Automatische Auswertung von Elektrokardiogrammen - Computer ...
Automatische Auswertung von Elektrokardiogrammen - Computer ...
Automatische Auswertung von Elektrokardiogrammen - Computer ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Westfälische Wilhelms-Universität Münster<br />
Thema:<br />
<strong>Automatische</strong> <strong>Auswertung</strong> <strong>von</strong><br />
<strong>Elektrokardiogrammen</strong><br />
Ausarbeitung<br />
im Rahmen des Hauptseminars „Mustererkennung im Alltag“<br />
Themensteller: Prof. X. Jiang<br />
Betreuer: Steffen Wachenfeld<br />
im Fachgebiet Informatik<br />
am Lehrstuhl Prof. X. Jiang<br />
vorgelegt <strong>von</strong>: Mirja Schettler und: Jost Waldmann<br />
Leostr. 11 Heisstr. 14<br />
48153 Münster 48145 Münster<br />
0251-2034184 0251-3972706<br />
schettle@uni-muenster.de jwaldmann@promedici.de<br />
Abgabetermin: 2005-05-30
Inhaltsverzeichnis<br />
Inhaltsverzeichnis ..............................................................................................................I<br />
Abbildungsverzeichnis .....................................................................................................II<br />
Tabellenverzeichnis........................................................................................................ IV<br />
1 Einleitung......................................................................................................................1<br />
2 Das Elektrokardiogramm..............................................................................................2<br />
2.1 Entstehung und Registrierung des Elektrokardiogramms .....................................2<br />
2.1.1 Elektrische Aktivität des Herzens ................................................................2<br />
2.1.2 Vektortheorie................................................................................................3<br />
2.1.3 EKG-Ableitungssysteme..............................................................................4<br />
2.2 Diagnostische <strong>Auswertung</strong> des Elektrokardiogramms..........................................9<br />
2.2.1 Schema eines Herzzyklus im EKG ..............................................................9<br />
2.2.2 Standardmäßiger Ablauf der Analyse ........................................................11<br />
2.2.3 EKG-Lagetypen .........................................................................................12<br />
2.2.4 Zeiten- und Formanalyse............................................................................13<br />
2.3 Die automatische EKG-<strong>Auswertung</strong> ...................................................................17<br />
2.3.1 Geschichte der automatischen EKG-Analyse ............................................17<br />
2.3.2 Verfahren in der automatischen EKG-Analyse..........................................18<br />
3 Wavelets......................................................................................................................21<br />
3.1 Einführung ...........................................................................................................21<br />
3.2 Signale - Repräsentationen ..................................................................................21<br />
3.3 Grundlagen ..........................................................................................................22<br />
3.3.1 Diskrete Wavelet-Transformation..............................................................22<br />
3.3.2 Inverse Diskrete Wavelet-Transformation .................................................25<br />
3.3.3 Wavelets als Basen <strong>von</strong> Vektorräumen......................................................26<br />
3.4 Multi-Resolution-Analysis ..................................................................................28<br />
3.5 Weitere Eigenschaften der Wavelet-Transformation ..........................................29<br />
3.6 Implementation als Filterbank .............................................................................31<br />
3.7 Motherwavelets - Beispiele .................................................................................34<br />
4 Automatisierte EKG-<strong>Auswertung</strong> mit Hilfe <strong>von</strong> Wavelets ........................................37<br />
4.1 Das Verfahren nach Saxena.................................................................................37<br />
4.1.1 Bestimmung <strong>von</strong> QRS-Bezugspunkten......................................................38<br />
4.1.2 Bestimmung der P-, Q-, R-, S- und T-Zacken ...........................................40<br />
4.1.3 Parameterberechnung.................................................................................43<br />
4.1.4 Weitere Vorgehensweise des Verfahrens...................................................43<br />
4.1.5 Ergebnisse ..................................................................................................44<br />
4.2 Modifiziertes Verfahren.......................................................................................44<br />
5 Fazit ............................................................................................................................46<br />
Literaturverzeichnis.........................................................................................................47<br />
I
Abbildungsverzeichnis<br />
Abb. 2.1: Herzmuskelsystem und Reizleitung ...............................................................3<br />
Abb. 2.2: Orthogonales Ableitungssystem nach Frank ..................................................5<br />
Abb. 2.3: Die konventionellen Ableitungen in der Frontal- und Horizontalebene ........6<br />
Abb. 2.4: Einthoven-Ableitungen...................................................................................6<br />
Abb. 2.5: Goldberger-Ableitungen.................................................................................7<br />
Abb. 2.6: Brustwandableitungen nach Wilson ...............................................................8<br />
Abb. 2.7: Normales Elektrokardiogramm ......................................................................9<br />
Abb. 2.8: Schema eines Herzzyklus .............................................................................10<br />
Abb. 2.9: Cabrera-Kreis................................................................................................12<br />
Abb. 2.10: Veränderte P-Wellen bei Vergrößerung des linken bzw. des rechten<br />
Vorhofs .........................................................................................................14<br />
Abb. 2.11: Veränderter QRS-T-Bereich in den Brustwandableitungen bei Rechts- und<br />
Linksschenkelblock ......................................................................................15<br />
Abb. 2.12: Veränderter QRS-Komplex in den Brustwandableitungen bei vergrößerter<br />
linker bzw rechter Herzkammer ...................................................................16<br />
Abb. 2.13: EKG-Veränderungen beim frischen und alten Herzinfarkt..........................17<br />
Abb. 3.1: Vier Basisfunktionen und das darzustellende Signal ...................................23<br />
Abb. 3.2: Wavelet-Transformation - Aufteilung eines Signals in Approximation und<br />
Details...........................................................................................................23<br />
Abb. 3.3: Mehrmalige Anwendung der Wavelet-Transformation................................24<br />
Abb. 3.4: Level 1 Haar-Wavelet-Transformation.........................................................24<br />
Abb. 3.5: Level 2 Haar-Wavelet-Transformation des Signals f ...................................25<br />
Abb. 3.6: Allgemeine Inverse-Wavelet-Transformation..............................................25<br />
Abb. 3.7: Allgemeine Inverse-Haar-Transformation....................................................26<br />
Abb. 3.8: Inverse-Haar-Transformation des Signals f..................................................26<br />
Abb. 3.9: Wavelet- und Skalierungsfunktion als Basis ................................................27<br />
Abb. 3.10: Zeit-Frequenz-Diagramm der Wavelet-Transformation...............................28<br />
Abb. 3.11: Energie eines Signals....................................................................................29<br />
Abb. 3.12: Energieerhaltung eines Signals.....................................................................30<br />
Abb. 3.13: Energieverdichtung eines Beispielsignals ....................................................30<br />
Abb. 3.14: Diskrete Faltungssumme ..............................................................................31<br />
Abb. 3.15: Formel zur Berechnung der Skalierungs-Koeffizienten...............................32<br />
Abb. 3.16: Formel zur Berechnung der Wavelet-Koeffizienten.....................................32<br />
Abb. 3.17: Dekomposition mittels einer Filterbank .......................................................33<br />
Abb. 3.18: Rekonstruktions- oder Syntheseformel ........................................................33<br />
Abb. 3.19: Synthese des Ursprungssignals mittels Filterbank .......................................34<br />
Abb. 3.20: Skalierungsfunktion des Haar-Wavelets ......................................................35<br />
Abb. 3.21: Waveletfunktion des Haar-Wavelets ............................................................35<br />
Abb. 3.22: Skalierungsfunktion des Daubechies6-Wavelets..........................................36<br />
Abb. 3.23: Waveletfunktion des Daubechies6-Wavelets ...............................................36<br />
Abb. 4.1: Bestimmung der QRS-Bezugspunkte in d 4 ..................................................39<br />
Abb. 4.2: Bestimmung der EKG-Wellen. EKG-Signal mit Bezugspunkten................41<br />
Abb. 4.3: Charakteristische Punkte der EKG-Kurve....................................................42<br />
II
III
Tabellenverzeichnis<br />
Tab. 2.1: EKG-Komponenten und ihre Bedeutung .....................................................10<br />
Tab. 2.2: Lagetypen beim gesunden Menschen...........................................................13<br />
Tab. 2.3: Normale Werte der einzelnen EKG-Abschnitte ..........................................13<br />
IV
1 Einleitung<br />
Mit Hilfe der Elektrokardiographie wird im klinischen Alltag das Herz auf Leistungsfähigkeit<br />
und Krankheiten untersucht. Die ärztliche Analyse des Elektrokardiogramms<br />
(EKG) erfolgt durch assoziatives Formerkennen und ist oft vielseitig, zeitaufwendig<br />
und kompliziert, deshalb wird seit Anfang der 60er Jahre an Verfahren zur automatischen<br />
EKG-Analyse geforscht. Es existiert eine Vielzahl an unterschiedlichen Ansätzen<br />
zur automatischen <strong>Auswertung</strong>, <strong>von</strong> denen in dieser Ausarbeitung ein Ansatz, der mit<br />
der Wavelet-Transformation arbeitet, vorgestellt und implementiert werden soll.<br />
Zum besseren Verständnis solcher Verfahren werden im zweiten Kapitel Grundlagen<br />
der Elektrokardiographie und der automatischen EKG-<strong>Auswertung</strong> dargestellt. Das dritte<br />
Kapitel gibt eine kurze Einführung in die Wavelet-Theorie. Im letzten Kapitel wird<br />
dann ein ausgewähltes Verfahren erläutert, welches die Wavelet-Transformation nutzt.<br />
1
2 Das Elektrokardiogramm<br />
Die Elektrokardiographie ist eine Untersuchungsmethode der kardiologischen Diagnostik<br />
in der die elektrischen Vorgänge des Herzens abgeleitet und in Form einer Herzstromkurve<br />
dargestellt werden. Diese zeigt bei vielen Herzkrankheiten typische Veränderungen,<br />
die <strong>von</strong> einem erfahrenen Kardiologen schnell und sicher erkannt werden<br />
können. Da die Untersuchung auf der Hautoberfläche geschieht, ist die Registrierung<br />
einfach und ohne Belastung für den Patienten durchführbar. 1<br />
Die elektromotorischen Kräfte entstehen durch die Erregung der Herzmuskelfasern.<br />
Dabei kann die größte Kraft - der Haupt- oder Summationsvektor - auf die Körperoberfläche<br />
projiziert werden. Das EKG bildet diesen Summationsvektor als Zacke auf dem<br />
jeweiligen Ableitungspunkt ab. 2<br />
Zum besseren Verständnis des EKG’s werden in diesem Kapitel zuerst die Erregungsabläufe<br />
im Herzen und die Vektortheorie der elektrischen Vorgänge erläutert. Darauf<br />
folgend werden verschiedene Möglichkeiten der EKG-Registrierung durch Ableitungssysteme<br />
vorgestellt und die normale, d.h. gesunde, Herzstromkurve sowie typische pathologische3<br />
Veränderungen aufgezeigt.<br />
2.1 Entstehung und Registrierung des Elektrokardiogramms<br />
2.1.1 Elektrische Aktivität des Herzens<br />
Das Herz bildet die für seine Muskelkontraktionen notwendigen Impulse selbst. Die<br />
normale Erregungsbildung vollzieht sich im Sinusknoten. Dann schlägt das Herz mit<br />
einer Frequenz <strong>von</strong> 60-80 Schlägen/min. Von dort gelangen die Erregungsimpulse<br />
strahlenförmig über den rechten Vorhof und die Vorhofmuskulatur zum AV-Knoten4 .<br />
Gleichzeitig wird der Reiz auf den linken Vorhof geleitet. Nach dem AV-Knoten erreicht<br />
er das His-Bündel5 und über den linken und rechten Tawara-Schenkel6 die Purkin-<br />
1<br />
Vgl. So (1998), S. 5.<br />
2<br />
Vgl. Olshausen, Börger (1996), S. 10ff.<br />
3<br />
Pathologisch bedeutet krankhaft.<br />
4<br />
Der Atrioventrikularknoten leitet die vom Sinusknoten ausgehende Erregung verzögert weiter, sodass<br />
Vorhof- und Kammererregung nicht gleichzeitig, sondern nacheinander erfolgen. Vgl. de Gruyter<br />
(1993), S. 256.<br />
5<br />
Das His-Bündel ist die einzige muskuläre Verbindung zwischen dem Vorhof und den Herzkammern.<br />
Vgl. de Gruyter (1993), S. 266.<br />
6<br />
Die Tawara-Schenkel sind ein Teil des Erregungsleitungssystems des Herzens. Sie sind Ausläufer<br />
des His-Bündels und verzweigen sich in die Purkinje-Fasern. Vgl. de Gruyter (1993), S. 266.<br />
2
je-Fasern. Diese Phase, in der sich das Herz zusammenzieht und Blut in die Arterien<br />
pumpt, wird als Systole bezeichnet. 7<br />
In der Diastole, der Erschlaffungsphase, bildet sich die Erregung <strong>von</strong> der Herzspitze aus<br />
in Richtung Vorhöfe wieder zurück. Blut strömt aus den Venen in die rechte Herzkammer<br />
zurück und gleichzeitig fließt sauerstoffreiches Blut aus der Lunge in das linke<br />
Herz.<br />
Quelle: Vgl. Kleindienst (2005), physiologie/physiologie.htm.<br />
Abb. 2.1: Herzmuskelsystem und Reizleitung 8<br />
Sollte der Sinusknoten nicht in der Lage sein Reize zu bilden, kann der AV-Knoten als<br />
sekundärer Schrittmacher die Erregungsbildung übernehmen, dann schlägt das Herz mit<br />
niedrigerer Frequenz <strong>von</strong> etwa 40-60 Schlägen/min. Im Falle einer Störung der Reizbildung<br />
bzw. -weiterleitung im AV-Knoten können noch im Kammerbereich Reize gebildet<br />
werden, wobei das Herz mit der Frequenz <strong>von</strong> nur etwa 20 Schlägen/min schlägt<br />
und eine akute Gefahr des Herzversagens besteht.<br />
2.1.2 Vektortheorie<br />
Während der Reizbildung und –weiterleitung entstehen in jeder Einzelzelle des Herzens<br />
Potentialdifferenzen9 . Ein erregter Muskelbereich verhält sich gegenüber einem unerregten<br />
Bereich elektrisch negativ. Der erregte und unerregte Teil einer Herzmuskelfaser<br />
können deshalb als elektrischer Dipol aufgefasst werden, wobei die Spannung vom er-<br />
7 Vgl. So (1998), S. 3ff.<br />
8 Mit Änderung der Beschriftungen.<br />
9 Potentialdifferenz = Spannungsdifferenz<br />
3
egten zum unerregten Pol zeigt. Die elektrischen Dipole werden durch Vektoren mit<br />
bestimmter Richtung10 und Größe11 dargestellt. 12<br />
Die Elementarvektoren der Einzelmuskelzellen während der Herzaktion bilden in ihrer<br />
Summe durch das Parallellogramm der Kräfte den Summationsvektor. Dieser ändert<br />
ständig Richtung und Größe und wird im EKG durch Messung der Spannungsveränderungen<br />
an bestimmten EKG-Ableitungspunkten in Form einer Kurve dargestellt. 13<br />
2.1.3 EKG-Ableitungssysteme<br />
Der Summationsvektor kann an der Körperoberfläche mit Hilfe <strong>von</strong> zwei Elektroden<br />
gemessen werden. Dabei wird eine Elektrode an den negativen, die andere an den positiven<br />
Pol des Elektrokardiographen angeschlossen. Je nach Ableitung sind die Elektroden<br />
an unterschiedlichen Körperstellen angebracht. Zeigt der Summationsvektor in die<br />
gleiche Richtung wie eine Ableitung, dann wird auf der entsprechenden EKG-Kurve<br />
eine positive Zacke geschrieben, bei entgegengesetzter Richtung eine negative. 14<br />
Das EKG wird normalerweise im Ruhezustand des Patienten aufgenommen. Zur Registrierung<br />
dieses Ruhe-EKG’s gibt es viele verschiedene Ableitungssysteme, <strong>von</strong> denen<br />
sich klinisch das konventionelle System mit 12 Ableitungen, welche zeitgleich die<br />
EKG-Kurve registrieren, durchgesetzt hat. Das Ableitungssystem nach Frank, welches<br />
für die <strong>Auswertung</strong> mit <strong>Computer</strong>n besser geeignet ist, weil es durch seine drei orthogonalen<br />
Ableitungen weniger redundante Daten erzeugt, wird im klinischen Alltag<br />
kaum eingesetzt. 15 Abgesehen <strong>von</strong> diesen beiden gibt es noch weitere gebräuchliche<br />
Ableitungssysteme für spezielle Befundungen16 , die hier nicht weiter vorgestellt werden<br />
sollen.<br />
1. Korrigierte orthogonale Ableitungen nach Frank<br />
Drei senkrecht aufeinanderstehende bipolare Ableitungen X, Y und Z, die über sieben<br />
Elektroden gewonnen werden, bilden das Ableitungssystem nach Frank und dienen als<br />
Koordinatenachsen des Reizleitungsvektors. 17 Sie ermöglichen eine redundanzfreiere<br />
10 Entspricht der Richtung, in die die Spannung zeigt.<br />
11 Entspricht der Spannungsgröße.<br />
12 Vgl. Olshausen, Börger (1996), S. 1-10.<br />
13 Vgl. Oslhausen, Börger (1996), S. 10ff.<br />
14 Vgl. Wartak (1989), S. 10.<br />
15 Vgl. Deimling (1986), S. 9ff.<br />
16 Vgl. Olshausen, Börger (1996), S. 21ff.<br />
17 Vgl. Wagner (1985), S.40<br />
4
Analyse des Herzvektors als die konventionellen Ableitungen, haben sich aber wie<br />
schon erwähnt in der klinischen Praxis nicht durchsetzten können. 18<br />
Quelle: Wagner (1985), S.40.<br />
Abb. 2.2: Orthogonales Ableitungssystem nach Frank<br />
Die H-Elektrode wird am Hals angelegt und die F-Elektrode am linken Bein.<br />
2. Konventionelle Ableitungen<br />
Für die 12 konventionellen Ableitungen existiert ein breiter Erfahrungsschatz in der<br />
ärztlichen Diagnostik. 19 Sie setzen sich aus 6 Extremitätenableitungen, da<strong>von</strong> 3 Einthoven-<br />
und 3 Goldberger-Ableitungen, und 6 Brustwandableitungen nach Wilson zusammen.<br />
Die Extremitätenableitungen erfassen Potentialschwankungen in der Frontalebene,<br />
während die Brustwandableitungen die Potentialschwankungen in der Horizontalebene<br />
aufnehmen. 20<br />
18 Vgl. Deimling (1986), S. 9.<br />
19 Vgl. Deimling (1986), S. 9ff.<br />
20 Vgl. Olshausen, Börger (1996), S. 15.<br />
5
Quelle: Olshausen (1996), S. 15.<br />
Abb. 2.3: Die konventionellen Ableitungen in der Frontal- und Horizontalebene<br />
Einthoven-Ableitungen:<br />
Die Einthoven-Ableitungen I, II und III sind bipolare Extremitäten-Ableitungen zwischen<br />
jeweils zwei Extremitätenelektroden. Gemessen wird die Spannungsdifferenz<br />
zwischen den beiden Elektroden. Am rechten Bein21 dient eine weitere Elektrode als<br />
Erdung. 22<br />
Abb. 2.4: Einthoven-Ableitungen<br />
6<br />
Quelle: Barckow (2000).<br />
Die roten Pfeile zeigen in Abb. 2.1 zeigen die Richtung der Ableitungen an, es werden<br />
jeweils zwei Extremitätenelektroden miteinander verbunden:<br />
21 Stellt den herzfernsten Punkt dar.<br />
22 Vgl. So (1998), S. 12.
• Ableitung I: rechter Arm mit linkem Arm,<br />
• Ableitung II: rechter Arm mit linkem Bein,<br />
• Ableitung III: linker Arm mit linkem Bein.<br />
Goldberger Ableitungen:<br />
Die Goldberger Ableitungen sind unipolare Extremitäten-Ableitungen. Die Elektroden<br />
liegen wie bei den Einthoven-Ableitungen am rechten und linken Arm und am linken<br />
Bein. Erfasst wird die Differenz zwischen dem Potential der als Ableitungsort gewählten<br />
Extremität (+-Pol) und dem Potentialmittel der anderen beiden Extremitäten. 23<br />
Abb. 2.5: Goldberger-Ableitungen<br />
Die Goldberger-Ableitungen werden für folgende Ableitungspunkte erfasst:<br />
• aVR: Rechter Arm als Ableitungspunkt<br />
• aVL: Linker Arm als Ableitungspunkt<br />
• aVL: Linker Fuß als Ableitungspunkt<br />
Brustwandableitungen nach Wilson:<br />
7<br />
Quelle: Barckow (2000).<br />
Die unipolaren Brustwandableitungen nach Wilson erfassen diejenigen Spannungsveränderungen<br />
am besten, deren Vektoren in der Horizontalebene verlaufen. Durch die<br />
Herznähe der sechs Ableitungspunkte sind die Ausschläge im EKG hier höher als bei<br />
den Extremitätenableitungen. Bei Untersuchungen mit bestimmten Fragestellungen<br />
23 Vgl. Wartak (1989), S. 12.
können diese Ableitungen durch drei zusätzliche Elektroden am Rücken erweitert wer-<br />
den. 24<br />
Quelle: Pries, Habazettl, Da Silva-Azevedo (2003), S. 4.<br />
Abb. 2.6: Brustwandableitungen nach Wilson<br />
Die sechs Elektroden V1 bis V6 sind so angeordnet, dass sie etwa in gleichen Abständen<br />
zueinander liegen. V1 und V2 zeigen ungefähr in Richtung der rechten Herzkammer, V3<br />
und V4 befinden sich im Bereich der Herzspitze leicht untereinander versetzt und V5<br />
und V6 entsprechen in ihrer Richtung in etwa der linken Kammer. 25 Die jeweilige<br />
Brustwandelektrode wird an den positiven Pol des Elektrokardiographen angeschlossen.<br />
Die indifferente Elektrode wird durch Zusammenschluss der drei Extremitätenelektroden<br />
gebildet und weist so gut wie ein Nullpotential auf. 26<br />
24 Vgl. Olshausen, Börger (1996), S. 19f.<br />
25 Vgl. Wagner (1985), S. 41.<br />
26 Vgl. Wagner (1985), S. 41.<br />
8
Abb. 2.7: Normales Elektrokardiogramm<br />
2.2 Diagnostische <strong>Auswertung</strong> des Elektrokardiogramms<br />
2.2.1 Schema eines Herzzyklus im EKG<br />
9<br />
Quelle: So (1998), S. 34.<br />
Die Bezeichnung der EKG-Komponenten geht auf die Einteilung <strong>von</strong> Einthoven zurück.<br />
Das normale27 EKG besteht aus P-, Q-, R-, S- und T-Zacke sowie eventuell U-<br />
Welle (Vgl. Abb. 2.8). Für die diagnostische Analyse sind besonders die P- und die T-<br />
Zacke, PQ-Dauer, QRS-Komplex, ST-Strecke und QT-Dauer wichtig (Vgl. Tab. 2.1).<br />
Die Amplitude der einzelnen Zacken wird in Millivolt bzw. Millimetern, die Breite in<br />
Sekunden gemessen.<br />
27 Normal heißt in diesem Fall gesund.
Abb. 2.8: Schema eines Herzzyklus<br />
10<br />
Quelle: Horsch (2004), S. 2.<br />
Je nach betrachteter Ableitung sind die Zacken unterschiedlich stark ausgeprägt bzw.<br />
überhaupt nicht vorhanden. In der Ableitung aVR beispielsweise müssen alle Zacken<br />
negativ sein, da aVR in Gegenrichtung der elektrischen Herzachse zeigt. Die folgende<br />
Tabelle zeigt die einzelnen für die Diagnose wichtigen EKG-Komponenten und ihre<br />
Bedeutung sowie ihre im gesunden EKG erkennbaren Merkmale.<br />
Bedeutung Merkmale<br />
Null-Linie Grundlinie, <strong>von</strong> der Höhe oder<br />
Tiefe der Zacken gemessen<br />
wird<br />
Strecke zw. den einzelnen Zacken,<br />
bspw. zw. Ende T-Zacke und Beginn<br />
P-Zacke<br />
P-Zacke Erregung der Vorhöfe Erste kleine Welle nach der Null-Linie;<br />
Rund und normalerweise positiv;<br />
PQ-Dauer Erregungsüberleitungszeit vom<br />
Vorhof zur Kammer<br />
QRS-Komplex Erregungsausbreitung in den<br />
Kammern<br />
ST-Strecke Zeit in der gesamte Kammer-<br />
Muskulatur erregt ist<br />
T-Zacke Erregungsrückbildung der<br />
Kammern<br />
QT-Dauer Dauer der Erregungsausbreitung<br />
und –rückbildung in den<br />
Kammern<br />
U-Welle Nachschwankung der Kammererregungsrückbildung<br />
in aVR negativ<br />
Zeit <strong>von</strong> Beginn P-Zacke bis<br />
Beginn Q-Zacke<br />
Besteht aus mehreren Zacken:<br />
Q-Zacke klein, immer negativ<br />
R-Zacke schmal, hoch, immer positiv<br />
S-Zacke klein, immer negativ<br />
Gerade Linie, normalerweise auf<br />
Null-Linie<br />
Relativ breite, große, runde Welle;<br />
In aVR negativ<br />
Zeit vom Beginn Q-Zacke bis<br />
Ende T-Zacke<br />
Sehr kleine, runde Welle;<br />
Nicht immer sichtbar<br />
Tab. 2.1: EKG-Komponenten und ihre Bedeutung 28<br />
28 Vgl. So (1998), S. 20-23.
2.2.2 Standardmäßiger Ablauf der Analyse<br />
Die <strong>Auswertung</strong> eines EKG’s wird standardmäßig wie folgt vom Arzt durchgeführt: 29<br />
1. Rhythmus-Analyse: Ob ein Sinusrhythmus vorliegt, also die Erregung im<br />
Sinusknoten gebildet wird, wird indirekt aus P-Zacke und PQ-Dauer geschlossen.<br />
Die P-Zacke hat den größten positiven Ausschlag in Ableitung II,<br />
sofern in dieser Ableitung keine P-Zacke vorhanden ist, liegt auf jeden Fall<br />
kein Sinusrhythmus vor. 30<br />
2. Herzfrequenz-Analyse: Die Herzfrequenz wird entweder mit Hilfe eines<br />
EKG-Lineals bestimmt oder durch den Abstand zwischen zwei aufeinander<br />
folgenden R-Zacken (RR-Intervall) berechnet. 31<br />
a. Frequenz: 60-100/min. � Normale Herzfrequenz;<br />
b. Frequenz < 60/min. � Zu langsamer Herzschlag: Bradykardie;<br />
c. Frequenz > 100/min. � Zu schneller Herzschlag: Tachykardie.<br />
3. Bestimmung des Lagetyps: Der Lagetyp wird aus den Einthoven-<br />
Ableitungen und dem Cabrera-Kreis bestimmt (Vgl. Abb. 2.9).<br />
4. Zeitenanalyse: Die Dauer bzw. Breite der einzelnen Zacken und des QRS-<br />
Komplexes sowie PQ-Dauer und ST-Strecke werden gemessen und analysiert.<br />
5. Formanalyse: Die Amplituden bzw. Höhen und Tiefen der Zacken werden<br />
bestimmt und analysiert.<br />
6. Ärztliche Diagnose durch den Kardiologen anhand seiner Erfahrungen in<br />
Verbindung mit klinischen Daten und eventuell früheren EKG desselben Patienten32<br />
.<br />
29 Vgl. Wehr (1994), S. 24.<br />
30 Vgl. Wehr (1994), S. 24f.<br />
31 Vgl. Wehr (1994), S. 25f.<br />
32 Verlaufskontrolle.<br />
11
2.2.3 EKG-Lagetypen<br />
Die Lage des QRS-Hauptvektors in der Frontalebene bestimmt den Lagetyp des Herzens.<br />
Er wird aus den bipolaren Einthoven-Ableitungen I, II und III bestimmt. Die Richtung<br />
des Hauptvektors33 , also dessen Winkel α mit der nach links gezogenen Horizontalen,<br />
kann mit Hilfe des Cabrera-Kreises geschätzt werden. 34<br />
Abb. 2.9: Cabrera-Kreis<br />
12<br />
Quelle: Hinghofer-Szalkay (2003).<br />
Während die Brustwandableitungen also normalerweise unabhängig vom Lagetypen<br />
sind, können für die Extremitätenableitungen im normalen EKG je nach Lagetyp Unterschiede<br />
auftreten.<br />
Beim gesunden Menschen gibt es 4 altersabhängige Lagetypen, die in Tab. 2.2 erklärt<br />
werden. Weitere Lagetypen wie der überdrehte Linkstyp, der überdrehte Rechtstyp und<br />
der Sagitaltyp sind meist pathologisch und sollen hier nicht weiter besprochen werden.<br />
Normales Vorkommen<br />
Rechtstyp Steiltyp Mittel-<br />
/Normaltyp<br />
Säuglinge, Klein- Jugendliche Jüngere Erwachkindersene<br />
Linkstyp<br />
Ältere Erwachsene<br />
über 40<br />
Jahre<br />
33 Der Hauptvektor entspricht der elektrischen Herzachse, d.h. der Summe aller Einzelpotentiale der<br />
Herzzellen während einer Systole. Die elektrische Herzachse muss nicht mit der anatomischen<br />
Herzachse (Richtung der Herzspitze) übereinstimmen.<br />
34 Vgl. Olshausen, Börger (1996), S. 32-37.
Besonderheiten in<br />
den Einthoven-<br />
Ableitungen I, II<br />
und III<br />
Elektr. Herzachse<br />
nach rechts unten<br />
gerichtet �<br />
I: tiefe S-Zacke<br />
III: hohe R-Zacke<br />
Elektr. Herzachse<br />
nach unten, gering<br />
links gerichtet �<br />
I: kleine R-, kleine<br />
S-Zacke<br />
II: hohe R-Zacke<br />
Tab. 2.2: Lagetypen beim gesunden Menschen 35<br />
Elektr. Herzachse<br />
nach links unten<br />
gerichtet �<br />
R-Zacke immer<br />
deutlich positiv<br />
II: höchste R-<br />
Zacke<br />
Elektr. Herzachse<br />
nach links<br />
gerichtet �<br />
I: hohe R-Zacke<br />
III: tiefe S-Zacke<br />
In der Praxis reicht eine grobe Einschätzung des Lagetyps anhand der Ableitungen nach<br />
Einthoven, indem man die Ausschläge der R-Zacke und deren Richtung vergleicht. 36<br />
2.2.4 Zeiten- und Formanalyse<br />
Aus Veränderungen der EKG-Komponenten können bestimmte Herzkrankheiten erkannt<br />
werden. 37 In Tabelle 2.3 wird eine Übersicht über die normalen Werte der diagnostisch<br />
wichtigen EKG-Komponenten und deren Informationsgehalt bei bestimmten<br />
Abweichungen gegeben.<br />
EKG-Komponente Normale Werte<br />
Höhe (H) in mV;<br />
Breite (B) in sec<br />
P-Zacke H: bis + 0,20;<br />
B: bis 0,11<br />
Informationsgehalt<br />
Wichtige Abweichungen<br />
Veränderungen der Vorhöfe<br />
PQ-Dauer B: 0,12 – 0,21 AV-Block<br />
WPW-Syndrom<br />
QRS-Komplex H: > 0,6; B: bis 0,10 Schenkelblock<br />
Kammerhypertrophie (Vergrößerung einer Kammer)<br />
Q-Zacke H: bis ¼ <strong>von</strong> R;<br />
B: bis 0,04<br />
Herzinfarkt<br />
R-Zacke H: bis 2,6; B: variabel Kammerhypertrophie<br />
Herzinfarkt<br />
S-Zacke H: klein; B: variabel Kammerhypertrophie<br />
ST-Strecke H: bis + 0,2 in V1 und V2 Herzinfarkt<br />
Koronare Herzkrankheit<br />
T-Zacke H: größer als 1/7 <strong>von</strong> R Herzinfarkt<br />
Koronare Herzkrankheit<br />
QT-Dauer B: frequenzabhängig Elektrolytstörungen<br />
Kammerflimmern<br />
Quelle: Vgl. So (1998), S. 27.<br />
Tab. 2.3: Normale Werte der einzelnen EKG-Abschnitte 38<br />
35 Vgl. So (1998), S. 37.<br />
36 Vgl. Olshausen, Börger (1996), S. 33f.<br />
37 Vgl. So (1998), S. 2.<br />
38 Die Tabelle wurde leicht verkürzt.<br />
13
Beispiele für pathologische Veränderungen der EKG-Komponenten:<br />
Veränderte P-Zacke und PQ-Dauer:<br />
Die P-Zacke entspricht der Erregung der Vorhöfe. Sie ist normalerweise positiv, kann in<br />
Ableitung III, aVR und V1 auch negativ sein. 39 Veränderungen der kleinen P-Zacke<br />
können leicht übersehen werden. Sie deuten auf Vergrößerung des rechten oder des linken<br />
Vorhofs hin und werden am leichtesten in den Einthoven-Ableitungen erkannt. Bei<br />
Vergrößerung des linken Vorhofs nimmt dessen Erregung mehr Zeit in Anspruch, dadurch<br />
kommt es - besonders in I und II erkennbar - zu einer verbreiterten, häufig doppelgipfligen<br />
P-Zacke. Bei Vergrößerung des rechten Vorhofs zeigt dessen Hauptkraft in<br />
Richtung der Ableitungen II und III. Dadurch erkennt man besonders dort eine spitz<br />
positiv erhöhte, aber nicht verbreiterte P-Zacke. 40<br />
Quelle: Kleindienst (2005), /p/p.htm.<br />
Abb. 2.10: Veränderte P-Wellen bei Vergrößerung des linken bzw. des rechten<br />
Vorhofs<br />
Die PQ-Dauer entspricht der AV-Überleitungszeit, also der Erregungsüberleitungszeit<br />
vom Vorhof zur Kammer. 41 Eine Verkürzung unter 0,12 Sekunden kann unter anderem<br />
auf das WPW-Syndrom42 hinweisen, wenn sie gleichzeitig mit einem deformierten und<br />
verbreiterten QRS-Komplex auftritt. Bei einer pathologischen Verlängerung über 0,21<br />
Sekunden liegt ein AV-Block I. Grades43 vor.<br />
Veränderter QRS-T-Bereich:<br />
39 Vgl. Wagner (1985), S. 43.<br />
40 Vgl. So (1998), S. 43ff.<br />
41 Vgl. Wagner (1985), S. 50.<br />
42 Wolff-Parkinson-White-Syndrom: Dabei wird das Herz doppelt erregt, sodass die Erregung schon<br />
früher die Kammer erreicht. Vgl. So (1998), S. 116ff.<br />
43 Ein AV-Block ist eine Störung der Erregungsleitung zwischen Vorhof und Kammern. Der AV-<br />
Block I. Grades stellt keine schwere Rhythmusstörung dar. Er kann sowohl bei Herzgesunden als<br />
auch bei Herzkranken auftreten. Der AV-Block 2. Grades hat eine harmlose und eine gefährliche<br />
Form, beim AV-Block 3. Grades liegt eine schwere Rhytmusstörung vor, es besteht keine Beziehung<br />
mehr zwischen Vorhof- und Kammererregung. Vgl. So (1998), S. 143 f.<br />
14
An Veränderungen des QRS-Komplexes, also Q-, R- und S-Zacke, sowie an Veränderungen<br />
der ST-Strecke und der T-Zacke können Erkrankungen der Herzkammern erkannt<br />
werden. Hervorzuheben sind Schenkelblöcke, Vergrößerungen der linken oder<br />
rechten Kammer und Herzinfarkt.<br />
1. Schenkelblock:<br />
Beim Schenkelblock 44 werden Rechts- und Linksschenkelblock unterschieden.<br />
Liegt ein vollständiger Rechtsschenkelblock vor, ist der QRS-Komplex über 0,11 Sekunden<br />
verbreitert und in Ableitung V1 ist die R-Zacke in zwei Zacken aufgesplittert. In<br />
V1 und V2 gibt es außerdem eine ST-Senkung und eine negative T-Zacke. In Ableitung<br />
I ist die R-Zacke klein und die S-Zacke tief und breit. 45<br />
Auch beim vollständigen Linksschenkelblock ist der QRS-Komplex verbreitert. In den<br />
Ableitungen I, aVL, V5 und V6 ist die R-Zacke breit und evtl. klein bzw. aufgesplittert,<br />
es liegen eine ST-Senkung und eine negative T-Zacke vor. In V1 und V2 ist die S-Zacke<br />
tief verbreitert, die ST-Strecke ist angehoben und die T-Zacke hoch. 46<br />
Quelle: Vgl. So (1998), S. 63 u. 69.<br />
Abb. 2.11: Veränderter QRS-T-Bereich in den Brustwandableitungen bei<br />
Rechts- und Linksschenkelblock<br />
2. Hypertrophie (Vergrößerung) der Herzkammern:<br />
Typische EKG-Veränderungen bei Vergrößerungen der Herzkammern sind in Abb. 2.11<br />
zu sehen. Bei Vergrößerung der linken Herzkammer nimmt die Muskelmasse der linken<br />
Kammer zu, dadurch werden mehr Zellen erregt. Das bedeutet eine höhere R-Zacke<br />
44<br />
Dabei liegt eine Leitungsstörung im Bereich der Tawara-Schenkel vor. Vgl. So (1998), S. 61-71.<br />
45<br />
Vgl. So (1998), S. 63ff.<br />
46<br />
Vgl. So (1998), S. 69ff.<br />
15
über dem betroffenen Gebiet. In V5 und V6 ist die R-Zacke deutlich erhöht. Der entsprechende<br />
Vektor zeigt <strong>von</strong> V1 weg, deshalb wird dort eine tiefe S-Zacke registriert. 47<br />
Bei Vergrößerung der rechten Herzkammer nimmt deren Muskelmasse zu und in V1<br />
wird eine vergrößerte positive R-Zacke registriert. Da der Vektor <strong>von</strong> V5 und V6 weg<br />
zeigt, findet sich dort eine tiefe S-Zacke. Aufgrund der allgemein geringeren Muskelmasse<br />
der rechten Herzkammer sind die Veränderungen im EKG hierbei nicht so deutlich<br />
wie bei Vergrößerung der linken Kammer. 48<br />
Quelle: Vgl. Kleindienst (2005), /qrs/qrs.htm.<br />
Abb. 2.12: Veränderter QRS-Komplex in den Brustwandableitungen bei vergrößerter<br />
linker bzw rechter Herzkammer<br />
3. Herzinfarkt:<br />
Herzinfarktzeichen müssen eindeutig nachweisbar sein und es muss bestimmt werden,<br />
welches Stadium – frischer oder alter Infarkt - vorliegt. Unabhängig <strong>von</strong> den Unterschieden<br />
zwischen Vorder- und Hinterwandinfarkt gibt es typische Veränderungen beim<br />
akuten Infarkt: Die ST-Strecke ist deutlich angehoben, dabei in unterschiedlichen Ableitungen,<br />
und mit der nachfolgenden deutlich positiven T-Zacke verschmolzen, sodass die<br />
beiden nicht mehr <strong>von</strong>einander unterschieden werden können. Eventuell ist die Q-Zacke<br />
breit und tief. 49<br />
Beim alten Herzinfarkt ist die Q-Zacke auffällig verbreitert und tief, die ST-Strecke ist<br />
gesenkt und die T-Zacke ist tief spitz negativ. Die R-Zacke ist sowohl bei akutem als<br />
auch bei altem Herzinfarkt klein. 50<br />
47 Vgl. Kleindienst, /qrs/qrs.htm.<br />
48 Vgl. Kleindienst, /qrs/qrs.htm.<br />
49 Vgl. So (1998), S. 73-92.<br />
50 Vgl. So (1998), S. 73-92.<br />
16
Quelle: Vgl. So (1998), S. 76.<br />
Abb. 2.13: EKG-Veränderungen beim frischen und alten Herzinfarkt<br />
2.3 Die automatische EKG-<strong>Auswertung</strong><br />
Die Deutung des EKG’s erweist sich für weniger erfahrene Ärzte oft als kompliziert51 und ist bei längeren EKG-Aufnahmen sowie bei der Menge an Patienten, die im Krankenhaus<br />
untersucht werden, oft auch für erfahrene Kardiologen sehr zeitaufwendig. Seit<br />
den 1960er Jahren werden Programme entwickelt, die Ärzten die Analyse und Diagnose<br />
abnehmen bzw. erleichtern sollen. Heutzutage werden Elektrokardiogramme <strong>von</strong> computergestützten<br />
Systemen registriert, vermessen und befundet. Trotz der immer größeren<br />
Fortschritte in der Entwicklung <strong>von</strong> <strong>Auswertung</strong>sverfahren, bietet aber noch keines<br />
100prozentige Richtigkeit in seiner Befundung. 52 Der Übereinstimmungsgrad zwischen<br />
der Befundung durch den <strong>Computer</strong> und der durch den Kardiologen beträgt nur etwa<br />
90%. 53<br />
In diesem Kapitel wird kurz die geschichtliche Entwicklung in der automatischen EKG-<br />
<strong>Auswertung</strong> angesprochen, gefolgt <strong>von</strong> den verschiedenen Richtungen <strong>von</strong> <strong>Auswertung</strong>sverfahren.<br />
2.3.1 Geschichte der automatischen EKG-Analyse<br />
Die ersten Untersuchungen zur automatischen EKG-<strong>Auswertung</strong> wurden 1957 <strong>von</strong> Pipberger<br />
(USA) durchgeführt. Er benutzte das korrigierte orthogonale Ableitungssystem<br />
<strong>von</strong> Frank. Caceres begann seine Studien 1960 anhand der zwölf konventionellen Ableitungen.<br />
Beide veröffentlichten 1962 ihre ersten Programme. In den folgenden Jahren<br />
gingen die Entwicklungen in zwei verschiedene Richtungen: Caceres arbeitete mit logi-<br />
51 Vgl. So (1998), S. 5.<br />
52 Vgl. Saxena, Kumar, Hamde (2002), S. 1073.<br />
53 Vgl. Teppner (2002), S. 1.<br />
17
schen Programmen, die mit Hilfe <strong>von</strong> Entscheidungsbäumen diagnostizierten, wogegen<br />
Programme <strong>von</strong> Pipberger diagnostische Wahrscheinlichkeiten durch bestimmte Trennverfahren<br />
berechneten. 54<br />
Arvedson (Schweden) entwickelte 1965 eine computerunterstützte Methode, mit der es<br />
möglich wurde, EKG <strong>von</strong> Patienten mit einer koronaren Herzinsuffizienz55 <strong>von</strong> EKG<br />
gesunder Patienten zu unterscheiden. Das <strong>von</strong> Arvedson 1968 entwickelte Programmsystem<br />
wertete Vektorkardiogramme56 aus, die mit einem modifizierten Frank-System<br />
abgeleitet wurden. Dabei handelte es sich um die erste europäische Publikation auf dem<br />
Gebiet der EKG-Analysen. 57<br />
In Deutschland war um 1970 herum die Hochburg der Verarbeitung elektrokardiographischer<br />
Daten die Universität Mainz mit <strong>von</strong> Dudeck und Michaelis als führenden<br />
Wissenschaftlern. Michaelis erstellte eine Übersicht über entwickelte Schlüssel und<br />
deren technische Realisierung, die für die Befundung <strong>von</strong> <strong>Elektrokardiogrammen</strong> nötig<br />
waren.<br />
Seit Beginn der 80er Jahre wurden Elektrokardiographen mit Mikroprozessoren zur<br />
sofortigen Signalauswertung entwickelt. Bis heute gibt es kein Analyse-Programm, das<br />
eine 100prozentige Diagnose-Sicherheit vorzeigen könnte. 58<br />
2.3.2 Verfahren in der automatischen EKG-Analyse<br />
Für die automatische EKG-Diagnostik gibt es statistische und spektralanalytische Verfahren.<br />
Der grundsätzliche Ablauf aller Verfahren59 ist der folgende: 60<br />
1. Datenerfassung<br />
2. Datenaufbereitung<br />
3. Mustererkennung<br />
54 Vgl. Deimling (1986), S. 7f.<br />
55 Vgl. de Gruyter (1993), S. 282.<br />
56 Im Vektorkardiogramm werden die elektrischen Vorgänge des Herzens nicht in einer zeitabhängigen<br />
Kurve, sondern in Form einer Vektorschleife dargestellt. Dazu werden die Spitzen der Summationsvektoren<br />
durch eine Linie verbunden. Vgl. Olshausen, Börger (1996), S. 12f.<br />
57 Vgl. Köhler, S. 35.<br />
58 Vgl. Saxena, Kumar, Hamde (2002), S. 1073f.<br />
59 Hierbei handelt es sich um ein grobes Schema, das der grundsätzlichen Strukturierung dient. Die<br />
Algorithmen weichen in der Regel mehr oder weniger stark da<strong>von</strong> ab. Z.B. werden die Schritte der<br />
Mustererkennung und Klassifizierung oft zusammengefasst.<br />
60 Vgl. Meisel (1984), S. 4.<br />
18
4. Klassifizierung<br />
5. Diagnose<br />
Datenerfassung:<br />
In der Datenerfassung werden die aus dem gewählten Ableitungssystem gewonnenen<br />
analogen Signale in digitale Signale umgewandelt. Die Abtast- bzw. Umwandlungsfrequenz<br />
beträgt zwischen 200 und 1000 Hz61 . 62<br />
Datenaufbereitung:<br />
Die Datenaufbereitung soll der Mustererkennung eine störungsfreie, glatte Kurve liefern.<br />
Das digitale Signal wird verstärkt und Störungen werden herausgefiltert. Dadurch<br />
wird das Signal geglättet, dann vorverdichtet und entscheidende Abschnitte (z.B. der<br />
QRS-Komplex) werden markiert. Mögliche Störeinflüsse im Signal sind Basislinienschwankungen<br />
(dabei schwankt die Null-Linie im EKG-Verlauf) und Rauschen durch<br />
Elektroden-Kontaktverlust, Muskelzittern, oder Wechselstromeinflüsse. 63 Zur Beseitigung<br />
der Störungen werden üblicherweise digitale Filter wie beispielsweise das Averaging<br />
eingesetzt. 64<br />
<strong>Auswertung</strong> der EKG-Daten:<br />
Die <strong>Auswertung</strong>sverfahren können in statistische und methodenbasierte Verfahren eingeteilt<br />
werden:<br />
Statistische <strong>Auswertung</strong>sverfahren<br />
Durch den Einsatz rechenintensiver Algorithmen verwenden neuere Ansätze zur EKG-<br />
Analyse das ganzheitliche EKG-Signalmuster, anstatt wie bei den klassischen Verfahren<br />
das Signal in Einzelparameter zu zerlegen.<br />
Die zugrundeliegende Hypothese ist, dass „zwei EKG, die in ihren jeweils gleichen medizinischen<br />
Ableitungen gleiche oder sehr ähnliche Signalmuster besitzen, [...] auch die<br />
gleichen oder zumindest sehr ähnlichen kardiologischen Diagnosen [haben].“ 65 Mit Hil-<br />
61<br />
Nach der Shannon’schen Abtasttheorie sollte die Abtastfrequenz mindestens doppelt so hoch sein<br />
wie die höchste im Signal interessierende Frequenz. Diese beträgt bei der ärztlichen Analyse etwa<br />
100 Hz. Meisel (1984), S. 9.<br />
62<br />
Vgl. Meisel (1984), S. 5ff.<br />
63<br />
Vgl. Jamshaid u. a., S. 3ff.<br />
64<br />
Vgl. Meisel (1984), S. 11.<br />
65<br />
Bousseljot (2001), /fverfahren_3.html.<br />
19
fe <strong>von</strong> Korrelationsberechnungen werden in einer sehr großen EKG-Signalmuster-<br />
Datenbank die EKG gesucht, die in den Signalmustern der entsprechenden Ableitungen<br />
am besten mit dem unbekannten EKG übereinstimmen. 66<br />
Merkmalsbasierte Verfahren<br />
Merkmalsbasierte Verfahren zur EKG-Analyse berechnen in der Mustererkennung die<br />
Einzelparameter aus den EKG - wie z.B. Höhe und Breite der P-Zacke, des QRS-<br />
Komplexes und der T-Zacke. Dies wird je nach Verfahren mit Hilfe <strong>von</strong> Transformationen<br />
in einen mehrdimensionalen Parameterraum, künstlichen neuronalen Netzen und<br />
weiteren Methoden sowie deren Kombinationen bewerkstelligt. 67<br />
In der Klassifizierung werden die erkannten Muster bzw. Parameter Gruppen zugeordnet,<br />
aus denen eine Diagnose ableitbar ist. Zur Festlegung <strong>von</strong> Klassifizierungsmerkmalen<br />
gibt es verschiedene Codierungssysteme. Das am weitesten verbreitete Codierungssytem<br />
ist der Minnesota-Code. 68<br />
Die medizinische Diagnose wird je nach Verfahren mit Hilfe <strong>von</strong> Listenvergleichen<br />
oder statistisch durch Berechnung <strong>von</strong> Wahrscheinlichkeiten gestellt. Im ersteren Fall<br />
werden alle klassifizierten Einzelparameter mit vorgegebenen Grenzwerten und typischen<br />
Befundkonstellationen verglichen. In Entscheidungsbäumen werden dann je nach<br />
betrachtetem Befund bestimmte Zusatzbedingungen geprüft. 69<br />
Die Diskriminanzanalyse ist ein aufwendiges statistisches Verfahren, das eine Kombination<br />
<strong>von</strong> Parametern sucht, die die einzelnen diagnostischen Kategorien optimal<br />
trennt. Z.B. durch Korrelationsberechnung werden die Wahrscheinlichkeiten für bestimmte<br />
Diagnosen berechnet.<br />
66 Vgl. Bousseljot (2001)<br />
67 Vgl. Saxena (2002), S. 1073.<br />
68 Vgl. Meisel (1984), S. 27ff.<br />
69 Vgl. Meisel (1984), S. 30.<br />
20
3 Wavelets<br />
3.1 Einführung<br />
Zu Beginn der 80er Jahre wurde die Wavelet-Theorie verstärkt zum Forschungsgebiet,<br />
was vor allem auf die Erkenntnis zurückzuführen ist, dass Wavelets bei einer Vielzahl<br />
<strong>von</strong> Problemen eingesetzt werden können. Als Beispiel seien hier unter anderem Signalverarbeitung,<br />
Numerische Mathematik, Bildverarbeitung, Kommunikationstechnik<br />
und Mustererkennung genannt.<br />
Die heutige Bandbreite an Publikationen unterstreicht das Interesse, aber vor allem auch<br />
das Potential der Wavelets. So waren im Mai 2005 z.B. in der Datenbank Pubmed - dem<br />
Verzeichnis der National Library of Medicine, in dem vor allem Artikel aus der Biologie<br />
und der Medizin eingetragen sind, allein 1539 Publikationen mit dem Stichwort<br />
“Wavelet” gefunden worden. 70<br />
Leider ist einführende Literatur, die ohne die Begriffe der Funktionenanalysis und Signaltheorie<br />
auskommt, so gut wie überhaupt nicht vorhanden. Dieser Tatsache soll in<br />
diesem Kapitel mit einer kleinen, nicht vollständigen Einführung in die Wavelet-<br />
Theorie Abhilfe geschaffen werden. Es ist zu beachten, dass die Theorie vereinfacht<br />
dargestellt wird und daher nicht an allen Stellen wissenschaftliche Maßstäbe erfüllt,<br />
aber zum besseren Verständnis für den Laien beiträgt.<br />
3.2 Signale - Repräsentationen<br />
Die meisten Signale in der menschlichen Umgebung sind Signale aus dem Zeitbereich,<br />
d.h. das Signal wird im Lauf der Zeit betrachtet. Technisch gesehen handelt es sich um<br />
eine Zeitfunktion, mit der unabhängigen (nicht beeinflussbaren) Variablen Zeit und dem<br />
entsprechenden Wert(en) als abhängige Variable, wie z.B. die Spannung in Volt bei<br />
einem EKG.<br />
Die Betrachtung eines Signals im Zeitraum ist nicht immer optimal, denn in vielen Fällen<br />
liegt die Lösung eines Problems in der Betrachtung einer anderen Repräsentation der<br />
Daten. Dies kann z.B. die Repräsentation <strong>von</strong> geometrischen Parametern in einem Dualoder<br />
Akkumulatorraum - wie bei der Hough-Transformation - sein. 71<br />
70 Vgl. Pubmed - National Library of Medicine.<br />
71 Vgl. Wikipedia, /Hough-Transformation.<br />
21
Aber auch eine Betrachtung des Frequenzspektrums, also die Betrachtung der Merkmale<br />
bzw. Werte, die wiederholt im Signal auftreten, ist sehr verbreitet. Wichtig bei dieser<br />
Sichtweise ist, dass das Frequenzspektrum eines Signals äquivalent zu dem Signal<br />
selbst ist, das Signal wird lediglich aus einem anderen Blickwinkel gezeigt – dem der<br />
Frequenzen. Frequenzen selbst werden in Hertz (Hz) angegeben, womit die Wiederholungen<br />
pro Sekunde gemeint sind. Hohe Frequenzen entsprechen also vielen Wiederholungen<br />
und niedrige Frequenzen wenigen Wiederholungen.<br />
Bei einer detaillierteren Betrachtung der Transformationen, welche Signale vom Zeitbereich<br />
in den Frequenzbereich transformieren, ist auffällig, dass es nicht nur eine Transformation<br />
sondern gleich einen ganzen „Haufen“ dieser gibt. Zu den häufig aufgeführten<br />
Beispielen gehören die Fourier-, gefensterte Fourier-, Hilbert-, Wigner-, Radon- und<br />
Wavelet-Transformation.<br />
Zu beachten ist, dass die Fourier-Transformation diejenige ist, die nicht nur den höchsten<br />
Bekanntheitsgrad hat, sondern auch schon in alltäglichen Anwendungen wie dem<br />
Fernsehen, DVD und der Nachrichtentechnik eingesetzt wird. 72<br />
Auch die Wavelet-Transformation gehört zu den bekannteren „Kandidaten“. Sie ist vor<br />
allem in der Signal- und Bildbearbeitung sehr verbreitet. 73<br />
3.3 Grundlagen<br />
3.3.1 Diskrete Wavelet-Transformation<br />
Stelle die Folge f=(9, 7, 3, 5) ein eindimensionales, zeitdiskretes Signal dar. Um ein<br />
beliebiges Signal dieser Art darstellen zu können, werden bestimmte Basisfunktionen<br />
benötigt, welche als Bausteine des Signals bezeichnet werden können. Wie bereits in<br />
der obigen Darstellung eines Signals mit der Fourierreihe klar wurde, ist die Wahl der<br />
Basisfunktionen entscheidend für die Qualität der Repräsentation des Signals.<br />
Eine im Fall der Beispielfolge f (nachrichtentechnisch) nahe liegende Wahl stellen vier<br />
zueinander verschobene Rechteckimpulse dar. Werden diese Impulse mit jeweils einem<br />
Faktor (Koeffizienten) multipliziert, so kann das obige Signal dargestellt werden – die<br />
Produkte entsprechen genau dem abgetasteten Signal.<br />
72 Vgl. Kuhn (2005).<br />
73 Vgl. Christopoulos, S. 1103-1127.<br />
22
Signal (9,7,3,5)<br />
Abb. 3.1: Vier Basisfunktionen und das darzustellende Signal<br />
Die Repräsentation hat jedoch einige Nachteile. Zum Einen ist mit der Kenntnis nur<br />
einiger Koeffizienten nichts über das gesamte Signal, wie z.B. dessen grober Verlauf,<br />
bekannt, was bei Übertragungsfehlern fatal ist. Zum Anderen sind Informationen über<br />
den Verlauf, d.h. die Variation des Signalpegels, ebenfalls nur durch explizite Berechnung<br />
und Kenntnis aller Koeffizienten möglich.<br />
Die Transformation eines Signals mit Wavelets als Basisfunktionen trennt das Signal in<br />
zwei Teile auf: der Erste entspricht dem Trend des Signals und wird Approximation a<br />
genannt, der zweite Teil enthält die detaillierten Eigenschaften des Signals und wird<br />
kurz mit Details d bezeichnet.<br />
Abb. 3.2: Wavelet-Transformation - Aufteilung eines Signals in Approximation<br />
und Details<br />
Interessant bei dieser Aufteilung oder Dekomposition ist, dass sie mehrmals hintereinander<br />
vollzogen werden kann, indem der Trend welcher aus der ersten Aufteilung, im<br />
folgenden 1-level Transformation genannt, nochmals verarbeitet wird. Wenn ein Signal<br />
zweimal aufgeteilt wird, wird <strong>von</strong> einer 2-level Wavelet-Transformation gesprochen.<br />
Ein Signal der Länge 2 n ist also n-mal aufteilbar.<br />
23
Abb. 3.3: Mehrmalige Anwendung der Wavelet-Transformation<br />
Die Länge des Trends ai und der Details di nach einer Aufteilung sind gleich, zusammengenommen<br />
entsprechen sie der Länge des Trends der vorherigen Stufe. Der Trend<br />
auf der Stufe 0 entspricht dem Signal selbst. Der Vorteil der mehrmaligen Transformation<br />
liegt in der durchgeführten Approximation des Signals: es wird eine immer gröbere<br />
aber vor allem kürzere Darstellung des Signal erreicht.<br />
Haar-Wavelets74 (1909 A. Haar) gehören zu den einfachsten Wavelets und bilden die<br />
Basisfunktionen der Haar-(Wavelet-)Transformation. Die Anwendung verläuft wird<br />
exemplarisch nur an der Level-1 Haar-Transformation gezeigt.<br />
Abb. 3.4: Level 1 Haar-Wavelet-Transformation<br />
74 Vgl. Wikipedia, /Haar-Wavelet.<br />
24
Im folgenden Beispiel wird die anfangs eingeführte Signalfolge f=(9, 7, 3, 5) betrachtet<br />
und mit der Level-2 Haar-Wavelet-Transformation transformiert:<br />
Abb. 3.5: Level 2 Haar-Wavelet-Transformation des Signals f<br />
3.3.2 Inverse Diskrete Wavelet-Transformation<br />
Die Wavelet-Transformation ist umkehrbar, d.h. aus der Approximation und den Details<br />
kann man das ursprüngliche Signal rekonstruieren – genau dies zeichnet, wie bereits<br />
oben erwähnt, eine Transformation erst aus.<br />
Die Umkehrung der Wavelet-Transformation heißt Inverse Wavelet-Transformation<br />
deren allgemeiner Ablauf in der folgenden Grafik dargestellt ist.<br />
Abb. 3.6: Allgemeine Inverse Wavelet-Transformation<br />
25
Für die Haar-Wavelets folgt daraus die folgende Umkehrung:<br />
Abb. 3.7: Allgemeine Inverse-Haar-Transformation<br />
...und für das obige Signal f ergibt sich schließlich die folgende Umkehrung der oben<br />
durchgeführten 2-level Haar-Transformation.<br />
Abb. 3.8: Inverse Haar-Transformation des Signals f<br />
3.3.3 Wavelets als Basen <strong>von</strong> Vektorräumen<br />
Bei der Transformation mit dem Haar-Wavelet fällt auf, dass immer Pärchen benachbarter<br />
Werte zu einem Wert im Trend und einem Wert in den Details verarbeitet/transformiert<br />
werden (vgl. Abb. 3.4). Dabei werden die Details-Werte durch eine<br />
26
verschobene Version des Haar-Wavelets W berechnet. Die Werte der Approximation<br />
werden durch die sog. Skalierungsfunktion V berechnet, welche auch über das Signal<br />
geschoben wird. Eine der wichtigsten Eigenschaft der WT ist das Wavelet- und Skalierungsfunktionen<br />
zusammen einen neuen N-dimensionalen Vektorraum aufspannen, also<br />
eine Basis für diesen Vektorraum sind. Die Dimension dieses Raumes wird dabei durch<br />
die Signallänge N bestimmt. Diese Gegebenheit lässt sich kompakt darstellen:<br />
Abb. 3.9: Wavelet- und Skalierungsfunktion als Basis<br />
Es ist zu beachten, dass Wavelet- und Skalierungsfunktioen diesen Raum aufspannen –<br />
nicht nur die Wavelets alleine.<br />
27
3.4 Multi-Resolution-Analysis<br />
Der Repräsentationswechsel eines Signals mit Wavelets wird schrittweise vollzogen.<br />
Die darzustellende Funktion wird in immer stärker geglättete und kürzere “Versionen”<br />
aufgespalten. Mit steigendem Iterationsgrad wird also das Signal immer glatter und kürzer.<br />
Dieses Verfahren wird Multi-Skalen-Analyse (multi resolution analysis; MRA)<br />
genannt und ist in Grundzügen <strong>von</strong> dem ungarischen Physiker Dennis Gabor75 entwickelt<br />
worden. Die Gabor-Transformation ist eine örtlich beschränkte Fourier-<br />
Transformation (bzw. eine Spezialform der gefensterten Fourier-Transformation) und<br />
eng mit der Wavelet-Theorie verwandt. 76 Gabor stellte bereits 1946 fest, dass eine gewisse<br />
Auflösungsunschärfe nicht unterschritten werden kann, was mit der Heisenbergschen<br />
Unschärferelation einhergeht. Bemerkenswert ist auch, dass die Gabor-<br />
Transformation die maximale, gleichzeitige Auflösung im Zeit- sowie im Frequenzraum<br />
ermöglicht! Oft ist die “starre” Zeit-Frequenz-Auflösung bei der Analyse <strong>von</strong> Signalen<br />
sehr hinderlich, daher ist die Betrachtung eines Signals in unterschiedlichen Auflösungen<br />
ratsam. Dies disqualifiziert die gefensterte Fourier-Transformation77 , da hier die<br />
Fenstergröße angegeben werden muss und daher starr ist. Bei der Wavelet-<br />
Transformation werden hingegen – wie bereits erwähnt – verschiedene Auflösungen<br />
<strong>von</strong> Zeit- und Frequenzraum betrachtet. Dies erlaubt eine genaue Unterscheidung zwischen<br />
groben und feinen Zügen des Signals. “[...] man sieht den Wald und die Bäu-<br />
me[...]”. 78<br />
WT1<br />
WT2<br />
WT3<br />
WT4<br />
Abb. 3.10: Zeit-Frequenz-Diagramm der Wavelet-Transformation<br />
75<br />
Dennis Gabor, 1900-1979 – Physik-Nobelpreis 1971 für die Entwicklung der Holographischen Methode.<br />
76<br />
Vgl. Wikipedia, /Gabor-Transformation.<br />
77<br />
Vgl. Polikar (1999).<br />
78<br />
Polikar (1999).<br />
28
3.5 Weitere Eigenschaften der Wavelet-Transformation<br />
Neben der wichtigsten Eigenschaft, dass durch die Wavelet- und Skalierungsfunktion<br />
eine Basis eines neuen Vektorraums aufgespannt wird, gibt es noch weitere wichtige<br />
Eigenschaften der WT.<br />
An den obigen Beispielen ist leicht zu erkennen, dass die Werte der Details im Gegensatz<br />
zu denen der Approximation sehr klein sind. Je größer die Samplerate eines stetigen<br />
Signals, desto näher liegen die diskretisierten Zeitpunkte (auf der Zeitachse) beieinander,<br />
desto geringer sind i.d.R. die Unterschiede der (Mess-)Werte (zu den entpr. Zeitpunkten)<br />
und vor allem desto kleiner sind die Werte der Details. Diese Eigenschaft wird<br />
als Small Fluctuations Feature (SFF) 79 bezeichnet – sie unterstreicht, dass in den Details<br />
nur die Abweichungen (vom Trend) modelliert werden. Weiter ist das SFF eine allgemeine<br />
Eigenschaft aller Wavelet-Transformationen und bildet so eine wichtige Grundlage<br />
für entsprechende Operationen der Signalverarbeitung.<br />
Ein weiterer interessanter Aspekt der Wavelet-Transformation betrifft die Energie eines<br />
Signals. Die Energie eines Signals wird wie folgt definiert:<br />
Abb. 3.11: Energie eines Signals<br />
Das Besondere ist nun, dass nach der WT die Energie des Signals erhalten bleibt, sie<br />
wird lediglich in die Approximation des Signals verdichtet/”verschoben”.<br />
Dies ist gleichbedeutend mit einer Informationsverdichtung in der Approximation.<br />
In den folgenden Abbildungen werden Erhaltung und Verdichtung der Energie noch<br />
einmal an der Haar-Transformation verdeutlicht.<br />
79 Vgl. Wikipedia, / Small-Fluctuations-Feature.<br />
29
Abb. 3.12: Energieerhaltung eines Signals<br />
Abb. 3.13: Energieverdichtung eines Beispielsignals<br />
30
3.6 Implementation als Filterbank<br />
Da die Wavelet-Transformation oft nicht direkt über die Angabe der Basisfunktionen<br />
erreicht wird sondern durch die Faltung mit sog. Filter-Vektoren, oder einfach Filtern,<br />
wird dieser Aspekt nun etwas näher beleuchtet.<br />
Im Bereich der Digitalen Signalverarbeitung wird eine Filterung dadurch erreicht, dass<br />
eine Eingangs-Signalfolge mit einer anderen Signalfolge, den so genannten Filterkoeffizienten,<br />
gefaltet wird. 80<br />
Bei der kausalen, linearen, zeitinvarianten Signalverarbeitung werden Systeme mit endlich<br />
langer Impulsantwort und solche mit unendlich langer Impulsantwort unterschieden.<br />
Erstere heißen FIR-Systeme (Finite Impulse Response), letztere IIR-Systeme (Infinite<br />
Impulse Response). 81 Das Systemverhalten beider Systemtypen wird durch die allgemeine<br />
diskrete Faltungssumme beschrieben.<br />
Abb. 3.14: Diskrete Faltungssumme<br />
Die Dekomposition eines Signals durch Wavelets ist ebenfalls auf eine besondere Faltung<br />
mit den so genannten Filter-Koeffizienten des Wavelets reduzierbar. Auf die Berechnung<br />
dieser Filter-Koeffizienten wird hier nicht näher eingegangen. Bei der praktischen<br />
Anwendung der Wavelet-Transformation wird nur mit den Filter-Koeffizienten<br />
der Signale gerechnet. Die Skalierungsfunktionen und Wavelets selber werden nicht<br />
benötigt.<br />
Um die Merkmale der Skalierungsfunktionen und Wavelets untersuchen zu können und<br />
vor allem ihre Existenz nachzuweisen, wird das Problem <strong>von</strong> der umgekehrten Seite<br />
angegangen: Es werden aus den Koeffizientensätzen h(n) und g(n) (Skalierungs- bzw.<br />
Wavelet-Filterkoeffizienten) die Skalierungsfunktionen und Wavelets berechnet bzw.<br />
konstruiert. 82<br />
Die Formeln zur Berechnung der Skalierungs-Koeffizienten cj des Signals und der Wavelet-Koeffizienten<br />
dj des Signals bei der Dekomposition werden wie folgt definiert:<br />
80 Vgl. Brigham (1997).<br />
81 Vgl. Meyer, Mildenberg (1998).<br />
82 Vgl. Mallat, Zhong (1992).<br />
31
Abb. 3.15: Formel zur Berechnung der Skalierungs-Koeffizienten<br />
Abb. 3.16: Formel zur Berechnung der Wavelet-Koeffizienten<br />
Diese Gleichungen zeigen, wie die Wavelet und Scaling Koeffizienten der verschiedenen<br />
Betrachtungsebenen durch Faltung der Koeffizienten der j-ten Stufe mit dem zeitinversen<br />
Filterkoeffizienten und einem anschließenden Downsampling <strong>von</strong> 2 (d.h. nur<br />
jeder zweite Wert wird berücksichtigt) zu den Koeffizienten der (j-1)-ten Stufe führen,<br />
d.h. der nächst gröberen Detailstufe. Die Filterkoeffizienten entsprechen für h(n) einem<br />
Tiefpass und für g(n) einem Hochpass.<br />
Beim Haar-Wavelet wird der Tiefpass aus der Folge h = [1/sqrt(2) 1/sqrt(2)] und der<br />
Hochpass aus der Folge g = [1/sqrt(2) -1/sqrt(2)] dargestellt.<br />
Falls dieser Prozess der Filterung mit anschließender Dezimierung über mehreren Iterationen<br />
fortgeführt wird, so entspricht das Ergebnis der folgenden, untenstehenden De-<br />
komposition: 83<br />
83 Vgl. Bahoura, Hassani, Hubin (1996).<br />
32
Abb. 3.17: Dekomposition mittels einer Filterbank<br />
Der Kreis mit der Ziffer 2 und dem Pfeil nach unten steht für das Downsampling der mit<br />
dem entspr. Filter gefalteten Werte – es werden hier also (redundante) Samples entfernt.<br />
Für die Rekonstruktion muss die j-te Auflösungsstufe der Skalierungs- und Wavelet-<br />
Funktionen zurück zur nächst detailreicheren Auflösung der (j+1)-ten Stufe gebracht<br />
werden. Die Rekonstruktionsformel ist wie folgt definiert:<br />
Abb. 3.18: Rekonstruktions- oder Syntheseformel<br />
Bei der Rekonstruktion werden demnach die beiden Teilsignale niedrigerer Auflösung<br />
einem Upsampling <strong>von</strong> 2 unterzogen, d. h. an jeder zweiten Stelle wird eine Null eingefügt<br />
und anschließend wieder mit den Rekonstruktionsfiltern, die nicht identisch mit den<br />
Dekompositionsfiltern sein müssen (es aber in unserem Fall aber sind) gefiltert. 84<br />
84 Vgl. Bahoura, Hassani, Hubin (1996).<br />
33
Abb. 3.19: Synthese des Ursprungssignals mittels Filterbank<br />
Der Kreis mit der Ziffer 2 und dem Pfeil nach oben steht für das Upsampling der mit<br />
dem entspr. Filter gefalteten Werte – es werden hier also Samples hinzugefügt, wobei<br />
keine neue Information hinzugefügt wird, es werden lediglich jeweils vier Werte aus<br />
zwei werten rekonstruiert (vgl. Kap. 3.3.2).<br />
Die Filterbank-Implementierung gewährleistet eine schnelle numerische Realisierung<br />
der Diskreten Wavelet-Transformation. Dadurch lassen sich ähnlich wie bei der FFT<br />
schnelle Algorithmen für deren Berechnungen schreiben. Weiter ist die Wavelet-<br />
Transformation nicht nur auf eindimensionale Signale beschränkt, sondern findet vor<br />
allem in der zweidimensionalen Variante in der Bildverarbeitung und Bildanalyse ihre<br />
Anwendung im Alltag.<br />
3.7 Motherwavelets - Beispiele<br />
Die Mother-Wavelets sind keinesfalls auf die oben eingesetzten Haar-Wavelets beschränkt,<br />
es existiert hingegen eine ganze Bibliothek <strong>von</strong> Mother-Wavelets und den<br />
zugehörigen Skalierungsfunktionen. Eine sehr häufige Anwendung finden z.B. die <strong>von</strong><br />
Ingrid Daubechies eingeführten Daubechies-Wavelets. 85 Zu beachten ist, dass jedes<br />
Mother-Wavelet besondere Eigenschaften hat – die Daubechies-Wavelets haben z.B.<br />
85 Vgl. Daubechies (1992).<br />
34
die Eigenschaft, Signale gut zu glätten, Quadratic-Spline-Wavelets, eine weitere Gruppe,<br />
haben z.B. die Eigenschaft, Signalpeaks besonders hervorzuheben.<br />
Für weitere Mother-Wavelets sei auf die Webseite “The Wavelet Digest” unter<br />
www.wavelet.org verwiesen.<br />
Es folgen einige Beispiele:<br />
Abb. 3.20: Skalierungsfunktion des Haar-Wavelets<br />
Abb. 3.21: Waveletfunktion des Haar-Wavelets<br />
35
Abb. 3.22: Skalierungsfunktion des Daubechies6-Wavelets<br />
Abb. 3.23: Waveletfunktion des Daubechies6-Wavelets<br />
36
4 Automatisierte EKG-<strong>Auswertung</strong> mit Hilfe <strong>von</strong> Wavelets<br />
Die genaue Bestimmung der QRS-Komplexe ist essentiell in der automatischen sowie<br />
der manuellen EKG-<strong>Auswertung</strong> und dient als Basis für die Identifikation und Schätzung<br />
aller anderer Parameter des EKG-Signals. Unterschiedliche bereits in Kapitel 2<br />
kurz angesprochene Methoden erzielen befriedigende Ergebnisse, doch aufgrund der<br />
physiologischen Veränderlichkeit und der Störungen im EKG-Signal existiert bis heute<br />
keine Technik, die den QRS-Komplex mit hundertprozentiger Genauigkeit finden wür-<br />
de. 86<br />
Im folgenden wird ein Algorithmus zur Merkmalsextraktion <strong>von</strong> EKG-Signalen zur<br />
Krankheitsdiagnostik87 <strong>von</strong> Saxena, Kumar und Hamde, der auf der Wavelet-<br />
Transformation basiert, in seinen Verfahrensschritten vorgestellt. Danach wird aufgezeigt,<br />
welche Änderungen die Autoren dieser Ausarbeitung an dem Algorithmus in ihrer<br />
eigenen Implementierung vorgenommen haben.<br />
4.1 Das Verfahren nach Saxena<br />
Das Verfahren nach Saxena et.al. wurde in dieser Ausarbeitung gewählt, weil es relativ<br />
neu und gut strukturiert ist und mit der Wavelet-Transformation arbeitet, welche in der<br />
automatischen EKG-Analyse einen wichtigen Platz eingenommen hat, da sie sich sehr<br />
gut zur <strong>Auswertung</strong> <strong>von</strong> verrauschten, nicht stationären Signalen eignet. 88 Durch die<br />
Zerlegung der Signale in elementare Komponenten, die sowohl im Zeit- als auch im<br />
Frequenzraum gut lokalisiert sind, kann die Wavelet-Transformation (WT) die lokale<br />
Regelmäßigkeit <strong>von</strong> EKG-Signalen charakterisieren und damit die EKG-Wellen <strong>von</strong><br />
Rauschen, Artefakten und Basislinienschwankungen unterscheiden. 89<br />
Die <strong>von</strong> Saxena et.al. vorgestellte EKG-<strong>Auswertung</strong>smethode unterteilt das Problem der<br />
Wellenerkennung in zwei Teilbereiche: Im ersten Schritt werden QRS-Bezugspunkte im<br />
Signal gesucht. Dies wird durch Anwendung der WT mit Quadratischen Spline Wavelets<br />
(QSWT) bewerkstelligt. Im zweiten Schritt werden mit Hilfe <strong>von</strong> Daubechies6-<br />
Wavelets (Daub6) die Peaks, die Anfangs- und die Endpunkte der einzelnen Zacken der<br />
86 Vgl. Saxena, Kumar, Hamde (2002), S. 1073.<br />
87 Vgl. Saxena, Kumar, Hamde (2002), S. 1073-1085.<br />
88 Vgl. Saxena u. a. (2002), S. 1073; Li u. a. (1995), S. 21.<br />
89 Vgl. Li (1995), S. 21.<br />
37
QRS-Komplexe sowie die der P- und T-Zacken lokalisiert. Die Diagnose wird dann<br />
aufgrund <strong>von</strong> ausgemessenen bzw. berechneten Parametern gestellt. 90<br />
Zum Testen dieses Verfahrens wurden <strong>von</strong> Saxena et.al. die CSE DS-3 und die<br />
MIT/BIH Datenbank genutzt. Die CSE DS-3 Datenbank enthält mit 500 Hz gleichzeitig<br />
über fünfzehn Ableitungen (die zwölf konventionellen Ableitungen und drei Ableitungen<br />
nach Frank; die Frank-Ableitungen werden <strong>von</strong> Saxena aber nicht zur Analyse genutzt)<br />
registrierte EKG-Aufnahmen <strong>von</strong> 125 Patienten. 91<br />
4.1.1 Bestimmung <strong>von</strong> QRS-Bezugspunkten<br />
Das EKG-Signal wird mit Hilfe der Wavelet-Transformation mit Quadratischen Spline<br />
Wavelets92 (QSWT) analysiert. Die QSWT ist besonders zur Lokalisierung <strong>von</strong> scharfen<br />
Peaks geeignet. 93 Runde, wellenartige Formen wie die P- und T-Zacke können somit<br />
leichter herausgefiltert werden als mit anderen Motherwavelets. 94<br />
Die Anwendung der WT teilt das Signal in Hochfrequenz-Komponenten mit geringer<br />
Auflösung und Tieffrequenz-Komponenten mit höherer Auflösung auf. Das in der Regel<br />
hochfrequente Rauschen wird durch diese Dekomposition des Signals sukzessive<br />
herausgefiltert, wodurch der QRS-Komplex, der ab einer bestimmten Skala auch in den<br />
hochfrequenten Bereich fällt, in d 4 sicher zu erkennen ist. Unter der Begründung, mehr<br />
Informationen aus dem Signal zu behalten, benutzen Saxena et.al. den Hochpassfilter<br />
zur Berechnung der Detailsignale ohne Downsampling95 . 96 Dadurch enthält d 4 statt 1/16<br />
noch 1/8 der Abtastwerte aus dem EKG-Signal.<br />
90 Vgl. Saxena, Kumar, Hamde (2002), S. 1073-1085.<br />
91 Vgl. Saxena, Kumar, Hamde (2002), S. 1076.<br />
92 Zur Berechnung der QSWT vgl. Mallat (1989), S.674-693.<br />
93 Vgl. Li, Zheng, Tai (1995), S. 22.<br />
94 Vgl. Li, Zheng, Tai (1995), S. 22.<br />
95 Zum Begriff Downsampling vgl. Kapitel 4.<br />
96 Vgl. Saxena, Kumar, Hamde (2002), S. 1074.<br />
38
Quelle: Saxena (2002), S. 1075.<br />
Abb. 4.1: Bestimmung der QRS-Bezugspunkte in d 4<br />
In d 4 wird zunächst ein adaptiver Schwellwert ∈ zur Bestimmung der QRS-<br />
Bezugspunkte festgelegt. Ausgehend <strong>von</strong> einer normalen Herzschlagrate <strong>von</strong> 60 Schlägen/min.<br />
und einer Abtastfrequenz <strong>von</strong> 500 Hz in der CSE DS-3 Datenbank, gibt es pro<br />
EKG-Zyklus annähernd 500 Abtastwerte im EKG-Signal. d 4 hat 1/8 der Anzahl Werte<br />
pro Sekunde, dort gibt es also etwa 63 Abtastwerte pro EKG-Zyklus97 . In Hinsicht auf<br />
diese Tatsache wird zur Bestimmung und Aktualisierung <strong>von</strong> ∈ ein Fenster mit der<br />
Länge <strong>von</strong> 100 Abtastwerten98 genutzt. Ein Fenster der Länge <strong>von</strong> 100 Abtastwerten in<br />
d 4 soll garantieren, dass jedes Fenster auch bei langsamerer oder schnellerer Herzschlagfrequenz<br />
mindestens einen Herzschlag enthält.<br />
In aufeinander folgenden Fenstern dieser Größe wird ∈ durch Bestimmung des absoluten<br />
Maximums in jedem Fenster aktualisiert. Nun soll in jedem dieser Fenster auf die<br />
Modulus Maxima Linien99 ein lokaler Schwellwert <strong>von</strong> 40% des jeweiligen ∈ angewen-<br />
97 Also 63 Abtastwerte pro Sekunde.<br />
98 Vgl. Saxena, Kumar, Hamde (2002), S. 1076.<br />
99 Bei der Modulus Maxima Linie handelt es sich um eine Gerade, die einen scharfen Peak im Originalsignal<br />
und in dessen Approximationen kennzeichnet. Vgl. Li, Zheng, Tai (1995), S.22f.<br />
39
det werden, um alle Modulus Maxima Linien herauszufiltern, die keinen QRS-Komplex<br />
betreffen.<br />
Nach Bestimmung dieser QRS-Bezugspunkte in d 4 wird das Originalsignal an allen<br />
diesen Punkte untersucht, um den genauen Standort des jeweiligen QRS-Peaks zu erkennen.<br />
Dazu wird ein Fenster der Länge 50 Millisekunden100 (25 Abtastwerte) auf jeder<br />
Seite eines Bezugspunktes im Originalsignal aufgespannt, in welchem nach dem absoluten<br />
Maximum gesucht wird.<br />
4.1.2 Bestimmung der P-, Q-, R-, S- und T-Zacken<br />
Im zweiten Schritt des Verfahrens wird das EKG-Signal mit Hilfe der Daub6-<br />
Transformation101 in die drei Signale a 1 , a 2 und a 3 aufgeteilt. Dabei wird a 3 durch den<br />
Tiefpassfilter wieder ohne Downsampling berechnet. 102 Die Anwendung des Daub6-<br />
Wavelets macht das Signal glatter, was die Erkennung der charakteristischen Punkte<br />
erleichtert. 103<br />
100 Der QRS-Komplex ist normalerweise bis zu 100 Millisekunden breit. Vgl. Tabelle 2.3.<br />
101 Für nähere Informationen zur Daubechies Wavelet -Transformation vgl. Daubechies (1992).<br />
102 Durch Verzicht auf das Downsampling können Onsets und Offsets der EKG-Zacken genauer bestimmt<br />
werden. Vgl. Saxena, Kumar, Hamde (2002), S. 1076.<br />
103 Vgl. Saxena, Kumar, Hamde (2002), S. 1076.<br />
40
Quelle: Saxena (2002), S. 1080<br />
Abb. 4.2: Bestimmung der EKG-Wellen. EKG-Signal mit Bezugspunkten<br />
Bestimmung der charakteristischen Punkte des QRS-Komplex:<br />
In a 3 wird ein Fenster der Länge <strong>von</strong> 50 Millisekunden (7 Abtastwerte) auf jeder Seite<br />
der QRS-Peaks-Referenzen (aus dem ersten Verfahrensschritt) untersucht, um die genaue<br />
Lage der QRS-Peaks in a 3 zu bestimmen. Von dort aus werden alle anderen Peaks<br />
und der QRS-Onset bzw. -Offset gesucht. 104<br />
Falls der QRS-Peak positiv ist, handelt es sich dabei um eine R-Zacke und beim ersten<br />
vorhergehenden negativen Minimum um eine Q-Zacke. Der erste Punkt in der Nähe der<br />
Null-Linie links <strong>von</strong> der Q-Zacke ist der QRS-Onset105 . Falls der QRS-Peak negativ ist,<br />
104 Vgl. Saxena, Kumar, Hamde (2002), S. 1076.<br />
105 Engl. für Anfangspunkt.<br />
41
ist er ein S-Peak und das erste vorhergehende positive Maximum ist ein R-Peak. Links<br />
da<strong>von</strong> liegt wieder die Q-Zacke am ersten negativen Minimum. 106<br />
Das erste negative Minimum hinter der R-Zacke ist eine S-Zacke und das erste positive<br />
Maximum (falls vorhanden) ist eine R’-Zacke107 . Der erste Punkt hinter der S- bzw. R’-<br />
Zacke in der Nähe der Null-Linie ist der QRS-Offset108 . 109<br />
Quelle: Vgl. Horsch (2004), S. 2<br />
Abb. 4.3: Charakteristische Punkte der EKG-Kurve<br />
Bestimmung der P-Zacke:<br />
Zur Erkennung der P-Zacke wird ein Fenster auf der linken Seite der R-Zacke durchsucht.<br />
Die Länge des Fensters entspricht 25% des RR-Intervalls (durchschnittlicher Abstand<br />
zwischen zwei aufeinander folgenden R-Zacken). Das absolute Maximum in diesem<br />
Fenster entspricht dem P-Peak. P-Onset und -Offset werden durch den ersten<br />
Punkt in der Nähe der Referenzlinie auf jeder Seite dem P-Peak identifiziert. Um diese<br />
zu finden, sucht der Algorithmus nach Täler auf beiden Seiten des P-Peaks. 110<br />
Bestimmung der T-Zacke:<br />
T-Peak und T-Offset werden auf gleiche Weise wie bei der P-Zacke bestimmt, indem<br />
ein Fenster auf der rechten Seite des R-Peaks bzw. (bei Vorhandensein) des R’-Peaks<br />
gescannt wird, dessen Länge 40% des durchschnittlichen RR-Intervalls entspricht.<br />
106 Vgl. Saxena, Kumar, Hamde (2002), S. 1076ff.<br />
107 R’-Zacke wird die zweite R-Zacke bei aufgesplitterter R-Zacke, die z.B. bei Rechtsschenkelblock<br />
(vgl. Kapitel 2.4.4) vorkommt, genannt.<br />
108 Engl. für Endpunkt.<br />
109 Vgl. Saxena, Kumar, Hamde (2002), S. 1078.<br />
110 Vgl. Saxena, Kumar, Hamde (2002), S. 1078.<br />
42
4.1.3 Parameterberechnung<br />
Die Ergebnisse aus der Bestimmung der charakteristischen EKG-Punkte werden auf die<br />
Abtastrate im Originalsignal umgerechnet (mit vier multipliziert) und dann in einer Tabelle<br />
aufgelistet. Die in den einzelnen Ableitungen unterschiedlichen Werte werden<br />
durch Medianbestimmung gemittelt und zur Parameterberechnung genutzt. 111<br />
1. Herzfrequenz: Herzschläge/Minute =<br />
2. P-Amplitude: Abtastwert am P-Peak<br />
3. P-Dauer: POffset − POnset<br />
4. PQ-Dauer: QRSOnset − POnset<br />
5. QRS-Intervall: QRSOffset − QRSOnset<br />
6. QT-Intervall: TOffset − QRSOnset<br />
60×<br />
1000<br />
R Peak − R Peak[<br />
ms]<br />
Herzfrequenz<br />
7. QTc-Intervall: QTc = QTZeit ×<br />
Frequenzkorrektur des QT-<br />
60<br />
Intervalls 112<br />
8. T-Amplitude: Abtastwert am T-Peak<br />
9. Frontal Plane Axis:<br />
FPA =<br />
−<br />
tan 1<br />
α zur Bestimmung des Lagetyps 113<br />
⎡<br />
⎢<br />
⎣<br />
2<br />
2×<br />
f<br />
3 × f<br />
4.1.4 Weitere Vorgehensweise des Verfahrens<br />
( I )<br />
( II )<br />
1<br />
43<br />
⎤<br />
− 0,<br />
57⎥<br />
berechnet den Winkel<br />
⎦<br />
Zur Klassifizierung und Diagnose der Krankheiten verwenden Saxena et.al. verschiedene<br />
Wertungskriterien für die berechneten Parameter. Auf jeden Parameter setzen sie<br />
dabei wechselnde Kriterien an und gehen <strong>von</strong> einer richtigen Diagnose aus, wenn alle<br />
Kriterien zur gleichen diagnostischen Aussage führen. Diagnostiziert wird auf Hyper-<br />
111 Vgl. Saxena, Kumar, Hamde (2002), S. 1080ff.<br />
112 Die QT-Zeit ist abhängig <strong>von</strong> der Herzfrequenz. Um intraindividuelle und interindividuelle Vergleichsuntersuchungen<br />
der QT-Zeit durchführen zu können, wird QT normiert.<br />
113 Dabei bezeichnen f(I) und f(II) die mathematische Nettoableitung des QRS-Komplexes in den<br />
Einthoven-Ableitungen I und II. Vgl. Saxena, Kumar, Hamde (2002), S. 1078ff.
trophie (Vergrößerung) der linken sowie der rechten Herzkammer, Tachykardie und<br />
Bradykardie. 114<br />
4.1.5 Ergebnisse<br />
Saxena, Kumar und Hamde ist in ihrem Algorithmus besonders die richtige Bestimmung<br />
der QRS-Komplexe wichtig. Deshalb wurde hauptsächlich auf QRS-Komplex-<br />
Entdeckungsrate ((tatsächliche Anzahl der Komplexe im Signal – Anzahl der Fehler) /<br />
reale Anzahl der Komplexe im EKG-Signal) und Sensitivität (Anzahl der richtig gefundenen<br />
Komplexe / tatsächliche Anzahl der Komplexe im EKG-Signal) der QRS-<br />
Bestimmung getestet. Sie kommen dabei auf gute Ergebnisse im Vergleich zu anderen<br />
Verfahren zur QRS-Komplex-Bestimmung.<br />
Für die CSE DS-3 Datenbank lag die Entdeckungsrate bei 99,866% und die Sensitivität<br />
bei 100%. Für die MIT-BIH Datenbank lagen die Ergebnisse bei 99,806% für die Entdeckungsrate<br />
und bei 99,904% für die Sensitivität in der QRS-Bestimmung.<br />
4.2 Modifiziertes Verfahren<br />
Die Autoren dieser Ausarbeitung lehnen sich in ihrer Implementierung wie erwähnt an<br />
das Verfahren <strong>von</strong> Saxena, Kumar und Hamde an. Im folgenden werden die vorgenommenen<br />
Änderungen besprochen.<br />
Die „PTB Diagnostic ECG Database“, mit der hier gearbeitet wird, enthält 549 EKG-<br />
Aufnahmen <strong>von</strong> 294 Patienten. Sie wurden über fünfzehn Ableitungen (die zwölf konventionellen<br />
Ableitungen und drei Frank-Ableitungen) mit einer Abtastrate <strong>von</strong> 1000<br />
Hz (also der doppelten Abtastfrequenz aus der CSE DS-3 Datenbank) registriert. 115<br />
Auch hier wird die Wellenerkennung in zwei Schritte aufgeteilt. Das Verfahren wurde<br />
allerdings vereinfacht:<br />
Bestimmung der QRS-Bezugspunkte<br />
Die QRS-Bezugspunkte werden nicht mit Hilfe der Wavelet-Transformation116 , sondern<br />
mit einem einfacheren Verfahren bestimmt:<br />
114 Vgl. Saxena, Kumar, Hamde (2002), S. 1080ff.<br />
115 Vgl http://www.physionet.org/physiobank/database/ptbdb/.<br />
116 Zur Implementierung <strong>von</strong> Quadratischen Spline Wavelets lagen nicht genügend Informationen vor.<br />
44
1. Dazu wird zunächst eine Basislinien-Korrektur durchgeführt. Mit der Daub6-<br />
Wavelet-Transformation wird das EKG-Signal stark komprimiert (Dekomposition bis<br />
Level 9), wodurch es eine extreme Glättung erfährt und das Approximationssignal (a 9 )<br />
nur noch die Basislinienschwankungen modeliert. Durch Abzug dieser Basislinienschwankungen<br />
vom Originalsignal entsteht ein korrigiertes EKG-Signal, das weiter analysiert<br />
werden kann.<br />
2. Dann wird in der Einthoven-Ableitung I nach dem absoluten globalen Maximum gesucht.<br />
117 Der globale Schwellwert zur Suche nach QRS-Komplexen wird auf 60% des<br />
Wertes dieses Maximums118 festgelegt. Das EKG-Signal in Ableitung I wird nun nach<br />
Werten abgetastet, die über diesem Schwellwert liegen. Sobald ein solcher Wert gefunden<br />
wurde, wird ein Fenster der Größe 50 Millisekunden (50 Werte) nach rechts aufgespannt.<br />
Findet der Algorithmus einen größeren Wert in diesem Fenster, hat er ein neues<br />
lokales Maximum gefunden und setzt ein neues Fenster. Damit wird erreicht, dass maximal<br />
100 Werte je QRS-Komplex durchsucht werden und für jeden QRS-Komplex nur<br />
ein QRS-Bezugspunkt (lokales absolutes Maximum) gefunden wird.<br />
Bestimmung der Q-, R- und S- Zacken<br />
Zur Bestimmung der charakteristischen Punkte im EKG-Signal wird wie im Verfahren<br />
<strong>von</strong> Saxena et.al. die Daub6-Transformation genutzt. Die Signale aller Ableitungen<br />
werden bis auf Level 4 zerlegt und in a 4 untersucht (auch hier ohne Downsampling). 119<br />
Das weitere Vorgehen des Algorithmus entspricht dem des Algorithmus <strong>von</strong> Saxena u.<br />
a. (vgl. dazu Kapitel 5.1).<br />
117 Die Ableitung I wurde gewählt, da hier in den vorliegenden Datenbank-EKG die beste Möglichkeit<br />
zur QRS-Komplex-Bestimmung besteht.<br />
118 Ein Schwellwert <strong>von</strong> 60% des absoluten Maximums wird <strong>von</strong> Kadambe u. a. vorgeschlagen. Vgl.<br />
Kadambe, Murray, Boudreaux-Bartels (1999), S. 842.<br />
119 Das Level 4 (a 4 ) wurde hier gewählt, weil die Abtastfrequenz in der PTB-Datenbank 1000 Hz beträgt,<br />
also das doppelte <strong>von</strong> der Abtastfrequenz der CSE DS-3 Datenbank.<br />
45
5 Fazit<br />
In dieser Ausarbeitung wurde ein Verfahren zur automatischen EKG-<strong>Auswertung</strong> vorgestellt,<br />
welches sich die Wavelet-Transformation zu Nutze macht. Neben diesem Ansatz<br />
existieren noch weitere Verfahren, die sich in der Art der Merkmalsselektion, - extraktion<br />
und- repräsentation sowie in deren Analyse unterscheiden.<br />
So gibt es z.B. diverse Algorithmen, die auf neuronalen Netzen oder anderen Klassifikatoren<br />
basieren. Neuere Ansätze arbeiten mit Wavelets, neuronalen Netzen oder Cluster-<br />
Analyseverfahren, welche eine sehr zufrieden stellende Performanz (Erkennungsleistung<br />
> 99,8%) aufweisen.<br />
Da aber kein Verfahren 100prozentige Zuverlässigkeit bieten kann und bei einer so<br />
komplexen Thematik wie der menschlichen Gesundheit sehr sicher und konservativ<br />
vorgegangen wird, ist wohl auch in naher Zukunft ein flächendeckender klinischer Einsatz<br />
einer vollkommen computerbasierten EKG-Diagnostik nicht zu erwarten. Von diesem<br />
Einsatz ist auch grundsätzlich abzuraten, weil die Fehlertoleranz eines Arztes<br />
(Menschen) in der Regel immer höher sein wird als die eines <strong>Computer</strong>s. Dies hängt mit<br />
der großen Vielfältigkeit biomedizinischer Signale zusammen.<br />
In sehr speziellen Teilgebieten ist ein reduzierter Einsatz solcher Programme trotzdem<br />
denkbar.<br />
In Zukunft ist weniger die Entwicklung neuer Ansätze als die <strong>von</strong> hybriden Systemen<br />
bzw. Meta-Systemen zu erwarten.<br />
46
Literaturverzeichnis<br />
Bahoura, M.; Hassani, M.; Hubin, M.: DSP Implementation of Wavelet Transform for<br />
Real Time ECG Wave Forms Detection and Heart Rate Analysis. In: <strong>Computer</strong><br />
Methods and Programs in Biomedicine. 52 (1996), S.35-44.<br />
Barckow, P. u. a.: EKG-Kurs. 2000. http://www.tfhberlin.de/~akmi/tfh/ss00/ekg/grundlagen/ableitungen.html.<br />
Abrufdatum 2005-<br />
05-18.<br />
Blatter, C.: Wavelets – Eine Einführung. 1. Auflage. Braunschweig/Wiesbaden 1998.<br />
Bousseljot, R.: Telemedizinische EKG-<strong>Auswertung</strong> und Verlaufskontrolle. 2001.<br />
http://www.berlin.ptb.de/8/84/842/ecg/. Abrufdatum: 2005-05-03.<br />
Brigham, E. O.: FFT-Anwendungen. Oldenburg 1997.<br />
Christopoulos, C.; Skodras, A.; Ebrahimi, T.: The JPEG2000 Still Image Coding System:<br />
An Overview. In: IEEE Transactions of Consumer Electronics. 46 (2000)<br />
4, S. 1103-1127.<br />
Daubechies, I.: Ten Lectures on Wavelets. In: Cbms-Nsf Regional Conference Series.<br />
1992 (Applied Mathematics, Band 6).<br />
Deimling, A.: <strong>Computer</strong>analyse des EKG. Vergleich zweier konventioneller <strong>Auswertung</strong>sprogramme<br />
mit der derived electrocardiogram (D-ECG). Dissertation,<br />
Justus-Liebig-Universität Giessen, Giessen 1986, S. 7-22.<br />
De Gruyter, W.: Medizinische Physiologie. Berlin, New York 1993, S. 253-282.<br />
Flandrin, P.: Time-Frequency/Time-Scale Analysis. Wavelet Analysis and Its Applications.<br />
In: Academic Press. 1999.<br />
Hinghofer-Szalkay, H.: EKG. 2003. http://www.uni-graz.at/~hinghofe/EKG-<br />
Uebung.htm. Abrufdatum 2005-05-24.<br />
Jamshaid, K. u. a.: Application of adaptive and non-adaptive filters in ECG signal processing.<br />
Ghulam Ishaque Khan Institute of Engg. Sciences and Technology,<br />
1999.<br />
Kadambe, S; Murray, R.; Boudreaux-Bartels, G. F.: Wavelet Transform-Based QRS<br />
Complex Detector. In: IEEE Transactions On Biomedical Engineering. 46<br />
(1999) 7, S. 838-847.<br />
Kleindienst, R.: Grundkurs EKG. http://www.grundkurs-ekg.de/. Abrufdatum 2005-04-<br />
20.<br />
Köhler, C. O.: Historie der Medizinischen Informatik in Deutschland <strong>von</strong> den Anfängen<br />
bis 1980. 2003.<br />
http://www.informierung.de/cokoehler/HistorieMI_Koehler_text.pdf . Abrufdatum<br />
2005-03-09.<br />
Kuhn, K. J.: HDTV Television – An Introduction.<br />
http://www.ee.washington.edu/conselec/CE/kuhn/hdtv/95x5.htm). Abrufdatum<br />
2005-05-21.<br />
Li, C; Zheng C.; Tai C.: Detection of ECG Characteristic Points Using Wavelet Transforms.<br />
In: IEEE Transactions on Biomedical Engineering. 42 (1995) 1, S. 21-<br />
28.<br />
47
Mallat, S. G.: A Theory for Multiresolution Signal Decomposition: The Wavelet Representation.<br />
In: IEEE Transactions on Pattern Analysis and Machine Intelligence.<br />
11 (1989) 7, S. 674-693.<br />
Mallat, S. G.; Zhong, S.: Characterization of Signals from Multiscale Edges. In: IEEE<br />
Transaction on Pattern Analysis and Machine Intelligence. 14 (1992) 7, S. 710-<br />
732)<br />
Meisel, E.: Vergleichende Untersuchung zur Implementierung eines neuen Mustererkennungsverfahrens<br />
am EKG. Dissertation, Medizinische Akademie „Carl-<br />
Gustav-Carus“ Dresden, Dresden 1984, S. 3-31.<br />
Meyer, M.; Mildenberg, O.: Signalverarbeitung. Analoge und digitale Signale, Systeme<br />
und Filter. Wiesbaden 1998.<br />
Olshausen, K.v.; Börger, H.H.: EKG-Information. 7. Auflage, Darmstadt 1996.<br />
Pries, A.R.; Habazettl, H.; Da Silva-Azevedo, L.: Bio-Informatik-Cluster B2. Herz II:<br />
Struktur / Funktion. Untersuchungsmethoden der elektrischen und mechanischen<br />
Myokardfunktion. Institut für Physiologie, Universitätsklinikum Benjamin<br />
Franklin, Freie Universität Berlin, Berlin 2003, S. 4.<br />
Polikar, R.: Wavelet Tutorial.<br />
http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html. Abrufdatum<br />
2005-04-20.<br />
Pubmed - National Library of Medicine. http://www.ncbi.nlm.nih.gov/entrez/.<br />
Puhl, J.: Gibb’sches Phänomen. Fachhochschule Jena, FB Grundlagenwissenschaften.<br />
http://www.fh-jena.de/~puhl/lehre/material/pdf/gibbs.pdf. Abrufdatum 2005-<br />
05-14.<br />
Saxena, S. C.; Kumar, V.; Hamde, T.: Feature extraction from ECG signals using wavelet<br />
transforms for disease diagnostics. In: International Journal of Systems Science.<br />
33 (2002) 13, S. 1073-1085.<br />
Shapiro, J.: Embedded Image Coding Using Zerotrees of Wavelet Coefficients. In:<br />
IEEE Transactions on Signal Processing. 41 (1993), S. 3445-3462.<br />
So, C.S.: Praktische EKG-Deutung. Einführung in die Elektrokardiographie. Stuttgart<br />
1998.<br />
Teppner, U.: Optical ECG Waveform Recognition. Bericht über ein Forschungsprojekt.<br />
2002, S. 1.<br />
Vidakovic, B.; Mueller, P.: Wavelets for Kids. A Tutorial Introduction. Duke University,<br />
Institute of Statistics and Decision Sciences, Durham 1991.<br />
Wagner, J.: Praktische Kardiologie: für Studium, Klinik und Praxis. Berlin, New York<br />
1985, S. 39-84.<br />
Wartak, J.: EKG-Praxis. 3. Aufl., Stuttgart, New York 1989.<br />
Wehr, M.: Praktische Elektrokardiographie und Elektrophysiologie des Herzens. Ein<br />
diagnostischer und therapeutischer Leitfaden für Studenten und Ärzte. 2. Aufl.,<br />
Stuttgart, Jena 1994.<br />
Wikipedia: http://de.wikipedia.org/wiki/. Abrufdatum 2005-05-22.<br />
Zeller, M.: Flinkes Wellenspiel. In: c’t. o. Jg. (1994) 11, S. 258-264.<br />
48