ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ Seria, Publikacje z Automatyka

Pobierz ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ Seria i więcej Publikacje w PDF z Automatyka tylko na Docsity!

ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ

Seria: AUTOMATYKA z. 93

Nr kol. 969

Zygmunt FRANKIEWICZ

MODELOWANIE ZAKŁÓCEŃ I SYGNAŁU EKG NA POTRZEBY TESTOWANIA ALGORYTMÓW

SŁUŻĄCYCH DO KOMPUTEROWEJ ANALIZY ELEKTROKARDIOGRAMU

Streszczenie. W pracy podana została metoda badania odporności na zakłócenia algorytmów służących do wyznaczania cech sygnału EKG i de tekcji jego punktów charakterystycznych. Umożliwia ona porównywanie przydatności różnych algorytmów z punktu widzenia ich wrażliwości na złą jakość sygnału. Podane zostały propozycje modeli trzech podstawowych rodzajów za kłóceń występujących w elektrokardiograf!, t j .: zakłóceń wolnozmien- nych, sieciowych i mięśniowych. Ponadto przedstawiono dwie metody ge neracji sztucznego zespołu QRS przydatne między innymi do testowania odporności algorytmów na zakłócenia oraz metodę przeprowadzania tych badari.

1. Wstęp

Początki komputerowo wspomaganej analizy sygnału EKG, datujące się we wczesnych latach sześćdziesiątych, nie były obiecujące. Pierwszymi były pro gramy Pipbergera i ECAN z U.S. Public Health Service [8]. Przyczyną był brak akceptacji lekarzy i trudności techniczne. Od tego czasu sytuacja zmie niła się radykalnie - komputerowa analiza sygnału EKG jest obecnie powszech nie stosowana w krajach wysoko rozwiniętych. Dla przykładu w USA 20% wszy stkich elektrokardiogramów interpretowanych jest z pomocą komputerów [8^, w Japonii w 1984 r. za pomocą jednego tylko programu "ECAPS" przeanalizowa no ponad 1 min elektrokardiogramów [l7j. Najistotniejszymi przyczynami tak gwałtownego rozwoju tej dziedziny techniki medycznej, oprócz gwałtownego rozwoju mikroelektroniki, jest powszechnie odczuwany brak wykwalifikowanych lekarzy kardiologów oraz nowe, często zupełnie do tej pory niedostępne ro dzaje badań, które umożliwiają systemy komputerowe. Dalsze argumenty za sto sowaniem komputerów do nadzoru pracy serca, to: niski koszt automatycznej analizy sygnału EKG, jej obiektywizm, możliwość uzyskania zapisu sygnału w przypadkach wystąpienia arytmii, szybkość pracy i duża pojemność pamięci komputerów. Sygnał EKG jest słabym sygnałem: maksymalna amplituda typowego elektro- kardiogramu powierzchniowego waha się od 1 do 3 mV. Tak słaby sygnał łatwo ulega zakłóceniu przez inne sygnały fizjologiczne czy pochodzące od sprzętu technicznego. Jego pomiar dodatkowo utrudniony jest przez dużą impedancję źródła sygnału. Z tego powodu zakłócenia są problemem powszechnie występu

52 Z.^ Frankiewicz

jącym również w komputerowej analizie sygnału EKG, a jedną z najistotniej szych cech algorytmów służących do tej analizy jest ich odporność na zakłó cenia. Przykładowo: algorytmy, które bardzo dobrze działają na niezakłóco nym sygnale, mogą okazać się nieprzydatne do analizy sygnału zakłóconego. Istnieje zatem konieczność testowania algorytmów ze względu na ich od porność na zakłócenia. Dotyczy to szczególnie algorytmów służących do d e tekcji charakterystycznych punktów sygnału, takich jak początki i końce za- łamków, punkt odniesienia zespołu QRS oraz algorytmów przeznaczonych do wy znaczania cech, na podstawie których w dalszej kolejności odbywa się klasy fikacja sygnału. Niestety, na świecie wciąż nie istnieje ogólnodostępna baza danych te stowych na potrzeby testowania systemów i algorytmów do komputerowej anali zy sygnału EKG. Tym bardziej brak jest baz danych zawierających sygnały za kłócone o różnym rodzaju i poziomie zakłóceń. W tej sytuacji konieczne jest stworzenie modeli zakłóceń i na ich pod stawie badanie odporności na zakłócenia wspomnianych algorytmów.

2. Pochodzenie, własności i modele zakłóceń sygnału EKG

Biorąc jako kryterium widmo częstotliwościowe można wyodrębnić trzy naj istotniejsze rodzaje zakłóceń:

• wolnozmienne,
• sieciowe,
• mięśniowe. Poza nimi występuje wiele innych, których znaczenie jest mniejsze albo z powodu rzadkości występowania, albo ze względu na ich małą szkodliwość dla komputerowej analizy sygnału EKG. Są to między innymi: 1 - szum aparaturowy, 2 - błąd kwantyzacji, 3 - nierównomierność próbkowania, 4 - piki i skoki linii izoelektrycznej, 5 - błąd maskowania, 6 - zakłócenia generowane przez narzędzia elektrochirurgiczne i inny sprzęt elektrotechniczny. Znaczenie trzech pierwszych wymienionych zakłóceń jest zwykle pomijalnie małe [s], [24]- Zakłócenia w postaci pików i skoków linii izoelektrycznej przedostają się indukcyjnie, a rzadziej elektrostatycznie.przez kable przy łączeniowe. Ich źródłem mogą być silniki komutatorowe, oświetlenie jarzenio

we, włączanie silników indukcyjnych itp. 9 ]. Występujące w sygnale bardzo

wąskie o stromych zboczach i nieraz dużej amplitudzie piki nie stanowią istotnego probleju przy rozróżnianiu ich od załamków elektrokardiogramu z powodu ich znikomej energii. Bardziej kłopotliwe, chociaż rzadsze, są skoki

54 Z.^ Frankiewicz

Rys. 1. Widmo zakłóceń niskoczęstotliwościowych wraz z widmem sygnału EKG Fig. 1. Low frequency disturbances spectrum with ECG signal spectrum

swoich algorytmów używali modelu zakłóceń w postaci sinuspidy o częstotli wości 0,5 Hz i zmiennej amplitudzie [i o]. Meyer i Keiser w tym samym celu zastosowali filtrowany proces Markowa o widmie zawartym całkowicie poniżej 0,5 Hz fi5*. Autor w swoich pracach używał jako modelu zakłóceń wolnozmiennych sinu soidy o częstotliwości 1 Hz, pseudolo- sowej fazie i zmiennej amplitudzie oraz pseudoprzypadkowego procesu Mar kowa filtrowanego dolnoprzepustowo fil’ trem o częstotliwości granicznej 0, Hz. Przykładowe realizacje procesu Mar kowa przedstawiono na rys. 2. Wybór sinusoidy z pseudolosową fazi jako modelu ma tę zaletę, że jest ła twy do odtworzenia, co umożliwia łatvs porównywanie wyników testowania. Nale ży dodaó, że dla amplitudy ¡sinusoidy zakłócającej równej 0,5 mV przy przy jętej stosunkowo dużej jej częstotli wości (1 Hz) maksymalna wartośó pochoś nej zakłócenia osiąga bardzo dużą wartośó 3,14 mV/s. Jest to zatem bardzo kłopotliwe do wyeliminowania zakłócenia.

2.2. Interferencja sieci prądu zmiennego Problem zakłóceń pochodzących od sieci energetycznej występuje powszech nie w elektrokardiografii. Jest on istotny, gdyż widma zakłóceń i sygnału pokrywają się. Można je tłumió przez odpowiednie ułożenie kabli elektrodo-

1a

Rys. 2. Kolejne realizacje filtro- -anego procesu Markowa używane do modelowania zakłóceń wolnozmien nych Fig. 2. Sequentional filter reali zation of Markov process used to slowly varying disturbances mode ling

Modelowanie zakłóceń i sygnału EKG. 55

wych i zasilających, dobór miejsca badania, czasu itp. Należy rozróżnić dwie drogi przedostawania się zakłóceń: przez pola elektryczne generowane wokół przewodów zasilających oraz przez pola magnetyczne wytwarzane przez

silniki, transformatory itp. [ 3 ].

Pierwsza z nich jest mało szkodliwa, gdyż wytwarza napięcia wspólne na ciele pacjenta. Natomiast druga generuje sygnał różnicowy w pętlach przewo dów doprowadzających sygnał od ciała pacjenta do wzmacniacza różnicowego elektrokardiografu. Zakłócenia sieciowe w zależności od ich poziomu powodują efekty od po szerzania grubości linii zapisu termoczułego do zupełnego braku czytelno ści elektrokardiograrau. Zwiększają wariancję pomiaru wszystkich cech sygna łu. Według Alrauna zawsze prowadzą do zawyżenia mierzonych amplitud przez

wprowadzenie do wyniku błędu systematycznego [ 2 ].

Stosowanie filtrów selektywnych do odkłócania sygnału jest tradycyjnym rozwiązaniem. Filtr taki musi mieć wystarczająco szerokie pasmo tłumionych częstotliwości, aby uwzględnić normalną wariancję częstoltiwości sieci i odpowiednio wąskie, aby uniknąć istotnego zniekształcenia sygnału. Niedo godnością analogowych filtrów selektywnych jest możliwość wystąpienia zja wiska określanego jako "dzwonienie" filtru. Filtry cyfrowe nie mają tej wa dy, ponadto łatwo można uzyskiwać bardzo małe szerokości pasma. Jednak filtry te również zniekształcają sygnał. Innym sposobem tłumienia zakłóceń sieciowych jest odejmowanie od zakłó conego sygnału sinusoidy o odpowiednio określonej amplitudzie, częstoliwo- ści i fazie. Metoda estymacji amplitudy zakłóceń sieciowych została opisa

na w pracach Mortary Jj 6 ^| i Talraona [ 21 ]. Interesującą własnością tej meto

dy jest brak zniekształceń sygnału. Słabymi punktami są: założenie o wol nych zmianach amplitudy zakłóceń i stałości ich częstotliwości. Modelowanie zakłóceń sieciowych jest nieskomplikowane. Sprowadza się ono do generowania sinusoidy o częstotliwości 50 Hz i dodaniu jej do sygnału. Faza zakłócenia powinna być przypadkowa.

2.3. Zakłócenia mięśniowe Ten rodzaj zakłóceń uznawany jest przez wielu autorów za najbardziej kłopotliwy ze względu na nakładanie się widm zakłóceń i sygnału na długim

odcinku osi częstotliwości [ 3 ] , [ 24 ]. Amplituda tych zakłóceń może docho

dzić do amplitudy sygnału [19]. Szkodliwość zakłóceń mięśniowych wg Teppne-

ra i Neuberta [ 22 ] jest często niedoceniana. Zdaniem tych autorów próg 18 V

wartości skutecznej szumów wysokoczęstotliwościowych w elektrokardiogramie analizowanym przez systemy Hawlett Packarda, powyżej którego podawana jest informacja o złej jakości zapisu, ustawiony jest za wysoko. Błędy pomiaru większości cech dla takiego poziomu zakłóceń są już bardzo duże. Sytuację Pogarsza fakt, że zakłócenia mięśniowe i sieciowe sumując się wpływają w taki sam sposób na błędy pomiarów [22].

Modelowanie zakłóceń i sygnału EKG. 57

Przyjęcie białego szumu ma tę dodatkową zaletę, że jest on łatwiejszy do wygenerowania niż szum kolorowy i łatwiej można porównywać wyniki testowa nia różnych algorytmów. Nie istnieje poza tym niebezpieczeństwo uzyskiwania zbyt optymistycznych wyników, co może występować przy przyjęciu szumu o nie równomiernym widmie.

dziedzinie częstotliwości wynik 5 prób, przedstawiony jest na rys. 4. W ana lizowanym zakresie częstotliwości, t j. od 1,5 do 51 Hz, nie zauważono istot nego wyróżnienia niskich czy wysokich częstotliwości. Istniejące piki np. dla częstotliwości 24 Hz i 30 Hz mogą być efektem niewielkiej liczby prze biegów użytych do wyznaczenia widma. Pik w okolicy częstoltiwości 50 Hz do-

0 5 (0 (5 20 25 30 35 40 45 50 ffWzJ

Rys. 4. Widmo zakłóceń mięśniowych uzyskane w wyniku przeprowadzonego d o świadczenia Fig. 4. Muscles noises spectrum found in the wxperiment

Fig. 3. Elektrocardiogram disturbed by skeleton muscles interaction

Rys. 3. Elektrokardiogram zakłócony in terakcją mięśni szkieletowych

W celu weryfikacji przyjętego modelu zarejestrowano sygnał EKG zdrowego człowieka zakłócony "drżeniem" mięśni szkieletowych klatki piersiowej (rys. 3). Doko nano zapisu 3-sekundowego odcin ka sygnału przy częstotliwości próbkowania równej 750 1/s. Na stępnie z przebiegu wyeliminowa no sygnał EKG, a pozostałość, czyli zakłócenie mięśniowe, zba dano za pomocą szybkiej trans formaty Fouriera. Doświadczenie powtórzono 5-krotnie. Kształt uzyskanego w ten sposób widma zakłóceń, czyli uśredniony w

58 Z. Frankiewicz

wodzi istnienia w zarejestrowanym sygnale oprócz zakłóceń mięśniowych rów nież zakłóceń pochodzących od sieci prądu zmiennego. Tłumienie potencjałów czynnościowych mięśni w otaczających je tkankach jest silne W - Dlatego elektrody EKG umieszczone w pewnej odległości od siebie rejestrują niezależne przebiegi zakłóceń. Tłumaczy to zasadę popra wy stosunku sygnał-szum przez zwiększenie ilości odprowadzeń używanych np. do detekcji załamków. Zjawisko to jest podstawą przestrzennego sumowania sygnału w celu redukcji zakłóceń czy rejestracji potencjałów aktywności

pęczka Hisa , [j 8^ , 9 ].

Prawie wszystkie wymienione rodzaje zakłóceń mają charakter addytywny

[ 9 ], [ 21 ] , [ 22 ]. Jedynym wyjątkiem jest wpływ akcji oddechowej pacjenta.

Według Hechta i Vidala [i 3 ] od fazy oddechu zależy chwilowy okres sygnału,

czyli odległość RR oraz amplituda i szerokość zespołu QRS.

3. Generatory sztucznego sygnału

Generacja sztucznego sygnału ma podstawowe znaczenie dla testowania tych algorytmów, których jakość działania (dokładność, powtarzalność itp.) w du żym stopniu zależy od kształtu analizowanych fal. Przykładowo zmienność mor fologii zespołu QRS jest tak duża, że nie jest możliwe zbudowanie bazy da nych uwzględniającej większość spotykanych w praktyce kształtów. Natomiast jest znanym faktem, że duże średnie błędy pracy algorytmów po wstają często w wyniku złego ich zachowania w przypadku niewielkiej procen towo liczby analizowanych elektrokardiogramów, dla których błędy przyjmują niedopuszczalnie duże wartości. Z tego powodu najczęściej nie jest wystar czające przetestowanie algorytmów za pomocą wąskich baz rzeczywistych da nych, które nie zapewniają dostatecznej skali zmienności kształtów analizo wanych fal. Bardzo wygodne i skuteczne jest modelowanie zespołów QRS sygnału EKG za pomocą trzech pierwszych funkcji Hermita:

Ó ( t ) » - t = W i _^ e-t2 /2b2 e 0 V b W

(t) = e-fc2/2b2 ( 21

1 VbVÜTb

2 2

$,<t)^1 = 1 (2 t 2¿2-^ -^ 1)U^ e^ /,2b^ (^2 )

2 V 2 bVrf

gdzie parametr b określa szerokość zespołu Q R S. Jak wynika z rys. 5, funkcje te w naturalny sposób nadają się do modelo wania zespołów QRS. Próby takie były prowadzone przez Sornmo i innych [2o]>

60 Z.^ Frankiewicz

W niektórych zastosowaniach sztuczny sygnał uzyskany w przedstawiony spo sób, ze względu na łatwość w jego odtwarzaniu, może spełniać funkcje ogól nodostępnej bazy danych testowych. Inna metoda generowania sztucznych zespołów QRS^ polega na utworzeniu kora- binacji liniowej dwóch zasadniczo różniących sie pod względem kształtu i szerokości rzeczywistych fal:

(n) = a 1 (n) (1 0—j )/ 1 0 + j a 2 (n) ( 5 )

j e { l , 2 ,... , i o }

a ^ n ) , a2 (n) - rzeczywiste zapisy sygnału

Na r y s. 7 przedstawiono przykładowe zespoły QRS wygenerowane za pomocą tej metody. Odpowiedni dobór sygnałów a ^ ( n ) , a 2 (n) umożliwia uzyskanie wymaganych kształtów sytnału x^(n) w zależności od testowanego algorytmu.

Rys. 7. Zespoły QRS sztucznie wygenerowane wg zależności 5 Fig. 7. QRS assembles artificially generated ac. relation 5

Modelowanie zakłóceń i sygnału EKG. 61

4. Metoda testowania

Odporność na zakłócenia algorytmów służących do wyznaczania punktów cha rakterystycznych (detektorów) czy cech sygnału można określić zależnością powtarzalności od poziomu zakłóceń. Powtarzalność w przypadku detektorów najlepiej jest opisać za pomocą odchylenia standardowego pomiaru chwili czasu tQ , czyli położenia w osi czasu wyznaczanego punktu charakterystycz nego. Powtarzalność wyznaczania cech może być oakreślona współczynnikiem

zmienności:

wz = 6/ri (6)

gdzie: 6,7} - odpowiednio odchylenie standardowe i wartość średnia serii pomia rowej. Stosunek sygnał-szum SNR (z ang. Signal to Noise Ratio) służy do opisu poziomu zakłóceń. Powinien on być obliczany w obszarze zespołu QRS lub PQRST w zależności od przeznaczenia testowego algorytmu

SNR = 20 log us/uN (7)

gdzie: 0g - wartość skuteczna sygnału, UN - wartość skuteczna zakłóceń. W przypadku szumu jest oczekiwaną wartością skuteczną, czyli od c h y leniem standardowym szumu. W użyciu oprócz przytoczonej istnieje jeszcze in na definicja SNR. We wzorze 7 zamiast stosunku wartości skutecznych wystę puje wtedy stosunek odpowiednich energii. Należy dodać, że stosunek sygnał-szum jest łatwy do określenia i zmiany jedynie wtedy, gdy zakłócenia są modelowane i dodawane do sygnału sztuczne go czy rzeczywistego wolnego od zakłóceń. W przeciwnym przypadku, gdy zakłó cenia są rzeczywiste, określenie SNR jest bardzo utrudnione, a często nie możliwe. Do wyznaczenia dokładności pracy algorytmu przy określonym poziomie za kłóceń wymagana jest dokładna, wzorcowa wartość wyznaczanej cechy czy poło żenia punktu charakterystycznego. W przypadku gdy wzorzec nie może być p o dany przez lekarza, np. bdy badany jest złożony detektor punktu odniesienia zespołu QRS, jako wartość dokładną należy przyjąć wynik pracy algorytmu na sygnale wolnym od zakłóceń. Kolejność postępowania przy testowaniu algoryt mów jest wtedy następująca: ') wyznaczenie wartości cechy dla sygnału niezakłóconego,

2. dodanie do sygnału zakłócenia, 3 ) wyznaczenie wartości cechy, 4 ) znalezienie kwadratu różnicy wartości cechy wyznaczonej w p. 1 i 3.

Modelowanie zakłóceń i sygnału EKG. 63

[J2J Guenov P.G. : Low frequency niosę filtration of the ECG signal, Digest of 10th International Conference on Medical and Biological Engineering, vo 1 29, no. 6, 1 973. [l3J Hecht S.E., Vidal J.J.: Generation of ECG Prototype Wareforras by Piece- wise Correlational Averaging, IEEE Trans, on Pattern Análisis and Ma chine Intelligence, vol. PAMI-2, no. 5, Sept. 1980.

[ 14 ] Jones N. B. , Lago P.J.A.: Spectral Análisis and the Inerference EMC,

Proceedings IEEE, part A, vol. 129, 673-678, no. 9, Dec. 1982. [15] Meyer C.R., Reiser H.N.: Electrocardiogram Baeline Noise Estimation and Removal Using Cubic Splines and State-Space Computation Techniques, Computers and Biomedical Research, vol. 10, 459-470, no. 5, Oct. 1977. [16 J Mortara D.W.: Digital Filters for ECG Signals, Proc. of Computers in Cardiology, Sept. 1977. Rotterdam, The Netherlands, IEEE Comp. Soc. Long Besch, Cal. USA, 511-514, 1978.

[ 17 ] Nihon Kohdan Corporation Japan, ,Stress Test System - 7000A. Materiały

firmowe.

[ 18 ] Pałko T. : Elektroniczne techniki badania rytmu serca i hemodynamiki.

Podstawy Fizyki Medycznej, Tom 19, Zeszyt 1, 1984.

[ 19 J Santopietro R.I.: The Origin and Charakterization of the Primary Sig

nal, Noise, and Inference Sources in the High Frequency Electrocardio gram, Proceedings of IEEE, vol. 65, no. 5, May 1977.

[ 20 J Sornmo L. , Borjesson P.O., Nygards M., Pahlm 0.: Method for Evaluation

of QRS Shape Festures Using a Mathematical Model for the ECG, IEEE Trans, on Biomedical Engineering, vol. BME-28, no. 10, Oct. 1981. QnJ Talmon J.L.: Pattern Recognition of the ECG a Structural analysis, Ph. D. thesis, Vrije University of Amsterdam, 1983.

[ 22 ] Teppner U., Neubert D. : Simulation of Physiological and Technical In

fluences on the ECG, IEEE Computers in Cardiology, Salt Lake City, 373-376, Sept. 1984. [j?3l Thakor N.V., Webster J.G. , Tompkins W.J.: Estimation of QRS Complex Power Spectra for Design of a QRS Filter, IEEE Trans, on Biomedical Engineering, no. 11, 1984.

[ 24 ] Thomas L. J. , Clark K. W. , Mead C. N. , Ripley K.L., Spenner B.F., Oliver

G.C. : Automated cardiac dysrhytmia analysis, Proceedings of the IEEE, vol. 67, 1322-1337, no. 9, Sept. 1979.

[ 25 I Weisner S.J., Tompkins W.J., Tompkins B. M. : A Compact, Microprocessor

• Based ECG ST Segment Analyzer for the Operating Room. IEEE Trans, on Biomedical Engineering, vol. BME-29, no. 9, Sept. 1982. [26^j Winter D.A., Trenholm B.G.: Reliable Triggering for Exercise E C G s ', IEEE Trans on Biomedical Engineering, vol. BME-16, no. 1, 1969.

[ 27 J Wolf H.H., Maclnnis P.J., Stock S., Hellpi R.K., Rautaharju P.M.: Com

puter Análisis of Rest and Exercise Electrocardiograms, Computer and Biomedical Research, no. 5, 329-346, 1972.

Recenzent: Prof. dr hab. inż. Ryszard Tadeusiewicz

Wpłynęło do Redakcji 20.02.

64 Z.^ Frankiewicz

¡.ifwIJIHPOjiAHilS J03U W -M ii H CHrHAJIA 3KP *JH H V M TECTOBAHHH AJITOPHTMOB aoncjabsyEaux ¿ M KcanbUEEPHoro abajih3a 3JiEKiPOKAP;uiorPAMMH

P e 3 ki m e

J oadoxe AaeTCH MeToA ucc-ieaoBaHHH y cToKHHBOCTH Ha B03MyineHHH ajiropnx- hob ncno,xB3yeMux flJia onpefle^eHH/i c b o Rc t b cnrHaiia bkt h seieKipiH ero xapax- xepiicTHHecKHX xoneK. Mexofl no3BoaneT cpaBHHXB npnr0AH0CTb pa3HHX ajiropHX- m o b c t o h k k 3peHHJi h x HyBciBHieabHocxH k nJioxoMy KanecTBy cHrnajia. P.pe^a- raioiCH Mo^ejiH xpex o o h o b h h x b h a o b B03uymeHHii, BHCxyneuomux b KapAHorpacjHH, T.e. MeAJieHHO H3MeHHX>lHHXC,a B03MymeHHit, CelBBbIX H MbmmeBHX. apowe oToro npescxaBxeHH A Ba Mexo^a reHepHpoBaHHH HCKycoxBeHHoR rpynnu QRS, npwroAHUx ajih leciOBaHHH y c T o Rh x b o c x h aJiropHXMoa Ha B03MymeHHH a TaK-

xe KB T o a nposeAeHHH axux HccjieAosaHnii.

m o d e l i n g o f n o i s e a n d e c g s i g n a l f o r i m m u n i t y t e s t i n g o f a l g o r i t m u s i n g IN COMPUTER BASED ECG ANALYSIS

S u m m a r y

The paper deals with a method of noise immunity testing of feature ex traction and characteristic points detection algorithms designed for compu ter ECG analysis systems. The method gives possibility of comparison between various algorithms from noise immunity point of view. Models of three kinds of noise are considered. Namely: baseline wande ring, line interference and muscle artifacts. Moreover two methods of arti ficial signal generation are presented that can be useful in noise immunity testing.

I