Ein neuartiges Mustererkennungsverfahren zur Detektion und Lokalisierung von Myokardinfarkten unter Verwendung des T-Welle-Integrals und des Gesamtintegrals als extrahierte Merkmale aus einem Zyklus des EKG-Signals

In diesem Artikel wurden zwei neue Merkmale – das T-Welle-Integral und das Gesamtintegral – als aus einem Zyklus normaler und patientenspezifischer ECG-Signale extrahierte Merkmale verwendet, um die Detektion und Lokalisierung einer Myokardinfarktion (MI) im linken Ventrikel des Herzens durchzuführen. In unseren vorherigen Arbeiten wurden Merkmale aus der Datenreihe der Körperoberflächenpotentialkarte (Body Surface Potential Map, BSPM) für diesen Zweck eingesetzt. Da wir jedoch wissen, dass das Standard-ECG weitaus verbreiteter ist, konzentrierten wir uns in dieser Arbeit auf die Detektion und Lokalisierung der MI anhand des Standard-ECG. Das T-Welle-Integral wurde gewählt, da dieses Merkmal eine wichtige Aussage über die Form der T-Welle bei einer MI darstellt. Das zweite Merkmal in dieser Forschung ist das Gesamtintegral eines ECG-Zyklus, da wir davon ausgehen, dass eine MI die Morphologie des ECG-Signals beeinflusst, was zu Veränderungen des Gesamtintegrals führt. Zur Detektion und Lokalisierung der MI wurden verschiedene Mustererkennungsmethoden eingesetzt, insbesondere künstliche neuronale Netze (Artificial Neural Network, ANN), da diese Methode eine sehr hohe Genauigkeit bei der Klassifikation normaler und abnormer Signale aufweist. Als spezielle Art des Radialbasisfunktion-Netzwerks (Radial Basis Function, RBF) wurde das probabilistische neuronale Netz (Probabilistic Neural Network, PNN) verwendet, aufgrund seiner nichtlinearen Eigenschaften. Zusätzlich wurden weitere Klassifikatoren wie k-Nächste-Nachbarn (k-Nearest Neighbors, KNN), Multilayer Perceptron (MLP) und Naive Bayes-Klassifikation eingesetzt. Als Trainings- und Testdatenbasis wurde die PhysioNet-Datenbank verwendet. Die erreichte Genauigkeit für die Lokalisierung betrug über 76 %, während die Detektion der MI eine Genauigkeit von über 94 % erreichte. Die Hauptvorteile unseres Ansatzes liegen in seiner Einfachheit und seiner hohen Genauigkeit. Zudem lässt sich die Klassifizierungsgenauigkeit durch Hinzufügen weiterer Merkmale weiter verbessern. Es wird ein einfacher Ansatz vorgestellt, der ausschließlich auf zwei aus dem Standard-ECG extrahierten Merkmalen basiert und dabei eine gute Genauigkeit bei der Lokalisierung von Myokardinfarkten zeigt.