Система длительного мониторирования функционирования кардиостимуляторов с повышенной достоверностью выделения элементов кардиограмм тема диссертации и автореферата по ВАК РФ 05.13.05, кандидат технических наук Щепетов, Денис Сергеевич

• Щепетов, Денис Сергеевич
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Щепетов, Денис Сергеевич

Глава 1. Методы и средства поиска нарушений в системе стимуляции при мониторировании ЭКГ.

1.1. Элементы сигнала ЭКГ.

1.2. Требования к системе поиска нарушений работы ЭКС.

1.3. Методы обработки ЭКГ и выделения элементов сигнала ЭКГ.

1.4. Выводы.

Глава 2. Метод резонансного преобразования.

2.1. Общие требования к методу.

2.2. Модель ЭКГ.

2.3. Резонансное преобразование.

2.4. Оптимизация вычисления значения резонансного преобразования.

2.6. Выводы

Глава 3. Выделение элементов Р и Т сигнала ЭКГ

3.1. Постановка задачи.

3.2. Модификация резонансного преобразования.

3.3. Тестирование модифицированного метода резонансного преобразования.

3.4. Алгоритм обучения.

3.4. Выводы.

Глава 4. Аппаратные средства.

4.1. Структурная схема системы длительного мониторирования.

4.2. Алгоритм работы алгоритмического сопроцессора.

4.3. Способ кодирования ЭКГ.

4.4. Фильтрация и корректность передачи ЭКГ.

4.5. Выводы.

Глава 5. Программная реализация.

5.1. Особенности программной реализации выделения эпизодов работы ЭКС.

5.2. Программная оптимизация алгоритмов выделения элементов сигнала ЭКГ.

5.3. Тестирование эффективности предложенных оптимизаций.

5.4. Программная реализация врачебной логики выделения нарушений работы ЭКС.

5.5. Тестирование предложенной схемы.

5.6. Выводы.

Введение диссертации (часть автореферата) на тему «Система длительного мониторирования функционирования кардиостимуляторов с повышенной достоверностью выделения элементов кардиограмм»

Диссертация направлена на решение научно-технической задачи создания системы длительного мониторирования электрокардиограмм (ЭКГ) в условиях функционирования имплантированных электрокардиостимуляторов (ЭКС) с повышенной достоверностью выделения элементов ЭКГ. Мониторирование ЭКС является на сегодняшний день одним из основных методом оценки работы ЭКС наряду с использованием встроенных в ЭКС средств оценки их работоспособности. Основным критерием качества системы длительного мониторирования является достоверность автоматического выделения элементов сигнала ЭКГ и эпизодов работы ЭКС. Достоверность оценивалась по проценту ошибок первого и второго рода по стандартному протоколу тестирования на международных базах данных сигналов АНА-БВ и М1Т-В1Н и на модельных сигналах.

Актуальность темы диссертации. Повышение качества лечения сложных нарушений ритма и проводимости сердца достигается усложнением алгоритмов функционирования ЭКС. Как следствие, усложняется диагностика нарушений функционирования в системе «ЭКС -сердце». Современные ЭКС содержат встроенные узлы телеметрии для запоминания и передачи врачу коротких участков ЭКГ. Однако, память ЭКС имеет довольно малый объем, а встроенные алгоритмы диагностики имеют ряд недостатков. Альтернативный метод диагностики осуществляется с помощью холтеровского монитора (ХМ). Требование к длительности мониторирования в течение 1-2 суток определяется тем, что многие нарушения в системе «ЭКС - сердце» происходят достаточно редко, а для понимания причины возникновения нарушений необходимо проанализировать предысторию возникшего нарушения и его последствия.

Необходимым условием эффективного обнаружения нарушений стимуляции является точное распознавание на ЭКГ стимулов (отметок импульсов) ЭКС, комплексов и зубцов Р (сигналов СР^ и Р, описывающих прохождение волны возбуждения по желудочкам и предсердиям соответственно). При длительном монтировании ЭКГ распознавание должно быть, очевидно, автоматическим. Параметры сигналов ОИ-Б, Р и импульсов ЭКС различаются на ЭКГ на 2-3 порядка по амплитуде и длительности. Поэтому основная трудность заключается в автоматическом распознавании на ЭКГ сигналов С^Б и Р в присутствии стимулов ЭКС.

При прямом использовании ХМ необходимы более мощные и дорогостоящие аппаратные средства для анализа ЭКГ и более емкая память для сохранения ЭКГ. Альтернативой является регистрация ЭКГ с большей частотой дискретизации и большим разрешением только при возникновении нарушений ритма или при наступлении событий, представляющих интерес для врача.

В России ежегодно имплантируют свыше 20 тыс. ЭКС. Поэтому точное распознавания сигналов СЖБ и Р на ЭКГ в присутствии стимулов ЭКС и использование полученных данных для анализа нарушений в системе «ЭКС - сердце» является актуальной задачей.

Целью диссертации является разработка системы, позволяющей существенно повысить достоверность распознавания на ЭКГ элементов сигнала С^ЫЗ и Р для эффективного выделения нарушений в системе «ЭКС - сердце». Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать методы распознавания на ЭКГ сигналов ОЯБ, существенно различающихся по форме, включая сигналы СЖЗ, вызванные импульсами ЭКС и имеющие иную форму и длительность сравнительно с естественными сигналами СЖ,8.

2. Разработать алгоритмы выделения сигналов Р при известных положениях сигнала позволяющие выделить сигнал Р в случае его зашумления? при высокой частоте сердечных сокращений или при наложении сигнала Р на другие сигналы ЭКГ. Реализовать систему поиска нарушений в работе ЭКС с использованием разработанных алгоритмов.

3. Разработать аппаратно-программные средства для выявления в автоматическом режиме эпизодов работы ЭКС, обнаружения интересующих врача событий и записью информативных участков ЭКГ с большей частотой дискретизации и разрешением.

Методы исследования. В исследованиях использовались методы цифровой обработки сигналов, цифровой фильтрации, распознавания образов, статистического анализа и прототипирования электронных устройств

Научная новизна.

1. Разработан метод выделения элементов сигнала ЭКГ из шума и анализа их формы, основанный на кратно-масштабном резонансном преобразовании специального вида, позволивший уменьшить число ошибок выделения элементов сигнала ЭКГ в 2-4 раза. Эффективность метода подтверждена аналитически на модельных сигналах ЭКГ и тестированием на наборах ЭКГ из международных баз данных.

2. Разработаны алгоритм и устройство обработки ЭКГ с сохранением информативных для врача участков ЭКГ для последующего апостериорного анализа по задаваемых врачом кодам формы информативных сигналов и образцов ритма пациента. Алгоритм и устройство позволяют производить измерения ЭКГ на повышенной частоте дискретизации и дополнительные измерения в момент выявленного нарушения ритма сердца пациента на ЭКГ.

3. Разработан и реализован модуль холтеровского монитора для анализа получаемых данных об элементах ЭКГ и стимулах ЭКС, позволяющийая- выделять и классифицировать эпизоды работы ЭКС для различных режимов работы ЭКС.

Практическая значимость.

1. Создана программная реализация высокоточного алгоритма выделения элементов сигнала СЖ-Б, позволяющая снизить ошибки распознавания первого рода до 0,04% и второго рода до 0,06%.

2. Создана программная реализация выделения сигнала Р при низком значении отношения сигнал-шум, высокой частоте сердечных сокращений и наложении элемента сигнала Р на элементы сигналов предыдущего кардиоцикла.

3. Разработана структура регистратора с автоматически переключаемыми частотами записи ЭКГ 250-1000-8000 Гц, позволяющая сохранять участки ЭКГ, на которых произошло нарушение стимуляции с повышенной частотой для последующего анализа.

4. Разработан программный комплекс оценки нарушений в системе «ЭКС - сердце», позволяющий кодировать и выявлять нарушения стимуляции в зависимости от типа имплантированного ЭКС.

Апробация работы. Экспериментальные образцы разработанной системы длительного мониторирования прошли клинические испытания в Московском городском центре кардиостимуляции на базе ГКБ-4 г. Москвы. Результаты диссертации использованы в программно-аппаратных комплексах «Союз ДМС» и «Холтер ДМС» производства ООО «ДМС Передовые Технологии» и широко используются в клиниках РФ, Республики Беларусь, Казахстана и Италии.

Основные результаты диссертации докладывались на научных сессиях МИФИ (Москва, 2007-2010 гг.); на научной конференции "Электроника, микро- и наноэлектроника" (Нижний Новгород, 2009 г.); на международной конференции «The 4th Russian-Bavarian Conference on Biomedical Engineering» (Москва, 2008 г.).

Результаты, выносимые на защиту.

1. Методы выделения сигналов QRS, Р и стимулов ЭКС, основанные на резонансном кратномасштабном преобразовании.

2. Алгоритмы выделения эпизодов работы ЭКС и нарушений в системе стимуляции.

3. Параметрическая модель сигнала ЭКГ для оценки достоверности выделения элементов, позволяющая получать аналитические оценки числа ошибок первого и второго рода в зависимости от параметров шума.

4. Структурная схема регистратора ЭКГ с переменной частотой дискретизации 250-8000 Гц, позволяющая сохранять участки ЭКГ, на которых произошло нарушение стимуляции с повышенной частотой для последующего анализа.

Публикации по теме диссертации. По теме диссертации опубликованы 6 печатных работ, из них одна работа в издании из перечня ВАК. Все работы опубликованы без соавторов.

Структура и объем диссертации. Диссертация содержит 110 страниц, в том числе 15 рисунков, 7 таблиц, список литературы из 99 наименований и состоит из введения, пяти глав, заключения и списка литературы

Заключение диссертации по теме «Элементы и устройства вычислительной техники и систем управления», Щепетов, Денис Сергеевич

5.6. Выводы.

1. Рассмотрен алгоритм выделения стимулов ЭКС. Предложена программная реализация двухэтапного алгоритма автоматического распознавания стимулов ЭКС. На первом этапе в носимом регистраторе производится фильтрация высокочастотного канала ЭКС и его децимация в один или несколько каналов 250 Гц для последующей обработки в персональном компьютере. В персональном компьютере производится выделение эпизодов работы ЭКС с помощью алгоритма Expectation-Maximization с оптимально подбираемым размером выборки значений. Проведено тестирование метода на наборе из длительных записей ЭКГ: значения ошибок первого и второго рода не превысили 0,03%.

2. Предложены варианты оптимизации ПО для распознавания элементов сигнала ЭКГ с использованием технологий CUDA, SSE1-3, 3DNow!. (или CUDA, SSE1-3 и 3DNow!) Решена проблема выбора подходящего набора или технологии в зависимости от аппаратного оснащения компьютера. Предложены алгоритмы вычисления резонансных преобразований с учетом особенностей выбранных технологий. Показано, что при совместном использовании технологий GPGPU и SIMD достигается более чем трехкратный прирост производительности по сравнению с обычной целочисленной арифметикой.

3. Предложен способ и архитектура поиска нарушений работы ЭКС с использованием деревьев решений. Архитектура основана на использовании деревьев решений с конечными и составными узлами. Конечные узлы обрабатывают циклическую очередь заданного размера из элементов ЭКГ. Составные узлы обрабатывают выходы конечных и других составных узлов. Показано, что данный способ позволяет легко кодировать и выявлять большинство распространенных нарушений работы ЭКС. Предложен способ автоматического формирования деревьев решений на основе фрагмента ЭКГ с последующей его коррекцией. Показано, что на наборе из 70447 нарушений усреднённый процент ошибок первого и второго рода составил 0,18% и 0, 07% соответственно.

Заключение.

В работе была поставлена и решена задача создания системы поиска нарушений работы ЭКС с помощью системы длительного мониторирования ЭКГ, основной особенностью которой является повышенное внимание к проблемам обеспечения достоверности выделения основных элементов ЭКГ. Основными результатами работы являются.

1. Разработан алгоритм выделения сигналов СР^, основанного на использовании резонансного кратно-масштабного преобразования, позволяющего эффективного выделять как собственные, так и стимулированные сигналы <да. Уровень ошибки при тестировании алгоритма на стандартных наборах ЭКГ составил.

2. Разработана модель сигнала ЭКГ для исследования свойств алгоритмов при различных параметрах записи ЭКГ и для тестирования качества работы разработанных процедур. С помощью этой модели удалось провести анализ свойств предложенного алгоритма выделения сигналов (21^, показать его эффективность при выделении сигнала СР^Б на сигнале ЭКГ искаженном шумами двух классов. Модель использовалась для тестирования алгоритма выделения элементов сигнала Р и для отладки компьютерной реализации алгоритмов выделения сигнала СР^ и Р.

3. Разработан алгоритм выделения элемента сигнала Р являющийся модификацией алгоритма для выделения сигналов СЖБ, позволяющий выделять элементы сигнала Р при низком отношении сигнал-шум и при высоких ЧСС. Проведено тестирование алгоритма на способность выделять элементы сигнала Р при известных характеристиках сигналов С^. Проведено тестирование предложенного кода формы для классификации элементов Р и Т на реальных ЭКГ из наборов АНА-ЭВ и М1Т-В1Н. Показано, что ошибки классификации первого и второго рода при использовании данного преобразования составили 0,5% и 0,7% соответственно. Предложен алгоритм обучения и выполнено его

94 тестирование. Показано

Чудней достоверностью 99Г аЛГ°РИ™ ШЗВ°ЛЯеТ ШДеЛЯТЬ Сигналы Р со остьк> 99% ^ отношений ситал/помеха s/n = о>5

4' вожена схема ре Дискретизации 250-8000 Г ' переменной частотой

ЭКС на частоте «ООО гД"°ЗВ°ЛЯЮЩая вь«елять „«пульсы сигнала повышенной (1000 Гц) РеГИСТрацию сигнала ЭКГ с работы системы «ЭКС ОТОИ ® МОМент возникновения нарушений частотой 250 Гц Эта схе„ " ПР°ИЗВ°ДИТЬ Руинный сьем ЭКГ с в л, позволяет получать ЭКГ »

В мо"енты возникновения высокого разрешения ся в регисС: экс с помощью

ЭКГ - их взаимного расГ ^ Ф°РМУ -гнала

Уеловияировер":?" ~ия овьема

В Р<*оте рассмотрены основные ¡Г"0 -процессора, модификации разработанных ^^ Дт »процессора и описаны ~ов Экг. Рассмо^ ^Р-ов для выделения основах преобразования с помощьк, встооГ ^ ^ Ре" помощью габридной ; ™ - процессор КИХ-филыра и с предпочтительнее JZ"ГГ"' ™ потребляемого тока Также в « ^ ЗРвНИЯ ^нынения ить „бьем нолучаю^:;:;:;;^1 метода-кодирования ЭКГ, основанный ПРе~н способ кодировании с использовани ^ ^ и интервальном опорного и, ПОЛЬЗОВанием низкочастотного сигаала „ рного. Исследованы вопрос,., „„ сигнала в качестве

Р^мер суточной записи Р Фильтрации сигнала ЭКГ На

Удаления помех с записи э^Т* *** лля нелинейного фильтра для ™ ' <™аура специальное эффективность на "7" " " П°™ «> с-иалов NoiseStressDatabaPse К°ДИР<~ ^азы данных зашумленньх*

Создана программная реализация двухэтапного алгоритма автоматического распознавания стимулов ЭКС. На первом этапе в носимом регистраторе производится фильтрация высокочастотного канала ЭКС и его децимация в один или несколько каналов 250 Гц для последующей обработки в персональном компьютере. В персональном компьютере производится выделение эпизодов работы ЭКС с помощью алгоритма Expectation-Maximization с оптимально подбираемым размером выборки значений. Проведено тестирование метода на наборе из длительных записей ЭКГ: значения ошибок первого и второго рода не превысили 0,03%. Проведена оптимизация по скорости работы предложенных алгоритмов для разных платформ. Разработаны варианты оптимизации ПО для распознавания элементов сигнала ЭКГ с использованием технологий CUDA, SSE1-3, 3DNow!. (или CUDA, SSE1-3 и 3DNow!) Решена проблема выбора подходящего набора или технологии в зависимости от аппаратного оснащения компьютера. Предложены алгоритмы вычисления резонансных преобразований с учетом особенностей выбранных технологий. Разработан способ и архитектура поиска нарушений работы ЭКС с использованием Деревьев решений. Архитектура основана на использовании, деревьев решений с конечными и составными узлами. Конечные узлы, обрабатывают циклическую очередь заданного размера из элементов ЭКГ. Составные Узлы обрабатывают выходы конечных и других составных узлов. Показано, что данный способ позволяет легко кодировать и выявлять большинство распространенных нарушений работы ЭКС. Предложен способ автоматического формирования деревьев решений на основе фрагмента ЭКГ с последующей его коррекцией. Показано, что на наборе из 70447 нарушений усреднённый процент ошибок первого и второго рода составил 0,18% и 0, 07% соответственно.

Список литературы диссертационного исследования кандидат технических наук Щепетов, Денис Сергеевич, 2011 год

1. JIM. Макаров. Холтеровское мониторирование. М: Медпрактика. -2003 с. 12

2. В.В. Мурашко, A.B. Стромынский. Электрокардиография. Учебное пособие. 8-е изд. М: МЕДпресс-информ. 2007 - с.345

3. L. Van Casteren, W. Huybrechts, R. Willems. Undersensing of ventricular fibrillation due to interference between a pacemaker and defibrillator in the same patient. // Europace. 2009 - v.10 - pp. 1390-1391

4. J.A. Jo et al. A nonlinear model of cardiac autonomic control in obstructive sleep apnea syndrome. // Ann Biomed Eng. 2007 - v.8 - pp.142543.

5. J. Gillberg. Detection of cardiac tachyarrhythmias in implantable devices. // J Electrocardiol. 2007 - v.40(6) - pp. 123-128.

6. H. Barakpour et al. Inappropriate Shock delivered by Implantable Cardioverter Defibrillator-Cardiac Resynchronization Therapy (ICD-CRT) due to myopotential oversensing. // Indian Pacing Electrophysiol J. 2009 - v. 1 -pp. 71-74.

7. G.Y. Oudit, D. Cameron, L. Harris. A case of appropriate inappropriate device therapy: hyperkalemia-induced ventricular oversensing. // Can J Cardiol. 2008 - v.3-pp.l6-18.

8. F.A. Bracke, A. Meijer, L.M. Van Gelder. Malfunction of endocardial defibrillator leads and lead extraction: where do they meet? // Europace. 2002 -v.l -pp. 19-24.

9. Y. Ye-Lin et al. The detection of intestinal spike activity on surface electroenterograms // Phys Med Biol. 2010 - v.55 - pp.663-680.

10. Polpetta A., Banelli P. Fully digital pacemaker detection in ECG signals using a non-linear filtering approach //Conf Proc IEEE Eng Med Biol Soc. -2008 pp.5406-10.

11. American Heart Association ECG Database DVD: // https://www.ecri.org/Products/Pages/AHAECGDVD.aspx

12. MIT-BIH Database Distribution Home Page //http://ecg.mit.edu

13. F. Jager et al. The Long-Term ST Database: A Research Resource for Algorithm Development and Physiologic Studies of Transient Myocardial Ischemia //Computers in Cardiology 2000 pp. 841-844

14. C. Vidal, P. Charnay, P. Arce. Enhancement of a QRS detection algorithm based on the first derivative, using techniques of a QRS detector algorithm based on non-linear transformations //IFMBE Proceedings. 2009 - v. 22 (6), pp. 393-396.

15. S. Ravindran, S. Dunbar, В. Nisarga. Real-time, low-complexity, low-memory solution to ECG-based heart rate detection //Conf Proc IEEE Eng Med Biol Soc. -2009-pp.1371-1374.

16. A. Ghaffari, M.R. Homaeinezhad, M. Akraminia et al. A robust wavelet-based multi-lead Electrocardiogram delineation algorithm //Med Eng Phys. 2009 -10-pp.l219-1227.

17. M. Boutaa, F. Bereksi-Reguig, S.M. Debbal. ECG signal processing using multiresolution analysis //J Med Eng Technol. 2008 v.32(6) - pp.466-78.

18. A. Charef, F. Abdelliche. Fractional wavelet for R-Wave detection in ECG signal //Crit Rev Biomed Eng. 2008 36(2-3): pp.79-91.

19. G. Kaleschke et al. Prospective, multicentre validation of a simple, patient-operated electrocardiographic system for the detection of arrhythmias and electrocardiographic changes //Europace. 2009 - v. 11 -pp. 1362-1368.

20. B. Abibullaev, H.D. Seo. A New QRS Detection Method Using Wavelets and Artificial Neural Networks //J Med Syst. 2010 Jan 20.

21. S. Moein. An MLP Neural Network for ECG Noise Removal Based on Kalman Filter //Adv Exp Med Biol. 2010 - v.680 - pp. 109-16.

22. O. Sayadi, M.B. Shamsollahi, G.D. Clifford. Synthetic ECG generation and Bayesian filtering using a Gaussian wave-based dynamical model //Physiol Meas. 2010 - v.10 - pp.1309-29

23. M. Riedl, A. Suhrbier, H. Malberg. Modeling the cardiovascular system using a nonlinear additive autoregressive model with exogenous input //Phys Rev E Stat Nonlin Soft Matter Phys. 2008 v.78 - p. 1

24. P.K. Mason, J.P. DiMarco Unresolved issues in implantable cardioverter-defibrillator therapy //Cardiol Clin. 2008 - v. 26 - pp.433-439.

25. И.А. Дубровский, С.П. Осташкин, O.B. Костылева. Изменение параметров имплантированных кардиостимуляторов при разряде батарей //Сборник научных трудов "Электроника, микро- и наноэлектроника". М., 2001, с.201-205.

26. Н.Н. Haseena, P.K. Joseph, А.Т. Mathew Classification of Arrhythmia Using Hybrid Networks //J Med Syst. 2010 Mar 10.

27. Q. Zhou, X. Liu, H. Duan. ECG Beat Classification Using Mirrored Gauss Model //Conf Proc IEEE Eng Med Biol Soc. 2005 -v.5 -5587-5590.

28. A. Mousa, A. Yilmaz Comparative analysis on wavelet-based detection of finite duration low-amplitude signals related to ventricular late potentials //Physiol Meas. 2004 - v.25 - pp. 1443-57.

29. B. Gunther, R.F. Jimenez, C. Picarte Wavelet analysis of arterial pressure and blood velocity pulsations in the aorta of anesthetized dogs //Biol Res. -1993-v.26 pp.391-396.

30. R. Poli, S. Cagnoni, G. Valli. Genetic design of optimum linear and nonlinear QRS detectors /ЛЕЕЕ Trans Biomed Eng. 1995 - v.42pp. 1137-41.

31. N. Kumaravel, S.M. Viswanathan. Real time implementation of genetic algorithm cancellation of sinusoidal noise in ECG using TMS320C50 DSP processor //Biomed Sci Instrum. 1999 - v.35 - pp. 169-74.

32. Cross-Platform Daughtercard Specification // http://focus.ti.com/lit/an/spra71 l/spra711 .pdf

33. TMS320VC5510/5510A Fixed-Point Digital Signal Processors http://focus.ti.com/lit/ds/symlink/tms320vc5510.pdf дата обращения 01.01.2009

34. Российское общество холтеровского мониторирования и неинвазивной диганостики // http://www.rohmine.ru.

35. S. Babaeizadeh et al. Improvements in atrial fibrillation detection for real-time monitoring //J Electrocardiol. 2009 - v.42(6) - pp.522-6.

36. F. Portet. P wave detector with PP rhythm tracking: evaluation in different arrhythmia contexts //Physiol Meas. 2008 - v.29 - pp.141-55.

37. Д.С. Щепетов. Алгоритм автоматического распознавания зубца Р на длительной записи ЭКГ //Биомедицинские технологии и радиоэлектроника 2009. №8. - С.98-106

38. D.S. Shchepetov. A multiscale algorithm for P-wave parameters estimation //Proc. of 4th Russian-Bavarian Conference on Biomedical Engineering. 2008 - pp. 132-140.

39. Д.С. Щепетов. Алгоритм автоматической детекции зубца Р // Электроника, микро- и наноэлектроника. Сб. научн. трудов / Под редакцией В.Я.Стенина. М.: МИФИ, 2008. -С. 141-146.

40. D. Shah. ECG manifestations of left atrial flutter //Curr Opin Cardiol. -2009-v.l-pp. 35-41.

41. R. Krenke et al. Electrocardiographic changes in patients with spontaneous pneumothorax //J Physiol Pharmacol. 2008 - v. 6 - pp.361-373.

42. N. Dagli, I. Karaca, M. Yavuzkir, M. Balin, N. Arslan. Are maximum P wave duration and P wave dispersion a marker of target organ damage in the hypertensive population //Clin Res Cardiol. 2008 - v. 2 - pp.98-104.

43. T.J. Silke. Atrial and ventricular arryhthmogenic potential in Turner Syndrome.//Pacing Clin Electrophysiol. 2008. v.31 - pp. 1140-1145.

44. A. Dogan et al. The effect of conversion type on P wave dispersion in patients with atrial fibrillation //Minerva Cardioangiol. 2008 - v.56 - pp.47782.

45. K. Ohkubo et al. P wave morphology of an arrhythmogenic focus in patients with atrial fibrillation originating from a pulmonary vein or the superior vena cava.//Circ J. 2008 -v.72 - pp. 1650-7.

46. Y. Koide et al. Usefulness of P-wave dispersion in standard twelve-lead electrocardiography to predict transition from paroxysmal to persistent atrial fibrillation //Am J Cardiol. 2008 - v. 102 - pp.573-577.

47. F. Censi et al.Time-domain and morphological analysis of the P-wave. Part I: Technical aspects for automatic quantification of P-wave features //Pacing Clin Electrophysiol. 2008 v.31 - pp.874-883.

48. D.N. Ghista, U.R. Acharya, T. Nagenthiran. Frontal plane vectorcardiograms: theory and graphics visualization of cardiac health status. //J Med Syst. 2010 v.34 - pp. 445-58.

49. C.L. Gardner, J.W. Jerome, R.S. Eisenberg. Electrodiffusion model simulation of rectangular current pulses in a voltage-biased biological channel //J Theor Biol. 2002 - v. 219 - v.291-299.

50. A. Ghaffari et al. Finding events of electrocardiogram and arterial blood pressure signals via discrete wavelet transform with modified scales //Proc Inst Mech Eng H. 2010 - v. 224 - pp. 27-42.

51. S.S. Mehta , N.S. Lingayat Application of support vector machine for the detection of P- and T-waves in 12-lead electrocardiogram // Comput Methods Programs Biomed. 2009 - v.93 - pp.46-60

52. J. Canny. A Computational Approach To Edge Detection //IEEE Trans. Pattern Analysis and Machine Intelligence 1986 - v.8 - pp.679-698.

53. T. Geback, P. Koumoutsakos. Edge detection in microscopy images using curvelets //BMC Bioinformatics. 2009 - v.3 - pp. 10:75.

54. С. Хайкин. Нейронные сети. Полный курс. 2006- с.350-370

55. G.A. Carpenter, S. Grossberg. Adaptive Resonance Theory //The Handbook of Brain Theory and Neural Networks, Second Edition ed. Michael A. Arbib. Massachusetts:MitPress - 2003 - pp. 87-90.

56. Л.Д. Ландау, И.М. Лифшиц. Квантовая механика. Физматгиз. М.:1963.- 704с.

57. В.М. Гусаров. Статистика. Юнити М.:2003 с.216

58. Serial Peripheral Interface Bus // http://en.wikipedia.org/wiki/SerialPeripheralInterfaceBus

59. G.M. Ungureanua et al. The event synchronous canceller algorithm removes maternal ECG from abdominal signals without affecting the fetal ECG //Computers in Biology and Medicine. 2009 - V. 39 - pp. 562-567

60. J.F. Dyro. Clinical Engineering Handbook. Academic Press : N.Y. 2004, pp. 462

61. B. Massot, C. Gehin, R. Nocua. A wearable, low-power, health-monitoring instrumentation based on a Programmable System-on-Chip //Conf Proc IEEE Eng Med Biol Soc. -2009 pp.4852-4855.

62. S. Lee, M.A. Lee. Real-time ECG data compression algorithm for a digital holter system //Conf Proc IEEE Eng Med Biol Soc. -200 -pp.4736-9.

63. E.Y. Imamoglu et al. Dispersion of the P wave as a test for cardiac autonomic function in diabetic children //Cardiol Young. 2008 v. 18 - pp.581585.

64. H. Grubitzsch et al. Analysis of atrial fibrillatory activity from highresolution surface electrocardiograms: Evaluation and application of a new system //Exp Clin Cardiol. 2008 - v.13 - pp. 29-35.

65. R. Jurkko et al. High-resolution signal-averaged analysis of atrial electromagnetic characteristics in patients with paroxysmal lone atrial fibrillation //Ann Noninvasive Electrocardiol. 2008 - v.13 - pp. 378-85.

66. W.H. Wu et al. Context-aware sensing of physiological signals //Conf Proc IEEE Eng Med Biol Soc. 2007 - v.2007 -5271-5275.

67. Хан Г.М. Быстрый анализ ЭКГ. М:1991 , стр 1.

68. ISO/IEC 9899 Programming languages - С // http://www.open-std.org/jtcl/sc22/wgl4/www/standards.html

69. Bishop С.М. Pattern Recognition And Mashine Learning // Springer : NY -2006-p. 181

70. Bishop C.M. Pattern Recognition And Mashine Learning // Springer : NY -2006-p. 124

71. R. Kutil. Parallelization of IIR Filters Using SIMD Extensions //Proc. IWSSIP: Bratislava 2008, pages 65-68

72. FIR Filter Algorithm Implementation Using Intel® SSE Instructions // http://download.intel.com/design/intarch/papers/323411 .pdf

73. M. Hosemann , G.P. Fettweis. On Enhancing SIMD-controlled DSPs for Performing Recursive Filtering //J. of VLSI Sig. Proc. Systems 2006, V. 43(2) pp. 125-142

74. Cross Compilation Tools // http://www.airs.com/ian/configure/configure5.html81. Introduction to GPU //http://www.gravity.uwa.edu.au/GPUDASWGintro.pdf

75. Описание технологии GPGPU // http://gpgpu.org/about

76. Описание технологии 3DNow //http://www.amd.com/us/products/technologies/3dnow/Pages/3dnow.aspx84. Cuda Toolkit overview //http://developer.nvidia.com/object/cuda32toolkitrc.html

77. OpenCL specification// http://www.khronos.org/registry/cl/86. Cuda reference 3.0 //http://developer.download.nvidia.com/compute/cuda/30/toolkit/docs/CudaRefe renceManual.pdf

78. J.J Ross, М.А. Denai, М.А. Mahfouf. A hybrid hierarchical decision support system for cardiac surgical intensive care patients. Part II. Clinical implementation and evaluation //Artif Intell Med. 2009 - v.45 -pp.53-62.

79. P. Augustyniak. Pursuit for the knowledge of a cardiology expert a hidden poll methodology //Conf Proc IEEE Eng Med Biol Soc. - 2008 - pp. 4333-6.

80. K. Sternickel. Automatic pattern recognition in ECG time series. //Comput Methods Programs Biomed. 2002 v. 68 - pp. 109-115.

81. A.J. Compton, H. Bolouri, A.W. Nathan. Arrhythmia recognition strategies and hardware decisions for the implantable cardioverter-defibrillator— a review //Med Eng Phys. 1995 - v. 17 - pp.96-103.

82. WG. Baxt et al. A neural computational aid to the diagnosis of acute myocardial infarction //Ann Emerg Med. 2002 - v.39 - pp. 366-73.