Содержание к диссертации
Введение
Глава 1. Методы и средства поиска нарушений в системе стимуляции при мониторировании ЭКГ .
1.1. Элементы сигнала ЭКГ. 8
1.2. Требования к системе поиска нарушений работы ЭКС 10
1.3. Методы обработки ЭКГ и выделения элементов сигнала ЭКГ. 16
1.4. Выводы 20
Глава 2. Метод резонансного преобразования .
2.1. Общие требования к методу. 21
2.2. Модель ЭКГ. 23
2.3. Резонансное преобразование 26
2.4. Оптимизация вычисления значения резонансного преобразования 32
2.6. Выводы 36
Глава 3. Выделение элементов Р и Т сигнала ЭКГ
3.1. Постановка задачи 38
3.2. Модификация резонансного преобразования 41
3.3. Тестирование модифицированного метода резонансного преобразования 44
3.4. Алгоритм обучения 49
3.4. Выводы 53
Глава 4. Аппаратные средства.
4.1. Структурная схема системы длительного мониторирования 55
4.2. Алгоритм работы алгоритмического сопроцессора 62
4.3. Способ кодирования ЭКГ. 68
4.4. Фильтрация и корректность передачи ЭКГ. 71
4.5. Выводы 75
Глава 5. Программная реализация .
5.1. Особенности программной реализации выделения эпизодов работы ЭКС 77
5.2. Программная оптимизация алгоритмов выделения элементов сигнала ЭКГ. 83
5.3. Тестирование эффективности предложенных оптимизаций 87
5.4. Программная реализация врачебной логики выделения нарушений работы ЭКС 88
5.5. Тестирование предложенной схемы 90
5.6. Выводы 91
Заключение 93
Приложения 95
Список использованной литературы
- Требования к системе поиска нарушений работы ЭКС
- Оптимизация вычисления значения резонансного преобразования
- Тестирование модифицированного метода резонансного преобразования
- Фильтрация и корректность передачи ЭКГ.
Введение к работе
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 AHA-DB и MIT-BIH 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 QRS и зубцов Р (сигналов QRS и Р, описывающих прохождение волны возбуждения по желудочкам и предсердиям соответственно). При длительном монтировании ЭКГ распознавание должно быть, очевидно, автоматическим. Параметры сигналов QRS, 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 QRS 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 QRS и Р на ЭКГ в присутствии стимулов ЭКС и использование полученных данных для анализа нарушений в системе «ЭКС - сердце» является актуальной задачей.
Состояние исследований по проблеме.
Задача повышения достоверности оценивания ЭКС с помощью ХМ может быть разбита на несколько подзадач. Во-первых, задача выделения импульсов ЭКС на поверхностной записи ЭКГ. Сначала эта задача решалась на программном уровне с помощью средств цифровой фильтрации (J. Gillberg, 2007). В работе (Y-Ye Lin, 2010) был предложен гибридный программно-аппаратный метод решения задачи, который позволил существенно увеличить достоверность выделения с 98% до 99,9%.
Во-вторых, задача выделения сигналов QRS и элементов сигналов Р,Т. Для решения задачи используются методы цифровой фильтрации с помощью Фурье (S. Ravindran, 2010) и вейвлет (В. Gunther, 1993) преобразований. Определенные успехи были достигнуты при использовании метода комплексных вейвлетов (A. Charef, 2008). В работе (R. Poli, 1995) оптимальная форма цифрового фильтра определялась методами генетического программирования. Несмотря на то, что значения ошибок распознавания первого и второго рода находятся на достаточно низком уровне 0,2-0,3%, эффективность их применения к анализу стимулированных QRS оказывается достаточно низкой (A. Mousa, 2004).
В-третьих, задача автоматического поиска нарушений ритма и функционирования ЭКС. Для ее решения используются словарные методы (К. Sternickel, 2002), методы нечеткой логики (WG. Baxt, 2002). Эти методы пригодны только для апостериорного анализа длительной записи, так что задача кодирования нарушений в носимом регистраторе остается открытой.
Целью диссертации является разработка системы, позволяющей существенно повысить достоверность распознавания на ЭКГ элементов сигнала QRS 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 QRS, существенно
различающихся по форме, включая сигналы QRS, вызванные импульсами ЭКС и имеющие
иную форму и длительность сравнительно с естественными сигналами QRS.
2. Разработать алгоритмы выделения сигналов Р при известных положениях сигнала
QRS, 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.
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.
Разработан и реализован модуль холтеровского монитора для анализа получаемых данных об элементах ЭКГ и стимулах ЭКС, позволяющий выделять и классифицировать эпизоды работы ЭКС для различных режимов работы ЭКС.
Практическая значимость.
1. Создана программная реализация высокоточного алгоритма выделения элементов сигнала QRS, позволяющая снизить ошибки распознавания первого рода до 0,04% и второго рода до 0,06%.
Создана программная реализация алгоритма выделения сигнала Р при низком значении отношения сигнал-шум, высокой частоте сердечных сокращений и наложении элемента сигнала Р на элементы сигналов предыдущего кардиоцикла.
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.
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.
Методы выделения сигналов QRS, Р и стимулов ЭКС, основанные на резонансном кратномасштабном преобразовании.
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
Требования к системе поиска нарушений работы ЭКС
Автоматическая обработка ЭКГ начинается с элемента QRS, имеющего наибольшую амплитуду. За элементом QRS следует элемент Т с меньшей амплитудой, но большей длительностью. Возможны случаи, когда элементы QRS и Т по форме и продолжительности практически неотличимы друг от друга. Наименьшим по амплитуде является элемент Р, который в общем случае предшествует элементу QRS, с которым связан интервалом PQ (время между началом элемента Р и началом следующего за ним элемента QRS) или интервалом PR (время между вершиной элемента сигнала Р и вершиной элемента сигнала QRS - зубцом R). Возможны случаи, когда связь между элементами Р и QRS нарушается. При этом может изменяться длительность интервалов PQ и PR, между двумя соседними элементами QRS может не быть ни одного элемента Р или, наоборот, могут находиться несколько элементов Р. Наконец, возможны случаи, когда вместо отдельных элементов Р между элементами QRS регистрируются непрерывные волнообразные изменения ЭКГ.
Дополнительные трудности в распознавании и классификации элементов сигнала ЭКГ возникают из-за шумов, неизбежных при длительном мониторировании. Шумы на ЭКГ принято разделять на три основных класса: высокочастотные (сетевая наводка и/или тремор), низкочастотные (медленные движения тела пациента и кожно-гальванический потенциал), QRS-подобные артефакты (скачки базовой линии, электромиографические сигналы из-за резких движений пациента) [1, 2].
Требования к достоверности распознавания элементов сигнала ЭКГ существенно возрастают при анализе ЭКГ пациента с имплантированным ЭКС. Импульсы ЭКС заметно различаются по амплитуде и длительности. Для обработки сигнала ЭКС требуется частота дискретизации не менее 8 кГц, которая заведомо избыточна для регистрации ЭКГ (250 Гц). Поэтому часто [З-б] обработка ЭКГ осуществляется в два этапа: в регистраторе производится предобработка высокочастотного сигнала ЭКГ (чаще всего, она сводится к фильтрации высокочастотного сигнала ЭКГ и его прореживанию до основной частоты дискретизации), в ПК производится анализ предобработанного сигнала с целью поиска стимулов ЭКС и определения точки стимуляции.
Основными причинами нарушений работы ЭКС являются: избыточная и недостаточная чувствительность, недостаточная амплитуда импульса, нарушение логики работы ЭКС. При избыточной чувствительности помехи или сигналы не физиологического происхождения воспринимаются как элементы Р, Т и переводят ЭКС в режим "молчания". При недостаточной чувствительности ЭКС не воспринимает сигналы Р или QRS из-за неправильной настройки входного каскада и переходит в режим "стимуляция". При недостаточной амплитуде импульса отсутствуют вызванные сигналы Р или QRS. При нарушении логики работы ЭКС ошибочно трактуются сигналы QRS, Р и Т [7 - 10]. Последствия таких ошибок часто печальны [11 - 13].
Нарушения работы ЭКС можно диагностировать на длительной записи ЭКГ, если известны положения импульсов ЭКС и элементов QRS, Р, Т. Эпизодам избыточной чувствительности обычно соответствует ЭКГ с высоким уровнем помех, на которой расстояние между элементами ЭКГ существенно увеличено. Эпизодам недостаточной чувствительности обычно соответствует ЭКГ с наложенными на элементы QRS, Р, Т импульсами ЭКС или с появлением импульсов в интервале рефрактерности. Эпизодам недостаточной амплитуды импульса соответствует ЭКГ с отсутствием временной связи сигналов QRS и Р с импульсами ЭКС. Эпизоды нарушения логики работы ЭКС выявить гораздо сложнее и, соответственно, сложнее подобрать признаки на ЭКГ. Довольно часто нарушения логики работы проявляются в необъяснимых изменениях интервалов между импульсами ЭКС.
Таким образом, для достоверного выделения элементов QRS, Р, Т и анализа их формы, а также выделения импульсов ЭКС устройство регистрации ЭКГ должно удовлетворять следующим требованиям:
Трехканальная суточная запись, оцифрованная АЦП с разрядностью 16 бит и частотой 8 кГц, потребует памяти устройства 3 Гб, что является неприемлемым с точки зрения стоимости хранения ЭКГ в мониторе. Поэтому для уменьшения размера записи используются различные механизмы предобработки [3-6], которые представляют собой комбинацию специализированной фильтрации для подавления стимулов ЭКС и прореживания сигнала с уменьшением частоты дискретизации до основной частоты дискретизации 250 Гц. Показано [3], что при выборе определенного алгоритма фильтрации частоты дискретизации 250 Гц достаточно для безошибочной передачи двухкамерной стимуляции с частотой 300 уд/мин (вероятность, такого режима близка к нулю).
Оптимизация вычисления значения резонансного преобразования
На первом шаге обработки ЭКГ в ПК производится выделения элементов QRS. Далее, на участках между найденными элементами QRS производится поиск элементов Р, Т. Полный список найденных элементов ЭКГ предъявляется пользователю (врачу) для ручной коррекции. На данном этапе пользователь исправляет ошибки выделения элементов ЭКГ, допущенные в автоматическом режиме. Необходимо отметить, что предоставление пользователю информации о допущенных ошибках в удобном для быстрого исправления ошибок виде является само по себе довольно сложной проблемой создания пользовательского интерфейса приложения, решению которой посвящено большое количество работ [19 -21]. В данной работе этот аспект разработки не рассматривается. После формирования списка элементов ЭКГ производится выделение стимулов ЭКС из высокочастотного канала и на основе взаимного расположения стимулов ЭКС и элементов QRS осуществляется выделение участков ЭКГ с нарушениями работы ЭКС. На последнем шаге выполняется редактирование пользователем списка нарушений работы ЭКС, сформированных в автоматическом режиме.
Методы обработки ЭКГ и выделения элементов сигнала ЭКГ
Методы выделения элементов сигнала ЭКГ можно разделить на две основные группы: фильтрационные и корреляционные. Фильтрационные методы основаны на выделении некоторой полосы частот и использовании КИХ- [22, 23] или БИХ-фильтров [24], преобразования Фурье [26] или выделении области фазового пространства и использовании вейвлет или бимлет преобразований [25, 27 - 29].
Затем задается метод разбиения множества значений преобразования (1.2) на подмножества, соответствующие сигнальным и паразитным элементам. В качестве обучающих множеств может использоваться либо вся ЭКГ для многопроходных алгоритмов, либо множество значений (1.2) для сигнала ЭКГ, полученного до момента разбиения. В настоящее время в большинстве алгоритмов используется метод обучения без учителя, и разбиение множества значений (1.2) на 2 класса осуществляется либо с помощью процедур кластеризации, либо с помощью- пороговых процедур. В последнем случае предполагается, что значение свертки (1.2) с элементами ЭКГ, которые требуется обнаружить, больше, чем значение свертки (1.2) со всеми паразитными элементами. Но это предположение выполняется далеко не всегда.
Методы, относящиеся к фильтрационному классу, обладают рядом достоинств: они просты в реализации, требуют относительно мало вычислительных ресурсов и позволяют с помощью выбора ядра K(t,w) в (1.2) получить близкое к нулю значение преобразования на известных типах шумов.
Основной недостаток фильтрационных методов состоит в том, что преобразование (1.2) является линейным. Это позволяет достоверно распознавать элементы сигнала ЭКГ только при выполнении двух условий. Во-первых, распознаваемые элементы сигнала должны иметь примерно схожие спектральные характеристики или. «форму». Во-вторых, все паразитные сигналы должны, быть примерно одинаковыми для всех записей ЭКГ и, будучи обработаны с помощью того или иного фильтрационного алгоритма; должны существенно отличаться от результатов фильтрации выделяемых элементов сигнала ЭКГ. Очевидно, эти условия выполняются далеко не всегда. Поэтому алгоритмы, фильтрационного класса часто допускают многочисленные систематические ошибки распознавания при наличии на ЭКГ элементов различной формы, а также артефактов, сходных по форме с выделяемыми элементами.
Фильтрационный метод позволяет создавать алгоритмы выделения, элементов сигнала QRS, которые достаточно эффективно работают на большинстве естественных ЭКГ и допускают небольшое число ошибок на тестовых международных базах Aha-Db (Database for Evaluation of Ventricular Arrhythmia Detectors) и Mit-Bih (Physiologic signal archives for-biomedical research) [14 - 16]. Но ЭКГ пациентов с имплантированными одно-, а чаще двухкамерными ЭКС содержит естественные и стимулированные элементы! сигнала QRS различной формы, которые не удовлетворяют первому условию применимости метода. Поэтому с выделением элементов QRS в процессе стимуляции возникают проблемы. Для выделения же элемента Р фильтрационные методы в чистом виде практически не применимы.
Корреляционные методы основаны на корреляции участков сигнала ЭКГ с известными элементами сигнала или, гораздо чаще, с функцией, которая определяется некоторой параметрической моделью сигнала ЭКГ [32 - 39]. Задача выделения элементов сигнала ЭКГ в этом случае сводится к проверке гипотезы о принадлежности сигнала к некоторой модели и поиска параметров модели, при которых сигнал ЭКГ удовлетворяет модели наилучшим образом.
Тестирование модифицированного метода резонансного преобразования
В спящий режим регистратор переходит в случае, если напряжение питания меньше порогового значения или если врач дал команду прекращения записи. В этом режиме алгоритмический сопроцессор не используется и питание на него не подается.
Основной процессор и алгоритмический сопроцессор выполняют несколько задач одновременно с регистрацией ЭКГ. В литературе описаны два способа обеспечения многозадачности при регистрации ЭКГ.
1) Синхронная регистрация ЭКГ с некоторой тактовой частотой. В этом случае отчеты ЭКГ оцифровываются через заданные промежутки времени, а все остальные операции - сжатие, обработка событий пациента, сохранение ЭКГ в память регистратора - осуществляются на временном промежутке между последовательными операциями оцифровки сигнала. При этом равномерность оцифровки не гарантируется.
2) Асинхронная регистрация ЭКГ при поступлении очередного отсчета или по сигналу внешнего или внутреннего тактирующего устройства. В этом случае, сигнал в обработчике прерывания записывается в один или несколько внутренних буферов памяти, а операции сжатия и сохранения в память осуществляются уже над буферами.
Первый способ достаточно прост в реализации и отладке. При наличии достаточно быстродействующих узлов и достаточной пропускной способности шины обмена данными, возможно обеспечить нулевую задержку при передаче ЭКГ в режиме функциональной пробы. Однако, на сегодняшний день при регистрации сигнала с частотой ЭКГ выше 250 Гц этот способ практически не используется, т.к. на высоких частотах дискретизации при доступной элементной базе регистратор не успевает оцифровывать, проводить анализ, сжимать и сохранять во внутреннюю память сигнал, что приводит к пропускам сигнала ЭКГ.
Второй способ заключается в том, что при срабатывании внешнего или внутреннего тактирующего генератора возникает прерывание. В обработчике прерывания происходит оцифровка и сохранение сигнала ЭКГ в кольцевой буфер ОЗУ регистратора. Как только в буфере накапливается заданный объём данных, они передаются на сигнальный процессор, где производится их обработка. При этом возникает проблема синхронизации операций чтения (в прерывании) и преобразования ЭКГ. Попытки делать обработку ЭКГ в прерывании сводят на нет все преимущества асинхронной регистрации и, фактически, превращают ее в синхронную. Использование различных примитивов синхронизации, например, флагов доступа влечет за собой расход вычислительных ресурсов на обеспечение синхронизации.
Для того, чтобы избежать явной синхронизации предлагается следующая схема обработки. ЭКГ сигнал, оцифрованный в прерывании, записывается в один из двух буферов размером 1024 байт (табл. 4.2). Таблица 4.2. Формат записи данных в блоке.
При наполнении одного из буферов, хранящиеся в нем значения копируются в буфер преодобработки, а также путем усреднения преобразуются к частоте дискретизации 1000 Гц, а затем к частоте дискретизации 250 Гц. Оцифрованный сигнал ЭКГ в это время записывается в другой буфер ( рис. 4.3). Прием ЭКГ " в прерывании і — Буфер 8000 Гц Буфер 8000 Гц ч і Кольцевой буфер 1000 ГЦ Буфер предобработки ЭКС Кольцевой буфер 250 ГЦ
Основной особенность предложенного решения является зависимость от длительности импульса ЭКС. Схему аналогичную (1) можно реализовать без использования вычислительных ресурсов процессора с помощью программируемых полосовых фильтров (MAX267AENG) . Схема представлена на рис. 4.3.
Схема одноканальная схема выделения ЭКС. Обозначение U+,- - напряжение питания; V,Z - сигнальный и опорный электроды; S+ . цифровые входы фильтра. I+i входы для внешнего питания фильтра. В -цифровой управляющий вход фильтра. OutSPI - цифровой выход процессора; In -аналоговый вход процессора.
Данная схема позволяет учитывать длительность стимулятора, но не его форму, что проявляется в том, что измеренная амплитуда стимулятора зависит как от его положения, так и от мест крепления электродов. Однако применение аналоговой схемы позволит сэкономить вычислительные ресурсы процессора и снизить его потребление на 1 мА.
Использование двухбуферной схемы на рис. 4.3 при дискретизации высокочастотной ЭКГ позволяет исключить явную синхронизацию процедур записи и преобразования ЭКГ, т.к. они осуществляются в разных буферах. Единственным параметром метода является размер буфера, который должен быть достаточно большим, чтобы за время его заполнения, процессор успевал обработать ЭКГ. Исходя из этих соображений, размер одного каждого буфера выбран равным 1024 байт для тактовой частоты 8 МГц алгоритмического сопроцессора (рис. 4.1).
Для выделения участков ЭКГ используются алгоритмы изложенные в гл. 2. В качестве специализированного фильтра (2.1) используются КИХ-фильтр 32 порядка с полосой пропускания 3 - 20 Гц при частоте регистрации 250 Гц (рис. 4.2.) Управление параметром длительности в формуле (2.3) заключается в динамической передискритизации сигнала ЭКГ и повторной его обработке КИХ фильтром. Подобная схема позволяет использовать один и тот же КИХ-фильтр для разных диапазонов частот.
Для повышения производительности алгоритма кратномасштабная обработка осуществляется только на трех масштабах ЭКГ, соответствующих частотам регистрации 125, 250, 500 Гц. Для оценки достоверности разметки ЭКГ при переходе от практически непрерывной шкалы параметров ширины к дискретной шкале из баз данных AHA-DB [12] и Mit-Bih [13] алгоритмом в режиме эмуляции рассчитаны а-ошибки (ложно - положительные) и (3-ошибки (ложно - отрицательные) (табл. 4.3).
Фильтрация и корректность передачи ЭКГ.
Выбранный метод расчета резонансного преобразования (2.7), (2.14) позволяет использовать различные процедуры оптимизации, ориентированные на архитектуры современных процессоров, прежде всего на расширения команд SIMD [76], 3dNow [77]. При условии наличия соответствующих аппаратных средств весьма эффективной для оптимизации сложных математических вычислений является и технология «общих вычислений с использованием графических процессоров» GPGPU. Она допускает эффективную реализацию цифровой фильтрации с использованием КИХ фильтров. Как технология SSE, так и технология GPGPU обладают рядом специфических особенностей, которые требуют не только переписывания программного кода под соответствующие технологии, но и перепроектирования всего приложения, и модификаций используемых алгоритмов.
Применительно к SIMD алгоритмам необходима блочно сть данных, когда любое действие может быть применено только к блоку данных определенного размера, но никак не к какой-либо переменной или ячейке памяти [77-80]. Применительно к технологии GPGPU необходима синхронизация всех потоков в случае возникновения ветвления в одном из них [81]; также возможно возникновение конфликтов доступа в случае доступа к соседним элементам разделяемой памяти двумя различными потоками[82-84]. В любом случае, для оптимизации необходимо, чтобы аппаратная часть ПК удовлетворяла определенным требованиям к реализации наборов инструкций в процессоре для SSE или наличию видеоадаптера, поддерживающего технологию CUDA/OpenCL для GPGPU [85, 86].
При использовании SIMD расширений необходимо учитывать, что процессоры ПЭВМ, для которых должна была быть обеспечена работоспособность системы мониторирования, поддерживают несколько различных поколений наборов команд SSE и 3DNow!, часто несовместимых между собой. Поэтому необходимо предусмотреть возможность использования различного кода в зависимости от платформы, на которой запускается приложение. Эта задача может быть решена конфигурацией ПО на этапе инсталляции [80], сборкой системы из исходных кодов, или подстановкой заранее скомпилированного кода в зависимости от конфигурации оборудования [76].
Система длительного мониторирования разрабатывалась как составная часть аппаратно программного комплекса «Союз», технические условия которого предусматривали возможность замены центрального процессора в поставляемом в его составе ПК. Это исключало привязку к ЦПУ на этапе компиляции или на этапе сборки целевого устройства. Поэтому для решения поставленной задачи выбран третий способ.
Оптимизированные функции, зависящие от конкретного набора команд, вынесены в специальную динамически загружаемую библиотеку. Вызов оптимизированной процедуры происходит в соответствии со схемой рис. 5.2.
Система длительного мониторирования поставляется с несколькими наборами функций1 (целевых библиотек), реализованных с применением той или иной технологии, например, с набором функций, оптимизированных с использованием SSE1. Каждый набор функций представляет собой динамически подгружаемую библиотеку. Пользовательское приложение использует одну основную библиотеку. При загрузке этой библиотеки в память, вызывается функция определения конфигурации процессора и наличия необходимого оборудования; в результате определяется, какой именно набор функций будет использован. Затем адреса вызовов функций основной библиотеки меняются на адреса вызовов функций из целевой библиотеки с помощью механизма заглушек. Пользовательские библиотеки осуществляют вызов функций единым образом.
Оптимизация с помощью инструкций SSE1-3 требует выполнения двух правил: 1) адресуемая память должна быть выровнена на заданную границу в 16 байт для SSE1 - SSE3, 2) операции могут проводиться с блоками, содержащими элементы только одного типа. С учетом, этих правил разработан код на C++, который позволяет выполнить свертку двух массивов элементов, который приведен в приложении на листинге П.1. В результате для вычисления преобразования (3.1) требовалось всего 4 операции блочного умножения на каждый элемент.
С целью оптимизации доступа к памяти обрабатываемый участок ЭКГ компоновался в виде двумерного изображения с байтовым размером ряда, равным размеру 8 кэш-линий целевого процессора (для большинства процессоров размер кэш-линии составлял 64 байта). Из листинга П.1. видно, что вычисление значения преобразования (2.7) не может быть выполнено локально для одной точки (фундаментальное ограничение технологии SIMD), но может быть выполнено только для некоторой окрестности. Размер окрестности при использовании 16-ти битных переменных составляет 4 точки. Таким образом, радиус, равный 4-м отсчетам, является оптимальным с точки зрения производительности для осуществления латерального подавления.
Программирование методов с применением GPGPU выполнено по технологии CUD А [81-86]. Использование этой технологии порождает следующие ограничения: 1) относительно медленная скоростью доступа к разделяемой памяти, 2) возникновение конфликтов работы при использовании ветвящихся алгоритмов в пределах одного ядра, 3) возникновение конфликтов доступа при обращении к соседним банкам разделяемой памяти. Указанные ограничения преодолены разделением областей хранения ЭКГ, коэффициентов фильтра и результатов фильтрации. При этом ЭКГ загружается в текстурную память, коэффициенты фильтра в память, предназначенную для констант, а результаты фильтрации хранятся в разделяемой памяти.
Участок ЭКГ, для которого вычисляются значения преобразований (2.1)-(2.7) записывается в виде двумерного сигнала S: S(x,y) = ecg(N y + x). Число N равно корню из числа потоков на видеоустройстве, чтобы минимизировать количество конфликтов одновременного доступа к одной ячейке памяти. Дополнительно использован механизм развертывания циклов для ускорения вычисления преобразования (2.1).
