Использование ЭВМ в кардиологии
Размещено на /
Введение
В настоящее время развитие компьютерной индустрии затронуло разработки и исследования практически во всех отраслях современной науки. Компьютеры из года в год становятся неотъемлемой частью и обыденной жизни населения. Постепенное наращивание качества, надежности и производимости компьютерного оборудования заставляет разработчиков электронных приборов все чаще и чаще использовать в своих нововведениях микропроцессоры ведущих фирм производителей. Естественно такая ситуация не могла не затронуть медицинскую промышленность. Во всех областях медицины исследования на высоком научном уровне немыслимы без применения современных средств программного обеспечения. Сейчас ЭВМ применяют практически на всех этапах медицинского обследования: в профилактике, диагностике и терапии заболеваний.
Основной задачей современной медицины является предупреждение заболеваний на ранних стадиях развития. Для этого разрабатывается различная диагностическая аппаратура, которая по сути своей является информационно-измерительной системой.
Заболевания сердца – одна из наиболее важных проблем медицины сегодняшнего дня. Современные исследования сердца не могут обойтись без компьютерной техники. Выделяют две основные области исследований, в которых используются компьютеры: моделирование сердца человека и обработка данных кардиологических исследований.
Первая – моделирование сердца человека – осуществляется с целью более глубокого проникновения в сущность функционирования и строения этого органа. Очевидно, что в отсутствие компьютерного обеспечения проблема моделирования едва ли может быть решена.
Вторая область – анализ данных кардиологических исследований. Цель таких работ – постановка диагноза, составление прогноза и лечение. В некоторых случаях обработка кардиологических параметров возможна и вручную, тем не менее, автоматический расчет их с помощью компьютера дает большие преимущества и требует меньше усилий. Наиболее важные преимущества автоматической обработки данных состоят в следующем:
- обработка данных осуществляется по одной схеме,
- результаты представляются в стандартном виде,
- можно использовать стандартную терминологию.
Некоторые же показатели просто не могут быть получены путем ручной обработки, и в этих случаях преимущества компьютера совершенно очевидны.
Различные типы данных, получаемые наиболее распространенными современными диагностическими методами в кардиологии представлены на рисунке 1. При обработке таких данных компьютеры выполняют следующие задачи: ввод данных, хранение, поиск, переработка и выдача информации. Переработка информации в свою очередь подразделяется на следующие подзадачи: фильтрация, распознавание образов, измерение параметров и интерпретация данных.

Рис. 1. Категории объективных кардиологических данных.
Актуальная проблема сегодняшнего дня – надежность и доступность кардиографических аппаратов. Со временем микроконтроллеры ведущих фирм производителей стали дешевле и соответственно более доступны для внедрения в портативные аппараты диагностики сердца. Здесь все большая и большая нагрузка ложится на программное обеспечение, постепенно вытесняя из приборов ранее аппаратно реализуемые функции.
Подбор методов фильтрации и тестирование программных фильтров, разработанные в рамках данного дипломного проекта, удобно проводить отдельно, используя вспомогательные программы разработанные на персональной ЭВМ.
Наиболее распространенным и в полной мере функциональным языком программирования на сегодняшний момент является язык С++, объединяющий в себе возможности стандартизированного языка С и объектно-ориентированного подхода.
В последнее время широкое распространение получила объектно-ориентированная модель разработки программного обеспечения. Основная идея программирования при таком подходе состоит в разработке классов приложения для определения новых типов, манипулировать которыми так же просто, как и встроенными. Создавая новые типы для описания предметной области, С++ помогает программисту писать более легкие для понимания приложения. Классы позволяют отделить детали, касающиеся реализации нового типа, от определения интерфейса и операций, предоставляемых пользователю. При этом уделяется меньшее внимание мелочам, делающим программирование таким утомительным занятием. Значимые для прикладной программы типы можно реализовывать один раз, после чего использовать повторно [9]. Средства, обеспечивающие инкапсуляцию данных и функций, необходимых для реализации типа, помогают значительно упростить последующее сопровождение и развитие прикладной программы. Существует механизм, именуемый наследованием, который вводит возможность включать во вновь разрабатываемый класс общие свойства присущие ранее разработанному классу предку. Например, в трехмерной компьютерной графике классы OrthographicCamera (ортогональная камера) и PerspectiveCamera (перспективная камера) обычно являются производными от базового Camera. Каждый производный от него класс лишь реализует отличия от общей камеры, предоставляя альтернативный код для унаследования функций членов либо вводя альтернативные члены.
Таким образом, используя программные модули, разработанные ранее и обладающие нужным набором функций разработчик может добиться максимальной эффективности работы своих модулей в совокупности с ранее разработанными, как правило поставляемыми вместе с интегрированной средой разработки.
Самой распространенной и наиболее емкой средой разработки сегодня является Microsoft Visual C++. В наши дни Visual C++ лидирует среди продуктов для программирования в среде Windows. Visual C++ - это инструмент для программирования в среде Widnows, обладающий поистине фантастическими возможностями. Более того, многие разработчики считают Visual C++ самой мощной из всех программ такого класса. На самом деле Visual C++ представляет собой целый набор из множества инструментов, собранных в одном динамическом пакете, готовом к немедленной работе. Сначала программы для Windows приходилось писать на языке С, а не на С++, и получались они большими и сложными. Даже вывод на экран пустого окна требовал примерно пяти страниц сложного невразумительного кода. Язык С++ позволяет хранить большую часть программного кода внутри самостоятельных объектов, а это сокращает объем больших программ. Помимо этого, фирма Microsoft разработала библиотеку Microsoft Foundation Classes. MFC – замечательный пакет, состоящий из заранее написанного и готового к работе кода. Например, вместо того чтобы самостоятельно писать программу для работы с новым окном, можно просто воспользоваться классом cWnd из MFC, который выполнит всю работу за вас [2]. Возможности, предоставляемые библиотекой классов MFC позволяют конструировать элементы пользовательского интерфейса, легко работать со стандартными типами данных языка С, разрабатывать классы, производные от библиотечных с добавлением новых функциональных возможностей, разрабатывать собственные классы с последующим развитием их функциональности.
Глава 1. Тенденции развития компьютерных систем сбора и математической обработки ЭКГ
Электрокардиологический метод – метод регистрации и анализа биоэлектрических процессов человека и животных нашел весьма широкое применение в клинической практике, физиологическом эксперименте, авиационной и космической медицине, исследованиях по физиологии труда и спорта. Столь широкое применение электрокардиологического метода объясняется тем, что он позволяет получить ценную информацию о деятельностей тканей, органов и систем. Электрическое возбуждение распространяется в определенном направлении и последовательности, создавая на поверхности тела электрическое поле. Поскольку электропроводные свойства тканей неоднородны, электрическое поле ассиметрично с разностью потенциалов между отдельными участками тела. Это свойство положено в основу метода электрокардиографии, который регистрирует разность потенциалов путем различных отведений от поверхности тела, что достигается с помощью приборов – электрокардиографов [1]. Процесс получения из ЭКГ диагностической информации называется ЭКГ – анализом. Первые попытки автоматизировать этот процесс были предприняты еще в 70-х годах. Ожидалось, что кроме тех преимуществ, которые дает автоматизация, удастся также повысить диагностическую точность анализа благодаря применению статических методов, которые не могут быть использованы при обработке вручную [3]. Результатом развития различных компьютерных систем явился ЭКГ – анализ. Обычно он выполняется в четыре этапа:
Ввод ЭКГ.
Фильтрация ЭКГ.
Распознавание характерных элементов ЭКГ и измерение соответствующих параметров.
Интерпретация и классификация ЭКГ.
Информационно-измерительной системой (ИИС) будем называть совокупность функционально связанных устройств и программного обеспечения, реализующую необходимое информационное обслуживание объекта анализа, которое включает в себя сбор, обработку, передачу и хранение полезной информации.
Запись и ввод ЭКГ.
ЭКГ записывают с помощью прибора, называемого электрокардиографом. До начала 70-х годов ЭКГ отведения записывались последовательно одно за другим [1]. Лишь позже появились трехканальные электрокардиографы, позволяющие вести запись сразу трех отведений. Современная регистрирующая аппаратура может одновременно фиксировать до 12 отведений. От электрокардиографа сигнал передается в АЦП. Здесь аналоговый сигнал ЭКГ преобразуется в цифровую форму и передается в компьютер. Используются различные частоты дискретизации, но чаще всего 250 и 500 Гц. Эти две величины, согласно теореме Шеннона, достаточно высоки, поскольку в ЭКГ взрослого человека максимальная частота, имеющая диагностическое значение, составляет примерно 80 ГЦ. Каждая ЭКГ – кривая после оцифровки передается в компьютер в виде последовательности чисел {Yi}, где Yi – амплитуда (в мкВ) i - ой точки. В современной клинической практике принята следующая система отведений, считающаяся стандартной. В этой системе съем потенциалов осуществляется с правой руки (R), левой руки (L), левой ноги(F) и шести точек от правого края грудины до левой среднеподмышечной линии (C1-C6). На основе снятых потенциалов вычисляются отведения:
Основные:
I = L – R
II = F – R
III = F – L
Усиленные:
aVR = R – (L + F)/2
aVL = L – (R + F)/2
aVF = L – (R + L)/2
Грудные с V1 по V6:
Vi =Ci – (R + L + F)/3
При реализации такой схемы приходится задействовать дополнительный электрод на правую ногу (N), обеспечивающий нулевой потенциал, относительно которого и осуществляется съем потенциалов с основных электродов. При реализации такой схемы отведений достаточно часто используется тот факт, что из приведенных 12 отведений только 8 являются линейно – независимыми друг от друга [3]. Это позволяет исключить из схемы аппарата 4 независимых аналоговых тракта, что несколько сокращает его стоимость. Исключаемые отведения вычисляются программным методом следующим образом:
III = II – I
aVR = -(II+I)/2
aVL = (2I – II)/2
aVF = (2II-I)/2
После снятия аналогового сигнала с отведений он соответственно оцифровывается для последующей передачи обработчику, в качестве которого сейчас обычно выступает компьютер [4]. Частота дискретизации Fs на основании теоремы Котельникова – Шеннона должна быть более чем в два раза верхней полосы пропускания. С теоретической точки зрения теорема Шеннона определяет минимальное значение частоты дискретизации Fs для сигнала с ограниченной полосой частот (т. е. для сигнала содержащего частоты вплоть до максимальной Fb). Из теоремы следует что при дискретизации, как минимум вдвое большей, чем частота сигнала, гарантируется частотное содержимое аналогового сигнала и обеспечивается идеальное восстановление оригинального сигнала по его дискретным значениям, с помощью надлежащей интерполяции [5].
Сейчас достаточно часто применяют частоту оцифровки в 500 Гц, рекомендованную Американской Ассоциацией Электрокардиологов [6,7]. Эта величина, согласно теореме Шеннона, достаточно высока, поскольку в ЭКГ взрослого человека максимальная частота, имеющая диагностическое значение, составляет примерно 80 Гц. Однако не следует думать, что частоты дискретизации в современных кардиографах ограничиваются 500 Гц – на данный момент они достигают нескольких килогерц. В соответствии с современными требованиями разрешение по амплитуде у современных приборов должно составлять не менее 5 мкВ. Высокое амплитудное разрешение необходимо для некоторых видов обработки кардиокривых, например для анализа поздних потенциалов, а так же для высококачественного представления электрокардиограммы на экране или в твердой копии без применения специальной интерполяции.
Необходимый диапазон частот для электрокардиографа, применяемого для диагностики должен составлять, как минимум от 0.05 и до 120 Гц (по уровню – 3dB). Причем, если к верхнему диапазону частот нет четко обоснованных требований – в разных источниках называются значения от 100 до 250 Гц, то со значением нижней частоты пропускания связываются диагностически значимые ЭКГ критерии. Если значение нижней полосы пропускания не выдерживается, то возможны ошибки автоматизированной диагностики, вплоть до постановки ошибочного заключения [8].
К сожалению кардиографы, созданные по стандартной схеме обладают рядом недостатков, к которым стоит отнести наличие прецизионных резисторов во входном каскаде схемы отведений, сложных инструментальных входных усилителей, крупногабаритных конденсаторов. Совсем недавно стала доступна элементная база, реализующая принцип сигма – дельта цифрового преобразования в одном модуле. Это позволило реализовать электрокардиограф исключительно на сигма – дельта АЦП [10,11], лишенного упомянутых недостатков. К сожалению, такие аппараты до сих пор обладают достаточно высокой стоимостью.
Фильтрация ЭКГ.
Под задачей обработки понимается решение задачи обнаружения и задачи выделения полезной информации. В общем случае поступающий сигнал, помимо полезной составляющей, содержит и некоторую помеху, которая мешает правильно выделить информационную компоненту сигнала. В этом случае решается задача обработки состоит в том, чтобы наиболее полно исключить помеху, при этом внеся предсказуемые и методологически корректируемые изменения в полезный сигнал. Цифровая фильтрация и быстрое преобразование Фурье - наиболее широко применяемые способы обработки сигнала.
Первостепенное значение на стадии диагностики в кардиологии имеет фильтрация сигналов ритмов сердца. Для постановки правильного диагноза врачу необходимо получать данные от кардиографа, связанные только с активностью сердечных ритмов. После регистрации и дискретизации сигнала ЭКГ следующим этапом обработки ЭКГ обычно является цифровая фильтрация. Это необходимо для повышения качества записи и подавления различных шумов, связанных в основном с мышечным тремором, смещением электродов и электрическими помехами. Цифровые фильтры, применяемые в электрокардиографии можно разделить на 3 основные группы – это нерекурсивные фильтры с конечной импульсной характеристикой(КИХ), рекурсивные фильтры с бесконечной импульсной характеристикой (БИХ), адаптивные фильтры, а также частотные фильтры, производящие фильтрацию сигнала в определенной области частот с использованием локального преобразования Фурье [12]. Для борьбы с мышечной наводкой желателен атреморный фильтр низкой частоты (ФНЧ), ограничивающий диапазон входного сигнала где – то до 60-70 Гц, а для борьбы с сетевой наводкой режекторный фильтр на 50 Гц в условиях отечественных стандартов и на 60 Гц в условиях иностранных сетей. В итоге ПО обработки ЭКГ имеет, как минимум, переключаемый фильтр верхних частот (ФВЧ) с наибольшей постоянной по времени не менее 3.2 секунды, фильтр сетевой наводки и совмещенный с ним или реализованный отдельно переключаемый ФНЧ.
На рисунках 1.1 и 1.2 приведены блок – схемы КИХ и БИХ фильтров соответственно. Элементы Z -1 – просто элемент задержки, который может рассматриваться как регистр, хранящий один отсчет входного сигнала, треугольники – элементы, выполняющие арифметическую операцию умножения, а окружности – сложение.

Рисунок 1.1. Структура КИХ фильтра

Рисунок 1.2. Структура БИХ фильтра.
Традиционная фильтрация обычно применяется тогда, когда полезный сигнал и шум находятся в разных диапазонах частот, причем спектральный характер шума заранее известен. Фильтры обычно проектируются исходя из желаемой АЧХ, которая достигается лишь с требуемой точностью, накладывая определенные ограничения на возможную амплитуду осцилляции в полосе пропускания, ширину переходной области между полосой пропускания и подавления. Для обработки биологических сигналов большую важность имеет линейная, а если это возможно, то и нулевая ФЧХ. Если фильтр имеет нелинейную ФЧХ, то его работа будет вносить нелинейные искажения в сигнал, которые могут сказаться при последующем анализе сигнала. Требование линейности ФЧХ для КИХ фильтров выливается в требование симметрии коэффициентов фильтра относительно середины. Существует достаточно большое количество методик расчета как КИХ, так и БИХ фильтров [5]. Расчетная среда Matlab предоставляет широкий спектр возможностей для расчета фильтров. Расчеты фильтров для применения в детекторе подачи импульса дефибриляции будут приведены в приложении.
Когда не доступна информация о частотном составе шума, или шум имеет известный, но переменный состав, применяется адаптивная фильтрация (рис 1.3).

Рис 1.3. Блок-схема адаптивного фильтра
Записанный сигнал d(t) представляет из себя сумму «чистого» не зашумленного сигнала s(t) и шума n(t). u(t) - сигнал, так или иначе связанный с входным шумом. Адаптивный фильтр вычленяет из входного сигнала составляющие, кореллирующие с шумом и автоматически корректирует свои параметры, исходя из входного сигнала. Выход адаптивного фильтра y(t) - это оценка составляющей сигнала, кореллирующей с шумом. Таким образом, ошибка e(t) = s1= d(t) - y(t) - это оценка составляющей сигнала, несвязанной с шумом. Следовательно, главной задачей адаптивного фильтра является минимизация E[(n(t)-y(t))2]. Адаптивные фильтры могут быть классифицированы по следующим параметрам [15]:
- качеству фильтрации;
- алгоритму, корректирующему параметры фильтра;
- структуре фильтра.
Большим преимуществом адаптивных фильтров является большая гибкость по сравнению с КИХ и БИХ фильтрами, а также большая их эффективность.
Еще одним важным этапом в предварительной обработке ЭКГ является коррекция изолинии для того, чтобы записанная кардиограмма была пригодна для анализа врачом. Простейший ФВЧ фильтр часто неприменим, так как изолиния может осциллировать с достаточно большими частотами. Для того, чтобы фильтр, реализованный с достаточно малым числом коэффициентов, был способен качественно отфильтровать сигнал, он должен обладать нижней полосой пропускания в 0.05 Гц , с подавлением -3 ДБ. Такие характеристики фильтра будут оказывать влияние на низкочастотные компоненты ЭКГ, такие как ST сегмент. Поэтому зачастую рекомендуется использовать более изощренные методы для коррекции изолинии. Для этого пользуются известными характеристиками ЭКГ сигнала и, в частности тем, что период до Р-волны и после Т волны имеют один и тот же электрический потенциал во всех циклах ЭКГ. Следовательно, изолиния должна проходить через эти точки. Таким образом, кривая изолинии получается путем интерполяции этих изоэлектрических участков полиномами различного порядка или даже неполиномиальными функциями, например сплайнами. Полученная таким образом интерполированная кривая изолинии вычитается из исходного сигнала, устраняя тем самым блуждание изолинии.
Выделение и измерение параметров элементов ЭКГ
Одной из самых важных задач, решаемых программными комплексами ЭКГ диагностики, является определение, измерения и классификация характерных элементов ЭКГ. Обычно характерный вид рассматриваемого элемента ЭКГ хорошо известен. В настоящее время существует множество подходов к выделению и измерению параметров ЭКГ. Перед тем, как перейти к рассмотрению основных методик, рассмотрим подробнее структуру кардиоцикла. На ЭКГ сердечный цикл обычно представляется в виде трех комплексов. Р – комплекс соответствует деполяризации предсердий, QRS – деполяризации желудочков, T – их реполяризации. Реполяризация предсердий на ЭКГ не проявляется. Каждый комплекс состоит из нескольких разнонаправленных пиков (смотреть рис.1.4). Число пиков (зубцов) в каждом комплексе неодинаково в разных отведениях и у разных пациентов. Р и Т комплексы обычно содержат один или два зубца, а QRS – комплекс - от одного до семи. На представленном рисунке введены следующие обозначения:
1 – РР – интервал; 2 – PR – сегмент; 3 – ST – сегмент;
2 – Р – комплекс; 5 – QRS – комплекс; 6 – QT – интервал;
7 – PR – интервал; 8 – RR – интервал; 9 – Т – комплекс

Рис. 1.4. Сердечный цикл и его характерные элементы
Характерные элементы ЭКГ, которые необходимо распознать - это комплексы, сегменты (расстояние между зубцами) и интервалы. К параметрам ЭКГ, подлежащим измерению, относятся высота зубцов и длительность комплексов, а также величина сегментов и интервалов. Таким образом, необходимо выполнять два типа измерений: временные и амплитудные. В настоящее время существует несколько методик распознавания элементов ЭКГ. Одной из групп таких методик является группа структурных методов, основывающихся на априорном знании характеристик определяемого элемента ЭКГ. Обычно алгоритмы, принадлежащие к этой группе, являются эвристическими. Естественно, что характеристики одних и тех же элементов ЭКГ могут меняться от цикла к циклу. Структурные методы пытаются найти такие структурные особенности элемента ЭКГ, которые практически не изменяются от цикла к циклу, применяя для этого специальным образом подобранные фильтры, пороговые детекторы. Дополнительно также производится анализ длительностей комплексов, процедура фильтрации ложных пиков и т.д. Фактически основной работой, положившей начало этой группе алгоритмов, была [16], от которой в настоящее время получено множество производных методик, адаптированных для определения различных элементов ЭКГ. К другой группе методик принадлежат алгоритмы, основывающиеся на принципе сравнения искомого элемента ЭКГ с неким полученным специальным образом шаблоном. Такой шаблон обычно получается путем усреднения выровненных элементов, определенных ручным способом. Далее, исходя из доверительной вероятности определения, определяется максимальное среднеквадратичное отклонение, при котором классифицируемый элемент все еще принадлежит к группе шаблона. Фактически осуществляется потоковый просмотр исходного сигнала при использовании определенного окна и, если выделенный сегмент не выходит за границы максимального СКО, то он считается распознанным как элемент, принадлежащий группе шаблона. Самым важным моментом является выбор максимально допустимого СКО от оригинала, так как слишком большое СКО приведет к неверному принятию некорректных комплексов, а слишком малое - к потере реальных.
И, наконец, третьей группой методик анализа являются синтаксические алгоритмы, также известные как лингвистические или грамматические). Исходный анализируемый сигнал разлагается в определенную последовательность примитивов, определяются специальные правила (грамматики), порождающие то или иной элемент ЭКГ из множества примитивов. Для определения и классификации комплексов применяются конечные автоматы, распознающие наличие той или иной грамматики в ЭКГ.
В заключении следует отметь, что обычно все вышеописанные методики применяются в комплексе, что значительно более эффективно, чем использовать только один конкретный метод в отдельности.
Интерпретация и классификация ЭКГ
Результаты выявления элементов ЭКГ и измерения их параметров используются для интерпретации с целью постановки правильного диагноза. В настоящее время известны две основные категории алгоритмов, применяемых в различных системах автоматической диагностики. К первой категории относятся алгоритмы, моделирующие логику врача-диагноста — детерминистический. Естественно, в них используются признаки заболеваний, диагностическая значимость которых установлена всем предшествующим опытом медицины. Применительно к задачам электрокардиографии это связано, в частности, с обязательным использованием параметров медицинского описания электрокардиограммы. Данные тестируют по установленным критериям и получают набор непротиворечивых заключений по ЭКГ. Стоит заметить, что сегодня универсальный комплекс таких критериев отсутствует. Алгоритмы второй категории, как правило, основаны на методах многомерного статистического анализа и теории вероятностей. При этом отказываются не только от медицинской логики, но и от принятых в медицине обозначений элементов электрокардиограммы и способов измерений.
Обе названные категории алгоритмов имеют свои достоинства и недостатки. Безусловное достоинство медицинских алгоритмов - в возможности их быстрой реализации. Это определяется тем, что они концентрируют опыт диагностики, накопленный в медицине, и не требуют предварительных обучающих выборок. Предел диагностических возможностей таких алгоритмов ограничивается современным уровнем развития медицины, а качество конкретных алгоритмов компетентностью лиц, их составляющих.
Достоинством немедицинских диагностических алгоритмов является то, что они могут использовать любые параметры описания электрокардиограммы. Благодаря этому им оказываются доступны резервы информации, которые в клинической практике остаются неиспользованными. Недостатком этих алгоритмов является неудобность их обучения. Это представляет существенные трудности, так как связано с подбором хорошо исследованных больных с заболеваниями, различать которые должен научиться автомат. Тем не менее, алгоритмы второй категории считаются более перспективными, так доступная им новая информация даст возможность сделать диагностику более эффективной. В настоящее время ведутся активные работы в разных странах мира в области разработки алгоритмов классификации ЭКГ. Основными направлениями работ является применение нейронных сетей, методов частотно-временного преобразования (вейвлет-анализ) и многое другое.
Сжатие ЭКГ данных
Большинство современных программных ЭКГ системы обладают возможностью сжатия данных. Такая возможность необходима для организации эффективного хранения данных, передачи больших объемов данных через Internet. Некоторые методы сжатия даже включены в стандарты обмена ЭКГ данными [18].
В целом, компрессия данных осуществляется за счет уменьшения избыточности ЭКГ. Все основные методы сжатия данных могут разделены на 2 группы: сжатие с потерями данных и без потерь. Под сжатием с потерями подразумевается то, что исходный сигнал может быть восстановлен только с заведомо известной степенью точности. Методы сжатия с потерями используют стандартные методы кодирования избыточности, применяемые для сжатия произвольных данных. Эти методики обычно используют особенности ЭКГ сигнала: периодичность, наличие участков практически постоянного потенциала. Чтобы извлечь из этого пользу, сигнал зачастую дифференцируется, генерируется усредненный шаблон периодического участка(обычно QRS комплекс), который вычитается из сигнала на каждом периоде. Все это делается для того, чтобы впоследствии как можно эффективнее применить операцию кодирования без потери информации. Сжатие с потерями обычно происходит по стандартной схеме. Вначале используется некоторое дискретное преобразование сигнала, полученные коэффициенты дополнительно квантуются и далее применятся стандартная процедура сжатия квантованных коэффициентов без потерь. В настоящее время в качестве дискретных преобразований широко применяются дискретное преобразование Фурье (ДПФ), дискретное косинусное преобразование, преобразование Карунена-Леве, а также вейвлет-преобразование. [19]. Следует заметить, что единственный шаг кодирования, на котором осуществляется потеря данных, - это процедура квантования.
Эффективность компрессии определяется коэффициентом сжатия, который обычно тем больше, чем выше величина потерь данных, и чем больше время, затраченное на кодирование информации. Величину, характеризующую потерю данных, обычно выражают в терминах среднеквадратичного отклонения, представленного в процентах:

Итак, в этой главе был проведен обзор функциональных возможностей систем сбора и математической обработки ЭКГ информации и основных методик ЭКГ, применяемых в настоящее время в клинической практике. Все методики ЭКГ – анализа, за исключением этапа интерпретации и классификации ЭКГ, описанные в этом разделе так или иначе используются при построении программы, предлагаемой на рассмотрение.
Перейдем теперь к рассмотрению основных принципов построения и использования предлагаемой нами программы тестирования и оптимизации программных фильтров для определения моменты подачи импульса в дефибрилляторе ДФР-2.
Глава 2. Основные принципы и методы объектно-ориентированного программирования
Проблемы при решении сложных задач
Проблемы, которые мы пытаемся решить с помощью разрабатываемого программного обеспечения, часто неизбежно содержат сложные элементы, к которым предъявляется множество различных, нередко противоположных требований.
Основная задача разработчиков состоит в создании иллюзии простоты, защищающей пользователей от сложности описываемого предмета или процесса. Размер программы отнюдь не входит в число ее достоинств. Внутри прикладной программы могут существовать сотни, и даже тысячи переменных. Как же мы можем изменить эту ситуацию? Для этого необходимо изучить структуру сложных систем. Если объединить понятия структуры классов и структуры объектов со всеми признаками сложных систем, то получим, что практически все сложные системы можно представить одной канонической формой, представленной ниже на рис. 2.1.

Рис. 4.1. Каноническая форма сложной декомпозиции.
В самом деле, правильная декомпозиция непосредственно определяет сложность, присущую программной системе, обеспечивая разделение пространства состояний системы. На рис. 2.2 мы разделили подсистему, выбрав в качестве критерия декомпозиции принадлежность ее элементов к различным абстракциям данной предметной области.

Рис. 2.2. Объектно-ориентированная декомпозиция.
Объектный подход
В основе объектно-ориентированного проектирования (ООП) лежит объектный подход. Основными принципами являются: абстрагирование, ограничение доступа, модульность, иерархичность, типизация, параллелизм и устойчивость. Эти принципы не новы, однако, именно в объектном подходе они объединены для решения общей задачи.
Объектно-ориентированное проектирование принципиально отличается от традиционных подходов структурного проектирования, так как подразумевает другой подход к процессу декомпозиции, а получаемый программный продукт по архитектуре в значительной степени выходит за рамки традиционных представлений.
Начиная с FORTRAN II и позднее, для решения задач программирования на более высоком уровне стали возникать новые существенные механизмы структурирования. Это привело к реализации механизма раздельной компиляции модулей, которые были чем-то большим, чем случайный набор данных и подпрограмм.

Рис. 2.3. Архитектура языков программирования третьего поколения.
Объектный подход может быть осуществлен на более высоких уровнях абстракций. Группы абстракций в больших системах могут представляться в виде многослойной структуры. Группы объектов существуют на каждом уровне и тесно взаимодействуют между собой. Внутри каждой группы мы видим то же взаимодействие.

Рис. 2.4. Архитектура программных систем большой сложности на основе объектных и объектно-ориентированных языков программирования.
Методы структурного проектирования имели своей целью упростить процесс разработки сложных систем, на основе алгоритмического подхода. Методы объектно-ориентированного проектирования созданы в свою очередь для помощи разработчикам, использующим мощные выразительные средства объектного и объектно-ориентированного программирования, основанного на описании классов и объектов. Смысл такого подхода состоит в том, что он позволяет применить объектную ориентацию для решения всего круга проблем, связанных со сложными системами.
Объектно-ориентированное программирование (ООП) - это методология программирования, которая основана на представлении программы в виде совокупности объектов, каждый из которых является реализацией определенного класса, а классы образуют иерархию на принципах наследуемости.
В данном определении можно выделить три части:
-ООП использует в качестве элементов конструкции объекты, а не алгоритмы.
-Каждый объект является реализацией какого-либо определенного класса.
-Классы организованы иерархически.
Программа будет объектно-ориентированной только при соблюдении этих трех требований.
Объектно-ориентированное проектирование
Методы программирования подразумевают правильное эффективное использование механизмов языков программирования. Методы проектирования, напротив, основное внимание направляют на структурирование сложных систем.
Определим объектно-ориентированное структурирование следующим образом:
Объектно-ориентированное структурирование (ООС)– это методология проектирования, соединяющая в себе процесс объектной декомпозиции и приемы представления как логической и физической, так статической и динамической моделей проектируемой системы.
В данном определении содержатся две важные части:
-OOС ведет к объектно-ориентированной декомпозиции
-Используется многообразие представления моделей, отражающих логическую и физическую системы.
Объектно-ориентированный анализ
Объектно-ориентированный анализ (ООА) направлен на создание моделей, более близких к реальности, с использованием объектно-ориентированного подхода; это методология, при которой требования формируются на основе понятий классов и объектов, составляющих словарь предметной области.
На результатах ООА формируются модели, на которых основывается ООС; ООС в свою очередь создает основу для окончательной реализации системы с использованием методологии ООП.
Способы программирования и компоненты объектного подхода
Каждый стиль программирования имеет свою концептуальную основу, требует различного подхода к решаемой задаче. Для объектно-ориентированного стиля концептуальная основа состоит в объектном подходе. Этому подходу соответствуют четыре главных элемента:
-абстрагирование
-ограничение доступа
-модульность
-иерархия
Эти элементы являются главными в том смысле, что без любого из них подход не будет объектно-ориентированным. Кроме главных имеются еще три дополнительных элементов:
-типизация
-параллелизм
-устойчивость
Эти элементы являются полезными, но не обязательными в объектном подходе.
Рассмотрим эти элементы более подробно.
Абстрагирование
Абстрагирование является одним из главных способов, используемых для решения сложных задач. По одному