem annotering som ny fil Luk annotering Luk signal Afslut ECGLab Dialog: Ugemte annoteringer Design Struktur Klasserne Filter Detekteringsalgoritme Resultater Dataudvælgelse og -annotering P-bølgens varighed Varighed af første del af P-bølgen Varighed af anden del af P-bølgen PR interval P-bølgens ujævnhed P-bølgens ensartethed #PAC #PVC Diskussion Konklusion... 81

8 11 Appendiks Matlab: Filter for baseline drift Matlab: Lavpasfilter Matlab: Detektionsalgoritme for R Matlab: Kurvelængdetransformation Matlab: Class: ECGLabWindow Matlab: Class: ECGLabAnnotation Matlab: Class: ECGLabSignal Referencer... 95

9 KAPITEL 1 1 INTRODUKTION Atrieflimren (AF) er den mest almindelige hjertearytmi og er associeret med øget morbiditet af blandt andet slagtilfælde og tromboembolisme. Som oftest er AF en degenerativ sygdom, der primært rammer ældre ofte i forbindelse med andre lidelser som hypertension, hjerteklapfejl, forsnævring af kranspulsårer, diabetes og lungesygdomme. [2, 3] Prævalensen af AF estimeres til 1 % af den generelle befolkning og viser et stærkt tilhørsforhold til alder; livstidsrisiko for at udvikle AF er ca. 25 % for både mænd og kvinder over 40 år. Figur 1 viser sammenhængen mellem paroxysmal AF, persisterende AF og alder. [2, 3] Med en stigende gennemsnitsalder, samt forbedrede behandlingsmuligheder og dermed bedre overlevelses chance efter myokardieinfarkt og hjertesvigt, udgør AF i dag en større trussel mod befolkningssundhed end hidtil. [3] Det estimeres pr. 2007, at ca. 2,5 millioner amerikanere lider af AF. Prævalensen forventes at fordobles over de næste 20 år og tredobles over de næste 30 år. [2, 3] Prævalens Paroxysmal AF Persisterende AF Alder [År] Figur 1 Sammenhæng mellem paroxysmal AF, persisterende AF og alder. Både antallet af personer med PAF og persisterende AF stiger med alderen. Andelen af personer med persisterende AF stiger dog i forhold til antallet af personer med PAF, hvilket også afspejler at PAF er det initierende stadie af AF. Modificeret fra [4]. Således har omkostninger været støt stigende de seneste årtier og udviklingen forventes at fortsætte. Eksempelvis steg de direkte omkostninger for AF i Storbritannien fra 244 millioner i 1995 til 459 millioner i Dette svarer til 0,62 % af udgifterne for National Health Service (NHS) i 1995 og 0,97 % i [3] AF resulterer i højfrekvent asynkron elektrisk aktivering af atrierne på mellem 300 og 600 slag i minuttet, hvilket fører til tab af atriel sammentrækningsevne og dermed nedsat atriel funktionalitet Figur 2 viser, hvordan AF repræsenteres på et EKG-signal i forhold til normal hjerterytme. Ubehandlet kan den øgede atrielle aktivitet føre til en øget ventrikulær aktivitet, hvorfor den resulterende takykardi kan medføre nedsat ventrikulær funktion og dermed øget risiko for hjertestop. AF alene øger risikoen for hjerteinfarkt fem til syv gange, og risikoen for at dø fordobles. [2, 5]

10 Kapitel 1 Introduktion Normal Atrieflimren Figur 2 Øverst vises et normalt EKG-signal og nederst et EKG-signal under AF episode. Som det ses, optræder der ingen reel P-bølge på EKG-signalet under AF, da atrierne ikke har en koordineret sammentrækning i denne periode. Endvidere kan ses højfrekvente lav amplitude udsving generelt på EKG-signalet, der afspejler ukoordineret elektrisk aktivering af atrierne. AF inddeles i tre stadier: [2] Paroxysmal atrieflimren (PAF) Persisterende atrieflimren Permanent atrieflimren Den kliniske udvikling af AF starter med kortvarige selvafsluttende episoder paroxysmal atrieflimren. Dette kan udvikle sig til længerevarende episoder, hvor hjertet ikke vender tilbage til normal sinusfunktion uden indgriben persisterende atrieflimren. Det sidste stadie permanent atrieflimren består af vedvarende AF, der ikke er afsluttet indenfor 1 år på trods af indgriben, eller hvor indgriben fravælges. [2] Det er velkendt, at sygdomsforløbet for AF udvikler sig fra paroxysmal til persisterende og til sidst permanent AF. [4] Udviklingen fra paroxysmal til persisterende til permanent AF involverer kompleks remodellering af den elektriske funktion og struktur af de individuelle atrielle myocytter, samt strukturelle ændringer af forkamrene. De elektriske ændringer sker hurtigt og kan indledningsvis repareres, mens de strukturelle ændringer tager længere tid og ligeledes er langsommere at reparere dette er illustreret i Figur 3. [2] 2

11 Kapitel 1 Introduktion Remodelleringsgrad Elektrisk remodellering Strukturel remodellering er Reversibilitet Paroxysmal Atrieflimren Persisterende Atrieflimren Permanent Atrieflimren Figur 3 Den elektriske remodellering af atrierne forekommer tidligt i forløbet og er nemmere at reparere end den langsommere strukturelle remodellering. Det vil sige, at under PAF stadiet har der kun været let strukturel remodellering og en relativ større andel elektrisk remodellering end i de senere stadier. Dette betyder også at reversibiliteten af remodelleringen falder som PAF udvikles til persisterende og permanent AF. Patienter, der lider af PAF, er grundlæggende forskellige fra dem, der lider af persisterende eller permanent AF; de er yngre og sandsynligvis fri for strukturelle hjertesygdomme. To årsager ligger til grund herfor. (1) Patienter med PAF kan have specifikke mekanismer til grund for AF, der ikke kræver den mere diffuse atrielle myopati og/eller forstyrrelse af den atrielle elektrofysiologi, der går forud for de mere vedholdende former for arytmien. (2) PAF kan repræsentere den initierende form af AF, der over tid degenerer til persisterende eller permanent AF. Dette betyder, at risikovurdering af disse patienter er markant anderledes. [4] En tidligere diagnosticering af AF det vil sige i PAF stadiet vil således muliggøre, at igangsætte behandling inden betydelige strukturelle ændringer, der er sværere at modvirke end de tidlige elektriske ændringer, har fundet sted. En tidlig diagnosticering er dog betydelig sværere, da episoder af AF hos PAF patienter er pludseligt opstående og selvafsluttende. Nuværende diagnosticeringsmuligheder består i langtidsmålinger af EKG, f.eks. Holter. Ved at lave langtidsmålinger forsøges herved at opfange de pludseligt opstående og selvafsluttende episoder af AF. Det er endnu ikke muligt at diagnosticere PAF udenfor episoder af AF, og derfor er de længerevarende EKG-optagelser nødvendige. Hvis parametre til diagnosticering af PAF udenfor episoder af AF kunne bestemmes, ville dette muliggøre en nemmere diagnosticering af PAF f.eks. ved analyse af en kortvarig EKG-optagelse. En sådan diagnosticeringsmetode vil muliggøre screening for PAF, og derved igangsættelse af behandlingsforløb inden sygdommen degenererer til persisterende eller permanente stadier. Desuden vil non-invasiv screening gøre det muligt, at bestemme for hver patient om mere specifikke og komplekse diagnosticeringsmetoder skal tages i brug. Således kan det initierende problem formuleres: Hvordan kan diagnosticering af PAF ved analyse af kortvarige EKG-optagelser muliggøres? 3

12

13 KAPITEL 2 2 ATRIEFLIMREN 2.1 Klassificering AF kan klassificeres i tre stadier baseret på det tidsmæssige forløb af arytmien. Det første stadie kaldes paroxysmal atrieflimren (PAF), hvor atrieflimren opstår spontant og er som regel selvafsluttende inden for syv dage. Persisterende atrieflimren er det andet stadie, hvor arytmien er vedvarende og kræver elektrisk eller farmakologisk indgriben for at standse AF. Det sidste stadie kaldes permanent atrieflimren, hvor AF varer længere end 1 år og ikke kan afsluttes ved indgriben, eller hvor indgriben vælges fra. [2] Ydermere kan AF klassificeres på baggrund af ætiologi. AF som forekommer med ætiologi, såsom akut myokardieinfarkt, hjertekirurgi, pericarditis, myocarditis, hyperthyroidisme, lungeemboli, lungebetændelse eller andre akutte pulmonale lidelser, klassificeres som sekundær AF. [6] I disse tilfælde er AF ikke det primære problem, og derfor vil behandlingen af den underliggende sygdom som regel også stoppe arytmien uden risiko for tilbagefald. Når AF forekommer uden identificerbar ætiologi hos patienter under 60 år med en strukturelt normal hjerte, og hverken i besiddelse af kliniske eller ekkokardiografiske tegn på kardiopulmonale sygdomme, herunder hypertension, klassificeres det som Lone AF. Disse patienter har god prognose med hensyn til tromboemboli og mortalitet. Over tid kan patienter dog bevæge sig ud af Lone AF kategorien, som følge af aldring eller udvikling af abnormaliteter i hjertet, såsom udvidelsen af det venstre forkammer. Herved stiger risikoen for tromboemboli og mortalitet. Mens Lone AF udgør omkring 15 % af alle AF tilfælde, ligger sekundær AF til grund for de fleste tilfælde af persisterende og permanent AF. [6] Det anslås at ca. 90 % af personer med Lone AF kan kategoriseres som PAF. [5] 2.2 Patofysiologi Patogenesen af AF involvere en initierende udløsende faktor (trigger), ofte i form af ektopiske pacemaker aktivitet fra ektopiske foci, og unormal atriel væv, som er i stand til at opretholde arytmien. Ektopiske foci er områder i hjertet, der forårsager et tidligt hjerteslag (præmature hjerteslag) uden for en normal fungerende SA node. [2] Ektopiske foci pacemakeraktiviteter, der ofte ligger i det muskelvæv, der strækker fra venstre atrium til proksimale dele af de pulmonale vener, spiller en afgørende rolle i forbindelse med initiering af AF. Mindre hyppigt kan initiering af AF skyldes ektopisk aktivitet i muskelvæv i den proksimale del af vena cava superior. [7] Bølgerne fra den ektopiske aktivitet kan udbrede sig og kolliderer med normal elektrisk aktivitet i atrierne, hvilket fører til interferens og flere bølger af elektrisk aktivering i atrierne, der initierer AF, se Figur 4. Selvom de pulmonale veners ektopiske rolle er velkendt, så er de underliggende faktorer mindre klare. [6]

14 Kapitel 2 Atrieflimren Figur 4 (A) Normal sinusrytme. Hjerteslaget er én velkoordineret proces, der begynder i SA knuden (1). Det elektriske signal spredes ud over atrierne (2) og via AV knuden (3) til ventriklerne (4). (B) Atrieflimren. Atrierne er under konstant kaotisk aktivering af flere forskellige elektriske signaler og aktiveres med en frekvens mellem 300 og 600 slag per minut (1). AV knuden (2) frafiltrerer de fleste af disse ekstra aktiveringer, men nogle slag når stadig ventriklerne. [5] 2.3 Diagnosticering Mange symptomer forbundet med AF skyldes hurtig hjerterytme. En normal hvilepuls er 60 til 100 slag per minut. Under en episode af AF, opstår høj asynkron atrial elektrisk aktivering af atrierne med op mod slag i minuttet, hvilket betyder tab af atrial sammentrækningsevne. Den øgede atrielle aktivering kan forhøje den ventrikulære frekvens, hvor den heraf følgende takykardi-medierede kardiomyopati kan udløse ventrikulær dysfunktion og hjertesvigt. Herudover kan de hæmodynamiske ændringer, som ledsager udvikling af hjertesvigt, øge forekomsten af AF. [2, 5] Ineffektiv fyldning af ventriklerne fører også til mange symptomer af atrieflimren. Patienter oplever ofte åndenød, brystsmerter, træthed, nedsat evne til at udøve fysisk aktivitet, samt svimmelhed. Når AF er alvorlig, kan forvirring og besvimelse forekomme. Atrieflimren er ofte først diagnosticeret af lægen ved at lytte til hjertet. Diagnosen kan herefter bekræftes ved elektrokardiogram (EKG), som tager målinger af den elektriske aktivitet i hjertet. Indimellem kan ekkokardiografi af hjertet til visualisering være nødvendig for bedre diagnosticering. [6] For PAF, hvor episoder forekommer periodiske og kun vare nogle få sekunder eller minutter, kan patienter bære en transportabel, kontinuerlig EKG optager i nogle dage for diagnosticering dette kaldes for Holter monitorering. En lignende enhed, kaldet en event overvåger, tager kun EKG optagelser, når patienten får symptomer og trykker på en knap. En event overvåger kan bæres i flere måneder. [6] 2.4 Behandling AF associeres med tre potentielt livstruende komplikationer: apopleksi, myokardie infarkt og nedsat cardiac output. [4, 6] Risikoen for apoleksi og myokardie resultater fra blodansamling i atrierne i løbet af AF. Dette kan medføre dannelse af blodpropper, der kan løsrives og sætte sig i hjernen og hjertets muskulatur. Vedvarende eller permanent AF kræver behandling med blodfortyndende medicin for at reducere denne risiko. [7] Nedsat cardiac output betyder, at der ikke pumpes nok iltet blod til kroppens celler, hvilket medfører nekrose. Hvis symptomer hos patienter med PAF forværres, kan antiarytmetisk medicin, der sænker pulsen, ordineres. [7] Den sænkede pulsen giver ventriklerne mere tid til at fyldes med blod, og leder derfor til en øget cardiac output. Antiarytmika til behandling af AF har vist at have moderat effekt, og har tilknyttet høj risiko for livstruende ventrikulær proarytmi. [7] Der er 6

15 Kapitel 2 Atrieflimren også behandlingsmuligheder for AF, som ikke indebærer brug af medicin, hvoraf den mest brugte er elektrisk kardioversion. Dette er en procedure, der forsøger at omdanne unormal hjerterytme til normal med en kontrolleret elektrisk strøm, der passeres gennem hjertet. Disse metoder håndterer symptomer på AF, men behandler ikke den underliggende arytmi. På grund af den øgede anerkendelse af risici i forbindelse med AF, har der i de senere år også været en øget indsats for bedre at forstå AF og til at udvikle sikrere og mere effektive diagnosticeringsog behandlingsmuligheder. [2, 8] På grund af den uregelmæssige og selvafsluttende karakter af PAF, kræves for mange af disse patienter ikke nogen behandling. Dette gælder især, hvis patienten ikke oplever svære symptomer. Patienterne rådes dog til at mindske stress, samt indtagelse af koffein, alkohol og nikotin. Mere end halvdelen af patienter med PAF oplever stress som den største udløsende faktor for episoder af AF. Højt blodtryk kan også have en udløsende effekt for AF, hvorfor det er vigtig at få under kontrol. [6, 7] 7

16

17 KAPITEL 3 3 ERFARINGER FRA TIDLIGERE STUDIER The Computers in Cardiology Challenge 2001 [9] bestod af to dele; ved analyse af EKGsignaler der ikke indeholder AF episoder: (1) at kunne skelne mellem patienter der har risiko for PAF, og patienter der ikke har risiko for PAF, (2) at kunne forudsige AF episoder hos PAF patienter umiddelbart før de forekommer. Dette projekt tager kun den første del af udfordringen i betragtning; screening for PAF, jævnfør den initierende problemformulering i kapitel 1. En database ( blev til formålet oprettet i PhysioNet [1], bestående af 100 forsøgspersoner hvoraf 53 havde dokumenteret PAF og 47 ikke havde dokumenteret PAF. Data fra denne database beskrives nærmere i kapitel 6. Denne udfordring og den fælles åbne database gav anledning til øget forskningsaktivitet indenfor området, og umiddelbart også en række mulige fremgangsmåder. 3.1 Krstacic et al. En relativ simpel metode, der benytter maksimal ratio af kort og lang på hinanden følgende RR intervaller, blev forsøgt af [10], se Figur 5. Threshold blev sat til 2; hvis et RR interval er mindst 2 gange længere end det foregående RR interval, anses patienten for at have risiko for PAF. Resultatet af denne metode var høj sensitivitet (ca. 90 %), men en lav specificitet (ca. 60 %). Det lykkedes kun at opnå en korrekt klassificering på 30 ud af 50 forsøgspersoner for testgruppen, eller 60 %. RR interval ratio 1 Figur 5 Illustrationen viser metoden anvendt i [10]. Øverst vises et EKG-signal af en varierende hjerterytme, samt en ekstrasystole og herunder er QRS komplekser identificeret og vist med én prik for hvert slag. Nederst vises RR interval for hvert par af på hinanden følgende RR intervaller. Metoden bestemmer således alle RR interval ratioer og udvælger den maksimale, der i dette eksempel er markeret med fed. Som resultatet også afspejler, så synes den afprøvede parameter at være utilstrækkelig. Da det ikke er ualmindeligt at selv raske patienter til tider har præmature sammentrækninger af hjertets kamre præmatur atriel kontraktion (PAC) og præmatur ventrikulær kontraktion (PVC) er dette ikke overraskende. I denne undersøgelse skelnes der dog ikke mellem PVC og præmature hjerteslag grundet PAC. Metoden opnår nogen separation af de to grupper i testen, hvilket også afspejler andre undersøgelsers fund, at AF/PAF patienter ofte har præmature hjerteslag.

18 Kapitel 3 Erfaringer fra tidligere studier 3.2 Lynn et al. En mere kompleks metode [11] bestod i at identificere alle hjerteslag og transformere RR intervallerne til et HRV-signal (Heart Rate Variability signal). Herefter blev der lavet to Poincaré plot: ét for HRV-signalet (return map) og ét for det differentierede HRV-signal (difference map), se Figur Figur 6 Til venstre er Poincaré plot for HRV-signalet (return map) og til højre Poincaré plot for det differentierede HRV-signal (difference map). Der laves sådan to plot for hvert subjekt. Modificeret fra [11]. For at lave en feature vektor konstrueredes først en matrice for hvert af de to plot: Return plot blev inddelt i 60x60 områder i intervallet [30-230] for begge akser Figur 7 illustrerer denne inddeling. Antallet af punkter indenfor hvert af disse områder er værdien for det tilsvarende indeks i matricen. Difference map blev inddelt i 70x70 området i intervallet [ ] for begge akser hvorudfra en matrice blev konstrueret med samme fremgangsmåde. Matricerne blev omformet til henholdsvis 3600x1 og 4900x1 vektorer, hvilket er de to feature vektorer, der benyttes til klassificering. 60 kolonner rækker Figur 7 Return plot fra Figur 6 inddeles i en 60x60 matrice i intervallet Antallet af punkter indenfor hvert af disse områder er værdien for det tilsvarende indeks i matricen. Sådanne to vektorer blev beregnet for hvert subjekt i læringssættet. Ligeledes blev disse to feature vektorer beregnet for hvert subjekt i testsættet, og de 5 nærmeste vektorer i læringssættet blev identificeret. Flertallet af de 5 vektorer tilhørende den ene eller anden gruppe bestemte således hvilken gruppe hvert subjekt i testsættet tilhører. Resultatet af denne metode var en korrekt klassificering af 34 ud af 50 forsøgspersoner, eller 68 %. Resultaterne viser, at der er nogen sammenhæng mellem HRV og PAF, idet en rimelig separation af grupperne opnåedes på baggrund af denne parameter. Endvidere benytter artiklen sig af en interessant vægtning af k nærmeste feature vektorer baseret på afstanden til disse vektorer. Med denne vægtning opnåedes et bedre resultat, og på baggrund af det tilhørende konfidensinterval kan det besluttes om resultatet accepteres, eller om andre metoder skal tages i brug. 10

19 Kapitel 3 Erfaringer fra tidligere studier 3.3 Yang et al. En dynamisk analyse af RR intervaller blev foreslået af [12], kaldet Footprint analysis, hvor ændring af RR intervaller blev inddelt i 3 tilstande: forkortelse, ingen ændring, og forlængelse. Kun ændringer større end 50 ms blev anset for forkortelse eller forlængelse, og mindre ændringer blev anset for ingen ændring. Herefter blev hvert syv på hinanden følgende RR intervaller kodet til en sekvens af seks tilstande (ændringer af RR intervaller), således at der opnås 3 6 (729) mulige kombinationer, se Figur 8. Figur 8 (A) 30 minutter plot af RR intervaller med 1 min. udsnit nedenfor. (B) RR intervaller kodes til sekvenser af seks intervalændringer. Tilstande er simplificeret til tre: ingen ændring (0), forkortelse (1), forlængelse (2). (C) Et histogram der viser frekvensen af hver sekvens for et 30 minutter signal. [12] 11

20 Kapitel 3 Erfaringer fra tidligere studier Til klassificering blev der brugt footprint analysis. Inden da blev det optimale cut-off niveau bestemt til at være 0,006 ved at anvende ROC (Receiver Operating Characteristic) kurve, se Figur 9B. Gennem denne algoritme opnåedes en korrekt klassificering på 66 %. Figur 9 (A) Frekvensforskellen for hver sekvens mellem PAF- og kontrolgruppen. En højere værdi betyder en større sandsynlighed for at tilhørende sekvens optræder i et PAF subjekt. (B) ROC kurve. Det bedste cut-off niveau er 0,006, med en sensitivitet på 0,72 og en specificitet på 0,76. [12] Metoden ligner en simplificeret udgave af [11], der blev gennemgået ovenfor. Begge metoder bruger RR intervaller som parameter. Forskellen mellem de to metoder ligger i detaljegraden af parametrene samt klassificeringsmetoden. Mens [11] bruger 60 inddelinger af RR intervalændringer, har [12] simplificeret dette til kun tre inddelinger. På trods af dette opnår [12] næsten lige så godt resultat som [11], hvilket indikerer at den ekstra præcision af RR interval ændringer ikke indeholder yderligere information til diagnosticering af PAF. 12

21 Kapitel 3 Erfaringer fra tidligere studier 3.4 Schreier et al. En algoritme, der benytter P-bølge morfologi som parameter, blev udviklet af [13]. QRS komplekser blev identificeret og klassificeret som enten normale hjerteslag eller præmature hjerteslag grundet PAC. Desuden blev en repræsentativ P-bølge konstrueret ud fra gennemsnittet af alle P-bølger fra normale hjerteslag. Herefter blev korrelationskoefficienten mellem hver P-bølge og gennemsnits P-bølgen bestemt, se Figur 10. Figur 10 Et 10 sekunder udsnit af et EKG-signal med afledning I og II vist, samt den beregnede korrelationskoefficient mellem gennemsnits P-bølgen og P-bølgen for hvert hjerteslag. Som det ses, består hjerteslag nr. 515 af et PAC efterfulgt af et normalt QRS-kompleks. P-bølgen for dette slag har en meget lavere korrelationskoefficient end de andre hjerteslag (ca. 55 %). [13] Klassificering skete gennem en nonparametrisk U-test på de to grupper af korrelationskoefficienter (fra henholdsvis normale hjerteslag og præmature hjerteslag af supraventrikulær oprindelse). Sandsynligheden, p værdien, for at de stammer fra samme gruppe blev brugt som parameter til screening for PAF. Metoden opnåede det bedste resultat blandt de indsendte i Computer in Cardiology Challenge 2001 [9]: 41 ud af 50, eller 82 %. Dog bør det nævnes, at denne metode udnyttede at data er parret, og derfor kan det gode resultat tænkes at skyldes ændret P-bølge morfologi umiddelbart før en AF episode (det ene af to signaler for hvert par er umiddelbart før en PAF episode) frem for en generel ændret P-bølge morfologi til alle tider for PAF patienter. Resultatet viser dog en sammenhæng mellem PAF og hyppigheden af PAC, samt ændret P-bølge morfologi. Det ville være interessant at anvende en tilsvarende metode udelukkende på data langt fra AF episoder for at se om lige så gode resultater kan opnås. 13

22 Kapitel 3 Erfaringer fra tidligere studier 3.5 Zong et al. En metode der tog frekvensen af PAC i betragtning var [14]. QRS komplekser blev automatisk detekteret, og PAC blev identificeret ved at sammenligne varighed, amplitude og areal under kurven for QRS komplekser der kom mindst 15 % for tidligt. Som det ses af Figur 11, optræder både PAC og PVC for tidligt, men kun QRS komplekset fra PAC ligner dem fra de almindelige hjerteslag. QRS komplekser fra PVC er typisk af højere amplitude og længere varighed, og dermed også et større areal under kurven. PAC PVC Figur 11 Et EKG-signal med ét PAC og ét PVC. Mens QRS komplekset fra PAC ligner dem fra de almindelige hjerteslag, så har QRS komplekset fra PVC en større amplitude og er af længere varighed. Når alle PAC var annoteret, blev der foretaget en vægtet sum af dem, således at PAC mod slutningen af signalet favoriseredes, se Figur 12. Figur 12 Vægtning foretages således at senere PAC favoriseres; flere PAC senere i signalet betyder højere sandsynlighed for PAF. Kun de sidste 10 minutter af signalet tages i betragtning. Til sidst blev signalerne parvis testet mod et threshold, og hvis bare én af dem overskred denne værdi, blev begge klassificeret som PAF. Metoden fik den anden højeste score i Computer in Cardiology Challenge 2001 [9]: 40 ud af 50 forsøgspersoner blev korrekt klassificeret, eller 80 %. Vægtning blev foretaget, idet PAC optræder med større hyppighed forud for AF. Af data vides på forhånd at AF episoder (hvis de optræder) kommer umiddelbart efter signalets afslutning, og således var det med denne viden naturligt at vægte senere PAC højere end tidligere. Under normale forhold vides dog ikke, i forbindelse med screening, hvornår AF forekommer (hvis de opstår), hvorfor en sådan vægtning ikke kan anvendes. Metoden viser dog en stærk sammenhæng mellem PAC og PAF, og resultaterne fra forudsigelse af AF episoder på baggrund af PAC opnåede også den højeste score, 79 %. Det ville være interessant, at undersøge om der er en højere hyppighed af PAC hos patienter med PAF selv langt fra AF episoder. 14

23 Kapitel 3 Erfaringer fra tidligere studier 3.6 Langley et al. En anden metode, der også benyttede ektopiske hjerteslag til klassificering af PAF, var [15] der opnåede en korrekt klassificering af PAF på kun 60 %. Den store forskel i resultaterne for denne metode og [14], der også benytter frekvensen PAC til klassificering af PAF, kan skyldes en ringe detektering af PAC i [14], som de selv nævner. Identificering af PAC foretages ved at vurdere RR intervallet i stedet for at vurdere korrelationskoefficienten for QRS komplekset med et normalt hjerteslag som [14]. Desuden benytter metoden sig ikke af vægtning og viden om fremtidige AF episoder som [14], hvilket også kan have indflydelse på forskellen. Dog skal det nævnes, at [14] opnåede 79 % korrekt klassificering af signaler, der var umiddelbart forud for AF episoder selv uden vægtning, mens [15] kun opnåede 61 %. Med dette taget i betragtning er det sandsynligt, at der har været en væsentlig forskel i detektering af PAC mellem de to artikler. 3.7 Opsummering Samlet set ser der ud til at være en veldokumenteret sammenhæng mellem PAF og øget frekvens af PAC. Det er dog stadig uklart hvorvidt den øgede frekvens af PAC kun forekommer umiddelbart før AF episoder, eller om personer med PAF har en generel højere frekvens af PAC i forhold til raske personer selv i tider langt fra AF episoder. De bedste resultater fra ovenstående undersøgelser kom fra undersøgelse af RR intervaller og PAC, hvilket også stemmer overens med [16], der undersøgte flere forskellige parametre baseret på RR intervaller, P-bølge morfologi og frekvensindhold. Intuitivt burde der dog være parametre at finde baseret på P-bølge morfologi og timing, og nogle undersøgelser får også rimelige resultater baseret på dette. Ud over at undersøge disse parametre individuelt kunne de også være interessant at samle dem, da det er muligt de indeholder forskellig information om risiko for PAF. 15

24

25 KAPITEL 4 4 PROBLEMFORMULERING På baggrund af ovenstående analyse formuleres følgende problem: Hvilke parametre fra kortvarige EKG-optagelser er indikatorer for PAF. Til at bestemme mulige parametre skal adskillige EKG-optagelser undersøges. I denne forbindelse annoteres karakteristiske punkter: P on, P peak, P off, Q on og R. Mulige parametre for dette projekt afgrænses således til P-bølgen og QRS kompleks. Dette valg er gjort fordi P- bølgen repræsenterer atriernes sammentrækning det kunne tænkes at anormalitet kan findes i atriernes sammentrækning selv udenfor PAF events hos patienter med PAF. QRS kompleks inkluderes på grund af tidligere undersøgelsers succes med brug af RR interval eller forekomsten af PAC som parameter til diagnosticering af PAF. Da en stor mængde data skal annoteres er det nødvendigt med automatisk eller semiautomatiske værktøjer for at lette processen. Algoritmer til automatisk annotering vil dog ikke være uden fejl, og da målet ikke er at udvikle et færdigt diagnosticeringsprogram, men at finde parametre der indikerer PAF, prioriteres validitet af parametrene, og derfor er det vigtigt at data de bygger på er korrekte. Automatisk annotering af EKG-signalerne er dermed i sig selv ikke tilstrækkelig, hvilket betyder at manuelt eller automatisk annotering med efterfølgende inspektion er nødvendig. For nemt at kunne gennemse og rette de mange signaler er det fordelagtigt at udvikle et program for at lette processen. For at svare på problemformuleringen er følgende trin derfor nødvendige: Udvælgelse af parametre Udvælgelse af data (EKG-optagelser) Udvikling af semiautomatisk værktøj til annotering af EKG-optagelser Annotering af EKG-optagelser Statistisk analyse af parametre på baggrund af data

26

27 KAPITEL 5 5 PARAMETRE Efter inspiration fra tidligere undersøgelsers resultater kan parametre, der skal undersøges i dette projekt, bestemmes. I alt undersøges otte forskellige parametre: P-bølgens timing og varighed (herunder fire forskellige parametre), P-bølgens ujævnhed, P-bølgens ensartethed, samt hyppighed af præmature hjerteslag (herunder to forskellige parametre). 5.1 P-bølgens timing og varighed Ved en ukoordineret elektrisk aktivitet af atrierne er det sandsynligt at P-bølgens varighed øges. Det kan tænkes at varigheden øges på flere forskellige måder; en general forlængelse af P- bølgens varighed, forlængelse af den første del af P-bølgen, forlængelse af den sidste den af P- bølgen, eller et tidligere onset af P-bølgen. Ved at undersøge alle disse parametre kan en øget forståelse af PAF muligvis opnås. A B P on P d P 1 P off P on P peak C D P on PR interval Q on P peak P 2 P off Figur 13 (A) P-bølgens varighed, Pd. (B) Varighed af den første del af P-bølgen, P1. (C) Varighed af den anden del af P-bølgen, P2. (D) PR intervallet afspejler timing af P-bølgen i forhold til QRS komplekset. Som det ses af Figur 13 haves følgende ligninger til beregning af parametrene: = = = = Det er nødvendigt at lokalisere P-bølger for hvert subjekt, hvorefter følgende skridt skal foretages for hver af de fire parametre: 1. Identificér endepunkter; P on, P peak, P off, Q on. 2. Beregn varighed; P d, P 1, P 2, PR. 3. Beregn middelværdien af varigheden for hvert subjekt. 4. Opstil middelværdierne i to grupper; P og N. 5. Foretag en tosidet t-test med 95 % konfidensinterval for at teste om middelværdien for parameteren for de to grupper er ens. H 0 : =, H 1 :. 6. Det optimale threshold til klassificering af PAF med denne parameter kan bestemmes ved brug af ROC.

28 Kapitel 5 Parametre 5.2 P-bølgens ujævnhed Ved AF episoder er atriernes elektriske aktivitet ukoordineret, og da den elektriske aktivitet remodelleres tidligt i udviklingen fra paroxysmal til persisterende AF [2], er det sandsynligt, at denne ukoordineret elektriske aktivitet kan findes i P-bølgen på et EKG-signal selv uden for episoder af AF i dette stadie. Hvis dette er tilfældet, kan det give sig til udtryk i form af ujævne P-bølger, se Figur 14 A0 i forhold til B0. A0 B0 A1 B1 A2 B2 Figur 14 (A0) Abnorm P-bølge morfologi. P-bølgen er ujævn, hvilket afspejler den ukoordinerede elektriske aktivitet. (A1) Den differentierede abnorme P-bølge. (A2) Den dobbelt differentierede abnorme P-bølge. (B0) Normal P-bølge. P-bølgen forløber jævnt. (B1) Den differentierede normale P-bølge. (B2) Den dobbelt differentierede normale P-bølge. Blå og røde områder repræsenterer henholdsvis positive og negative accelerationer (A2 og B2). Hvert af disse områder indeholder én krumning af P-bølgen (A0 og B0). Ved at identificere områder med positiv og negativ acceleration af P-bølgen, kan antallet af krumninger på kurven findes, der efterfølgende kan bruges som et indeks for ujævnhed og dermed niveau af ukoordineret aktivitet. Normale P-bølger kan også indeholde ujævnheder, men et højere niveau af ukoordineret elektrisk aktivitet af atrierne burde også resulterer i en større andel af P-bølger med ujævnhed og/eller flere ujævnheder per P-bølge. Følgende skridt foretages for at beregne indekset for ukoordineret aktivitet af atrierne for hvert subjekt: 1. Identificér P-bølgernes endepunkter; P on og P off. 2. Afled den dobbelt differentierede for hver P-bølge. 3. Tæl antallet af positive og negative områder for hver dobbelt differentierede P-bølge. 4. Beregn middelværdien af antallet for hvert subjekt. 5. Opstil middelværdierne i to grupper; P og N. 6. Foretag en tosidet t-test med 95 % konfidensinterval for at teste om middelværdien for parameteren for de to grupper er ens. H 0 : =, H 1 :. 7. Det optimale threshold til klassificering af PAF med denne parameter kan bestemmes ved brug af ROC. 20

29 Kapitel 5 Parametre 5.3 P-bølge ensartethed En ukoordineret aktivitet af atrierne kan tænkes at give sig til udtryk i en forskelligartethed af P-bølgens morfologi fra slag til slag, se Figur 15 A i forhold til B. Ved at undersøge ensartetheden af P-bølgen for den samme patient, kan det undersøges om dette er tilfældet. A B A B Figur 15 (A) Forskelligartet P-bølger har lav korrelationskoefficient med den gennemsnitlige P-bølge, (A ). (B) Ensartede P-bølger har høj korrelationskoefficient med den gennemsnitlige P-bølge (B ) selvom denne ikke ligner en optimal P-bølge. Følgende skridt skal foretages for hvert subjekt for at beregne ensartetheden af P-bølgerne: 1. Identificér P-bølgernes endepunkter; P on og P off. 2. Udled gennemsnits P-bølgen,, se afsnit nedenfor. 3. Beregn korrelationskoefficienten for hver P-bølge med gennemsnits P-bølgen,. 4. Beregn middelværdien af korrelationskoefficienterne for hvert subjekt. 5. Opstil middelværdierne i to grupper; P og N. 6. Foretag en tosidet t-test med 95 % konfidensinterval for at teste om middelværdien for parameteren for de to grupper er ens. H 0 : =, H 1 :. 7. Det optimale threshold til klassificering af PAF med denne parameter kan bestemmes ved brug af ROC. 21

30 Kapitel 5 Parametre Udledning af gennemsnits P-bølgen For at udlede den gennemsnitlige P-bølge skal P-bølgerne først synkroniseres, således at de overlapper hinanden med maksimal korrelation, se Figur Amplitude Tid [ms] Figur 16 Samtlige annoterede P-bølger for optagelse n31 er plottet med maksimal korrelation. Den gennemsnitlige P-bølge er den fede sorte kurve. Følgende proces foretages: 1. Første og anden P-bølge tidsforskydes, således at de har maksimal korrelation, og gennemsnits P-bølgen,, beregnes: = 2. Tredje P-bølge og den ovenfor bestemte gennemsnits P-bølge,, tidsforskydes således at de har maksimal korrelation og en ny gennemsnits P-bølge,, beregnes ved: = 3. Denne proces fortsættes for alle P-bølger med ligningen =, og den endelige gennemsnits P-bølge,, er fundet. 22

31 Kapitel 5 Parametre 5.4 Hyppighed af præmature hjerteslag Tidligere undersøgelser har vist et stærkt sammenhæng mellem PAF og hyppigheden af præmature hjerteslag. Det er dog uvist, om denne øget hyppighed også er til stede lang fra AF episoder. Ved at finde antallet af PAC og PVC for hvert subjekt, kan det undersøges, hvorvidt dette er tilfældet. Følgende skridt er nødvendige for hvert subjekt for både PAC og PVC: 1. Identificér QRS komplekser. 2. Klassificér hvert QRS kompleks til normal, PAC eller PVC, se afsnit nedenfor. 3. Tæl antallet af QRS komplekser samt antallet præmature hjerteslag; PAC og PVC. 4. Beregn ratio af præmature (PAC eller PVC) hjerteslag i forhold til normale hjerteslag. 5. Opstil antallet af præmature (PAC eller PVC) hjerteslag i to grupper; P og N. 6. Foretag en tosidet t-test med 95 % konfidensinterval for at teste om middelværdien for parameteren for de to grupper er ens. H 0 : =, H 1 :. 7. Det optimale threshold til klassificering af PAF med denne parameter kan bestemmes ved brug af ROC Klassificering af QRS Til identificering af PAC og PVC benyttes en semiautomatisk metode. Først identificeres præmature hjerteslag automatisk gennem et adaptivt threshold, der beskrives nedenfor. RR intervallet,, er defineret til = Hvor og er tiden til hjerteslag og 1 henholdsvis. Det adaptive threshold beregnes gennem et moving average af signalet for RR intervallerne, således at threshold, T, til hjerteslag er 80 % af gennemsnittet af de fem foregående hjerteslag til de fem efterfølgende hjerteslag ( =5): 1 = Hvis et RR interval er mindre end dette threshold, klassificeres det som præmaturt (1), og ellers klassificeres det som normalt (0): = 1, h < 0, h Et eksempel på et RR interval signal og tilhørende adaptive threshold kan ses i Figur

32 Kapitel 5 Parametre RR T RR interval [ms] Tid [antal hjerteslag] Figur 17 Eksempelet viser hvordan RR intervallet (den blå kurve) kan variere over tid, hvorfor et adaptivt threshold er nødvendigt. Den røde kurve er det adaptive threshold, T, og gennem dette threshold identificeres tre præmature hjerteslag i figuren mellem hjerteslag nr. 50 og 100. Samtidig undgås falsk positive klassificeringer senere når RR intervallet falder på grund af øget hjerterytme mellem hjerteslag nr. 150 og 300. Efterfølgende klassificering af præmature hjerteslag (hvor =1) til PAC eller PVC foretages manuelt ved inspektion af de detekterede præmature hjerteslag. 24

33 KAPITEL 6 6 DATA Data er hentet fra en PhysioNet [1] database, der blev oprettet i forbindelse med The Computers in Cardiology Challenge 2001 [17] ( Den består af segmentudtræk fra 2- kanals Holter EKG-optagelser og er opdelt i to lige store sæt; et læringssæt og et testsæt. Optagelserne er samplet med 128 Hz med en opløsning på 12 bit. Data kan inddeles i to segmenttyper; (A) og (B) som vist i Figur 18. (A) Ingen PAF events PAF events 30 min. 5 min. Segment umiddelbart før PAF Kontinuationssegment (B) Ingen PAF events 45 min. 30 min. 5 min. 40 min. Segment langt fra PAF Kontinuationssegment Figur 18 Data kan inddeles i to segmenttyper; (A) og (B). Segmenttype (A) er et 30 minutters segment umiddelbart før PAF. Hvis der er et tilhørende 5 minutters kontinuationssegment, så vil dette indeholde PAF events. Segmenttype (B) er et 30 minutters segment langt fra PAF. Der vil ikke være PAF events i et interval på minimum 45 minutter før og efter segmentet, samt i segmentet selv. Hvis der er et tilhørende 5 minutters kontinuationssegment, så vil dette ikke indeholde PAF events. Både lærings- og testsæt består af to grupper; P-gruppen, der består af personer med dokumenteret PAF, og N-gruppen, der består af personer uden dokumenteret PAF. Af de 12 standard afledninger, er afledning II den bedste til studie af atriel aktivitet [18], og på denne baggrund vælges afledning II til videre analyse. 6.1 Læringssæt Læringssættet består af 50 datasæt (angivet her som læringssubjekter), som stammer fra 48 forskellige subjekter. Hver af disse datasæt består af to 30 minutters segmenter og to 5 minutters kontinuationssegmenter. Alle fire segmenter er udtræk fra ét længere, sammenhængende EKG fra samme subjekt. Ud af læringssættet er 25 datasæt (listet i Tabel 1) fra subjekter med dokumenteret PAF, P-gruppen. Ét segment (A) af hvert par af 30 minutters segmenter fra samme subjekt er umiddelbart før AF episoder som vist i Figur 18 (A), mens det andet segment (B) er langt fra AF episoder som vist i Figur 18 (B). De resterende 25 datasæt (listet i Tabel 2) er fra subjekter uden dokumenteret PAF, N-gruppen. Begge segmenter (B) er langt fra AF episoder som vist i Figur 18 (B). Disse subjekter er sunde kontroller, der er blevet henvist til Holter monitorering, samt patienter indlagt på intensiv afdelinger. For samtlige segmenter i læringssættet er der et tilhørende 5 minutters kontinuationssegement, der kan bruges til at kontrollere, om der er AF umiddelbart efter segmenterne (A) eller (B).

34 Kapitel 6 Data 6.2 Testsæt Testsættet består også af 50 datasæt fra 50 forskellige subjekter, men der er ingen tilhørende kontinuationssegmenter. Ud af disse tilhører 28 datasæt (listet i Tabel 3) P-gruppen, mens 22 datasæt (listet i Tabel 4) tilhører N-gruppen. P-gruppen Segment (A) 30 min. Kont. Segment 1 5 min. Segment (B) 30 min. Kont. Segment 5 min. Læringssubjekt 1 p02 p02c p01 p01c Læringssubjekt 2 p04 p04c p03 p03c Læringssubjekt 3 p06 p06c p05 p05c Læringssubjekt 4 p08 p08c p07 p07c Læringssubjekt 5 p10 p10c p09 p09c Læringssubjekt 6 p12 p12c p11 p11c Læringssubjekt 7 p14 p14c p13 p13c Læringssubjekt 8 p16 p16c p15 p15c Læringssubjekt 9 p18 p18c p17 p17c Læringssubjekt 10 p20 p20c p19 p19c Læringssubjekt 11 p22 p22c p21 p21c Læringssubjekt 12 p24 p24c p23 p23c Læringssubjekt 13 p26 p26c p25 p25c Læringssubjekt 14 p28 p28c p27 p27c Læringssubjekt 15 p30 p30c p29 p29c Læringssubjekt 16 p32 p32c p31 p31c Læringssubjekt 17 p34 p34c p33 p33c Læringssubjekt 18 p36 p36c p35 p35c Læringssubjekt 19 p38 p38c p37 p37c Læringssubjekt 20 p40 p40c p39 p39c Læringssubjekt 21 p42 p42c p41 p41c Læringssubjekt 22 p44 p44c p43 p43c Læringssubjekt 23 p46 p46c p45 p45c Læringssubjekt 24 p48 p48c p47 p47c Læringssubjekt 25 p50 p50c p49 p49c Tabel 1 Læringssubjekter med dokumenteret PAF, P-gruppen. Hvert subjekt har to 30 minutters segmenter med tilhørende 5 minutters kontinuationssegmenter. Segmenterne (A) er umiddelbart før AF, og segmenterne (B) er langt fra AF, se Figur 18 (A) og (B). 1 Disse segmenter indeholder PAF events. 26

35 Kapitel 6 Data N-gruppen Segment (B) 30 min. Kont. Segment 5 min. Segment (B) 30 min. Kont. Segment 5 min. Læringssubjekt 26 n01 n01c n02 n02c Læringssubjekt 27 n03 n03c n04 n04c Læringssubjekt 28 n05 n05c n06 n06c Læringssubjekt 29 n07 n07c n08 n08c Læringssubjekt 30 n09 n09c n10 n10c Læringssubjekt 31 n11 n11c n12 n12c Læringssubjekt 32 n13 n13c n14 n14c Læringssubjekt 33 n15 n15c n16 n16c Læringssubjekt 34 n17 n17c n18 n18c Læringssubjekt 35 n19 n19c n20 n20c Læringssubjekt 36 n21 n21c n22 n22c Læringssubjekt 37 n23 n23c n24 n24c Læringssubjekt 38 n25 n25c n26 n26c Læringssubjekt 39 n27 n27c n28 n28c Læringssubjekt 40 n29 n29c n30 n30c Læringssubjekt 41 n31 n31c n32 n32c Læringssubjekt 42 n33 n33c n34 n34c Læringssubjekt 43 n35 n35c n36 n36c Læringssubjekt 44 n37 n37c n38 n38c Læringssubjekt 45 n39 n39c n40 n40c Læringssubjekt 46 n41 n41c n42 n42c Læringssubjekt 47 n43 n43c n44 n44c Læringssubjekt 48 n45 n45c n46 n46c Læringssubjekt 49 n47 n47c n48 n48c Læringssubjekt 50 n49 n49c n50 n50c Tabel 2 Læringssubjekter uden dokumenteret PAF, N-gruppen. Hvert subjekt har to 30 minutters segmenter med tilhørende 5 minutters kontinuationssegmenter. Segmenterne (B) er langt fra AF som vist i Figur 18 (B). 27

36 Kapitel 6 Data P-gruppen Segment (A) 30 min. Segment (B) 30 min. Testsubjekt 1 t02 t01 Testsubjekt 3 t05 t06 Testsubjekt 4 t08 t07 Testsubjekt 5 t09 t10 Testsubjekt 6 t12 t11 Testsubjekt 9 t17 t18 Testsubjekt 11 t22 t21 Testsubjekt 12 t23 t24 Testsubjekt 14 t27 t28 Testsubjekt 15 t30 t29 Testsubjekt 20 t39 t40 Testsubjekt 24 t47 t48 Testsubjekt 25 t49 t50 Testsubjekt 26 t51 t52 Testsubjekt 27 t53 t54 Testsubjekt 29 t58 t57 Testsubjekt 31 t62 t61 Testsubjekt 33 t65 t66 Testsubjekt 36 t72 t71 Testsubjekt 38 t76 t75 Testsubjekt 39 t77 t78 Testsubjekt 40 t79 t80 Testsubjekt 41 t81 t82 Testsubjekt 43 t86 t85 Testsubjekt 44 t87 t88 Testsubjekt 45 t90 t89 Testsubjekt 49 t98 t97 Testsubjekt 50 t99 t100 Tabel 3 Testsubjekter med dokumenteret PAF, P-gruppen. Hvert subjekt har to 30 minutters segmenter. Segmenterne (A) er umiddelbart før AF og segmenterne (B) er langt fra PAF, se Figur 18 (A) og (B). 28

37 Kapitel 6 Data N-gruppen Segment (B) 30 min. Segment (B) 30 min. Testsubjekt 2 t03 t04 Testsubjekt 7 t13 t14 Testsubjekt 8 t15 t16 Testsubjekt 10 t19 t20 Testsubjekt 13 t25 t26 Testsubjekt 16 t31 t32 Testsubjekt 17 t33 t34 Testsubjekt 18 t35 t36 Testsubjekt 19 t37 t38 Testsubjekt 21 t41 t42 Testsubjekt 22 t43 t44 Testsubjekt 23 t45 t46 Testsubjekt 28 t55 t56 Testsubjekt 30 t59 t60 Testsubjekt 32 t63 t64 Testsubjekt 34 t67 t68 Testsubjekt 35 t69 t70 Testsubjekt 37 t73 t74 Testsubjekt 42 t83 t84 Testsubjekt 46 t91 t92 Testsubjekt 47 t93 t94 Testsubjekt 48 t95 t96 Tabel 4 Testsubjekter uden dokumenteret PAF, N-gruppen. Hvert subjekt har to 30 minutters segmenter. Segmenterne (B) er langt fra AF som vist i Figur 18 (B). 29

38

39 KAPITEL 7 7 ECGLAB Et led i analysen af EKG-signalerne består i at annotere, dvs. at notere hvornår bestemte fænomener opstår i signalet. I forbindelse med dette projekt er det nødvendigt at annotere de karakteristiske punkter: P on, P peak, P off, Q on og R. Herudfra kan de fysiologiske parametre for PAF således undersøges. ECGLab er udviklet til at være et værktøj til annotering af EKG-signaler, hvor det er muligt at benytte automatisk detektering af R og efterfølgende gennemse signalet og foretage manuelle rettelser, samt foretage manuelle annoteringer af P on, P peak, P off og Q on. Det kan også være vigtigt at kunne annotere områder af signalet hvor signalkvaliteten er ringe, så senere analyse kan bero udelukkende på signalområder af højere kvalitet. I dette kapitel gennemgås først de krav, der stilles for ECGLab, så præsenteres det implementerede interface og den funktionelle brug af ECGLab, og til sidst det bagvedliggende design der er lavet for at opnå disse funktionaliteter. 7.1 Kravspecifikation Kravspecifikationen inddeles i tre punkter: funktionelle krav, ikke-funktionelle krav, samt løsningsmål. Funktionelle krav er en liste over de funktioner, det ønskes at systemet skal kunne udføre. Det specificeres hvad systemet skal kunne, men ikke hvordan dette opnås. Ikkefunktionelle krav består af en række begrænsninger for systemets løsningsmuligheder, og løsningsmål er retningslinjer til valg af løsning ud fra prioriteringer. Strukturen for kravspecifikationen er opbygget med inspiration fra [19] Funktionelle krav Systemet skal bruges til at gennemse og annotere EKG-signaler. Det vil sige, at systemet skal kunne indlæse EKG-signaler samt vise det til brugeren. For at arbejdet med systemet kan være fleksibelt, og så annoteringerne kan analyseres i andre scripts, skal det være muligt at gemme annoteringer, samt at kunne indlæse gemte annoteringer for at gennemse og/eller fortsætte annotering af EKG-signalet. Dermed skal systemet kunne: Indlæse EKG-signaler. Gennemse EKG-signalet. Indlæse og gemme annoteringer. Gennemse annoteringer. Redigere annoteringer Ikke-funktionelle krav Der er to overordnede typer af ikke-funktionelle krav: performancebegrænsninger og projektbegrænsninger. Performancebegrænsninger består af begrænsninger til systemløsninger ud fra en performancebetragtning. Dette kan f.eks. være kapacitet, skalerbarhed eller