Auswertung von EKG mit Hilfe der Mustererkennung

R. BousseljotD. Kreiseler

Auswertung von EKGmit Hilfe der Mustererkennung

Herzschr Elektrophys 9:270–278 (1998)© Steinkopff Verlag 1998 ORIGINALARBEIT

H&

E244

Eingegangen: 3. November 1998Akzeptiert: 18. September 1998

Dr. R. Bousseljot (✉) · Dr. D. KreiselerPhysikalisch-Technische BundesanstaltLabor 8.21 Bioelektrizita¨tund BiomagnetismusAbbestraße 2–12D-10587 Berline-mail: [email protected]

Analysis of ECG based on pattern recognition

Background: An essential feature of the known procedures for the analysisof the ECG signal is the splitting of the ECG into individual parameterswhich are subsequently processed in defined decision trees, neuronal net-works or statistical procedures to diagnostic information. The correctness ofthe diagnostic statements thus substantially depends on the suitable selec-tion and the exact determination of the individual criteria. The analysis al-gorithm and the expert knowledge are closely linked due to the procedure.Aims of the Study: This paper presents a new procedure or the evaluationof signals of medical sensor systems by the example of the ECG. Unlikethe methods used up to now, this procedure is not based on an ever moreprofound splitting of the ECG signal into individual features. Furthermore,analysis algorithm and knowledge base are separated from each other.Methods: The consideration underlying the procedure is that two ECGswhose leads show identical or very similar signal patterns indicate identicalor at least very similar cardiological diagnoses. As this assumption is the basisof medical experience, it should be possible to compare the signal patterns ofthe leads of an unknown ECG with those of the leads of the reference ECGsfrom a database and to draw conclusions for the diagnosis of the unknownECG. For this purpose, those ECGs are searched in an ECG database whoseleads show greatest agreement with the signal pattern of the unknown ECG.Results:The function of the method was established with the aid of the ECGsignal database CARDIODAT with 249 ECGs for the diagnostic groups: in-farcts and healthy reference persons from a data inventory of 550 ECGs.Conclusion:It can be seen from the results that the presented procedure whichis based on signal pattern recognition is a new approach to deriving diagnosticinformation from the ECG signal at least for the diagnostic group of myocar-dial infarcts.

Key words ECG evaluation – waveform recognition – multi-channel ECGanalysis – cross correlation – computer diagnostics

Hintergrund: Ein wesentliches Merkmal bekannter Verfahren zur Analysedes EKG-Signals ist die Zerlegung des EKG in Einzelparameter, die anschlie-ßend in definierten Entscheidungsbaümen, neuronalen Netzen oder statisti-schen Verfahren zu einer diagnostischen Information verarbeitet werden.Die Richtigkeit der diagnostischen Aussagen ha¨ngt somit wesentlich vonder geeigneten Auswahl sowie der genauen Bestimmung der Einzelmerkmale

271R. Bousseljot und D. KreiselerAuswertung von EKG mit Hilfe der Mustererkennung

ab. Verfahrensbedingt sind Analysealgorithmus und Expertenwissen eng mit-einander verknu¨pft.Studienziel: Im vorliegenden Beitrag wird ein neues Verfahren zur Auswer-tung von Signalen medizinische Sensorsysteme am Beispiel des EKG vorge-stellt. Dieses Verfahren beruht im Gegensatz zu bisherigen Methoden nicht aufeiner immer tiefer gehenden Zerlegung des EKG-Signals in Einzelmerkmale.Außerdem sind Analysenalgorithmus und Wissensbasis von einander ge-trennt.Methoden: Die dem Verfahren zugrundeliegende Überlegung besteht darin,daß zwei EKG, die in ihren entsprechenden Ableitungen gleiche oder sehrahnliche Signalmuster aufweisen, auch auf gleiche oder zumindest sehr a¨hn-liche kardiologische Diagnosen hinweisen. Da diese Annahme Grundlage derarztlichen Erfahrung ist, sollte es mo¨glich sein, durch einen Signalmusterver-gleich der Ableitungen eines unbekannten EKG mit den Ableitungen von ineiner Datenbank erfaßten EKG mit bekannter Diagnose auf die Diagnose desunbekannten EKG zu schließen. Dazu werden in einer EKG-Signaldatenbankdiejenigen EKG gesucht, deren Ableitungen die gro¨ßte Übereinstimmung mitdem Signalmuster des unbekannten EKG besitzen.Ergebnisse:Die Funktionsfa¨higkeit des Verfahrens wurde mit Hilfe der EKG-Signaldatenbank CARDIODAT anhand von 249 EKG fu¨r die Diagnosegrup-pen Infarkte und gesunde Vergleichspersonen aus einem Datenbestand voninsgesamt 550 EKG nachgewiesen.Schlußfolgerungen:Aus den Ergebnissen la¨ßt sich ableiten, daß das vorge-stellte Verfahren auf der Grundlage der Signalmustererkennung zumindest fu¨rdie Diagnosegruppe der Myokardinfarkte einen neuen Ansatz zur Ableitungdiagnostischer Informationen aus dem EKG-Signal darstellt.

Schlusselworter EKG-Auswertung – Wellenform-Erkennung –multikanalige Signalanalyse – Kreuzkorrelation – Computerdiagnostik

Einleitung

Die Signalanalyse von Meßdatenmedizinischer Sensorsysteme zurAbleitung diagnostischer Informatio-nen, z.B. bei kardiologischen Mes-sungen, gestattet mit steigender Lei-stungsfa¨higkeit der Rechentechnikin Verbindung mit Netzwerktechno-logien und Datenbanken den Einsatzneuer Verarbeitungsmethoden. Ne-ben den klassischen Auswertever-fahren, basierend auf der Vermes-sung der Signale, werden auch re-chenintensivere Verfahren der Sig-nalauswertung bei großen Daten-mengen mo¨glich. Am Beispiel desElektrokardiogramms (EKG) wirdein neues Verfahren auf Basis derMustererkennung vorgestellt, dassich auch auf Messungen anderermedizinischer Sensorsysteme, z.B.das Magnetokardiogramm (MKG),anwenden la¨ßt.

Stand der Signalauswertungzur Ableitung diagnostischerInformationen aus dem EKG

Bei der EKG-Diagnostik werden inzunehmendem Maße computerge-stutzte EKG-Gera¨te eingesetzt. Sol-che Meßsysteme erfassen und verar-beiten Elektrodenpotentiale von amPatienten befestigten Elektroden, fil-tern und digitalisieren sie. Durch ei-nen im Gera¨t integrierten Mikro-rechner erfolgt die Entfernung vonGrundliniendrift und Muskelartefak-ten sowie die Berechnung der kli-nisch ublichen Extremita¨ten- undBrustwandableitungen (z.B. nachEinthoven, Goldberger, Wilson)oder der orthogonalen Ableitungennach Frank (1). Im einfachsten Fallwerden diese Signalverlaüfe auf Pa-pierstreifen oder Displays zur Be-wertung fur den Arzt bereitgestellt(2). Auswertende Elektrokardiogra-

fen verwenden den Mikrocomputeraußer zur Signalaufbereitung undAnzeige auch zur Signalauswertung,Signalvermessung und ggf. zur Aus-gabe von diagnostischen Hinweisen(3). Das Grundprinzip der meistenheute verfu¨gbaren EKG-Systeme be-ruht auf der Zerlegung des digitali-

Abkurzungen und Akronyme

AHA Amerikanische Herz-Gesell-schaft

AMI anteriorer MyokardinfarktASMI antero-septaler Myokard-

infarktaVF,aVL,aVR

Goldberger-Ableitungen

CD Compact Disk (CD)CSE Gemeinsamer Standard fu¨r

ElektrokardiographieEKG ElektrokardiogrammILMI infero-lateraler Myokard-

infarktIMI inferiorer MykardinfarktIPMI inferior-posteriorer Myokard-

infarktISDN Dienstintegriertes Digitales

NetzwerkMKG MagnetokardiogrammPC PersonalcomputerSQL strukturierte Datenbank-

abfragespracheV1–V6 Wilson-AbleitungenVx, Vy,Vz

Frank-Ableitungen

Abbreviations and Acronyms

AHA American Heart AssociationAMI anterior myocardial infarctionASMI anterioseptal myocardial in-

farctionaVF,aVL,aVR

Goldberger leads

CD Compact Disk (CD)CSE Common Standards for Quan-

titativeEKG electrocardiogramILMI inferolateral myocardial in-

farctionIMI inferior myocardial infarctionIPMI inferoposterior myocardial in-

farctionISDN Integrated Services Digitial

NetworkMKG magnetocardiogramPC personal computerSQL Structured Query LanguageV1–V6 Wilson leadsVx, Vy,Vz

Frank leads

sierten EKG-Signals in eine Viel-zahl von Einzelmerkmalen. Durchgeeignete Verknu¨pfung dieser Ein-zelmerkmale wird eine diagnosti-sche Information abgeleitet (Klassi-fikation). Diese Verknu¨pfung kannz.B. mit Hilfe eines Entscheidungs-baums (4, 5), neuronaler Netzwerke(6, 7) oder Mustererkennungsverfah-ren (8) erfolgen.

In der Literatur existiert einegroße Anzahl von Vero¨ffentlichun-gen uber Verfahren zur rechnerge-stutzten Bestimmung von diagno-stisch relevanten Merkmalen ausdem EKG-Signal. Ein Ansatz zurAuswahl von geeigneten Merkmalensowie zur Klassifikation sind ver-schiedene in der 60-iger bzw. 70-iger Jahren entwickelte Verfahrenzur Beschreibung der Wellenformendes EKG, wie z.B. der Minnesota-Code (9) oder der Washington-Code(10). Diese Beschreibungsschematawurden weiterentwickelt, z.B. Min-nesota-Code 1982 (11) und in EKG-Analyseprogrammen (12) und EKG-Systemen (13) eingesetzt. AndereVerfahren zur Merkmalsextraktionnutzen z.B. Fuzzy-Methoden (14),Mustererkennungsverfahren (15, 16)oder wissensbasierte Methoden (17).Auf Grund der großen Unterschiedebei der Analyse eines EKG durchverschiedene Computerprogramme(18), wurde 1980 das internationaleProjekt „‘Common Standards forQuantitative Electrocardiography’(CSE)“ initiert (19). Das grundlegen-de Ziel des CSE-Projektes war dieSchaffung von Empfehlungen fu¨rdie Standardisierung der computerge-stuzten EKG-Vermessung und dieDefinition von Regeln zur Bestim-mung der typischen Wellenformendes EKG, wie QRS-Komplex, P-und T-Welle. Im Ergebnis dieses Pro-jektes entstand der CSE-EKG-Atlas(20) als Hilfsmittel zum Testen vonEKG-Analyseverfahren und als Pro-totyp heutiger EKG-Signaldatenban-ken. Diese Vorgehensweise spiegeltdie biologische Variabilita¨t nur unzu-reichend wider (21, 22).

Neuronale Netze werden bei derEKG-Analyse uberwiegend zur Klas-

sifikation eingesetzt (6, 7). Bekanntsind neuronale Netze auch in Verbin-dung mit Fuzzy-Methoden (17).

Mustererkennungsverfahren wer-den sowohl bei der Merkmalsbe-stimmung als auch bei der Klassifi-zierung angewendet. In der Literaturwerden zahlreiche Verfahren be-schrieben, welche z.B. Korrelations-methoden zur EKG-Signalanalyse(23) benutzen. Vielfach werdendiese Verfahren eingesetzt, um ein-zelne Merkmale aus dem EKG zubestimmen, z.B. zur Erkennung vonQRS-Komplexen (15, 24), zur Er-kennung von Extrasystolen (16)oder zur Erkennung von Rhythmus-problemen (25). Die meisten Algo-rithmen wenden diese Techniken aufEKG des selben Patienten an (26).Es erfolgt, so weit bekannt, keineKorrelation von EKG-Wellenformenmit entsprechenden EKG-Wellenfor-men verschiedener Patienten. Ande-re Verfahren leiten aus dem EKG-Signal einzelne Merkmale ab undwenden auf diese Merkmalssa¨tzeMethoden der Mustererkennung (8)an. Verbreitet sind auch multivariatestatistische Methoden (27) bzw. wis-sensbasierte Systeme (28) zur Klas-sifikation des EKG.

AusgangshypothesefuÈr ein neues Verfahren

Ausgangsu¨berlegung des Verfahrensist die Annahme, daß zwei EKG,die in ihren jeweils gleichen Ablei-tungen gleiche oder sehr a¨hnlicheSignalmuster besitzen, auch dengleichen oder zumindest vergleich-baren kardiologischen Diagnosenzuzuordnen sind.

Da diese Annahme Grundlageder arztlichen Erfahrung ist, solltees moglich sein, durch einen Mu-stervergleich der Ableitungen einesunbekannten EKG mit den Ablei-tungen von in einer Datenbank er-faßten EKG mit bekannter Diagnoseauf die Diagnose des unbekanntenEKG zu schließen. Dazu werden ineiner EKG-Signaldatenbank diejeni-

gen EKG gesucht, die die gro¨ßteÜbereinstimmung in den Signalmu-stern der entsprechenden Ableitun-gen im Vergleich mit dem unbe-kannten EKG besitzen.

Diese Vorgehensweise entsprichtnaherungsweise der eines Kardiolo-gen, der das aufgenommene Patien-ten-EKG intuitiv mit EKG-Signal-mustern entsprechend seiner Erfah-rung vergleicht. Die EKG-Signalda-tenbank entspricht bei der computer-gestutzten Herangehensweise derWissensbasis des Kardiologen. DemArzt werden mit diesem Verfahrenvergleichbare Fa¨lle zu dem geradeuntersuchten Patienten angeboten.Mit Hilfe der zu den vergleichbarenFallen gehorigen Datenbankinforma-tionen (z.B. Anamnese, Therapie,mogliche Komplikationen) und wei-teren vom EKG unabha¨ngigen Un-tersuchungsergebnissen (z.B. Labor-befunde des zu untersuchenden Pa-tienten) kann der Arzt somit aufeine Diagnose schließen.

Beschreibung des Verfahrens

Das Verfahren besteht im wesentli-chen aus vier aufeinanderfolgendenSchritten.

1. Signalaufbereitung

Der erste Verfahrensschritt beinhal-tet die rechentechnische Vorberei-tung des zu untersuchenden EKG.Dabei erfolgt eine Analyse aufRhythmus, Extrasystolen, Schlagva-rianz, Drift usw. Um den numeri-schen Aufwand beim Musterver-gleich zu begrenzen, wird das zuuntersuchende EKG nicht in seinergesamten La¨nge mit den Datenbank-EKG verglichen. Fu¨r den Muster-vergleich an Hand der Wellenfor-men wird ein repra¨sentativer Schlagaus dem EKG ausgewa¨hlt. Grundla-ge der Auswahl ist eine mehrkanali-ge Darstellung des zu untersuchen-den EKG, wobei die beim Muster-vergleich zu beru¨cksichtigenden Ab-leitungen am Bildschirm dargestellt

272 Herzschrittmachertherapie und Elektrophysiologie, Band 9, Heft 4 (1998)© Steinkopff Verlag 1998

bzw. ausgewa¨hlt werden. Mit Hilfeeines interaktiv zu bedienenden Li-niencursors wird ein Schlag desEKG uber alle ausgewa¨hlten Ablei-tungen ausgeschnitten und fu¨r jedeAbleitung in einzelnen Files abge-legt. Um den Einfluß der unter-schiedlichen R-R-Absta¨nde ver-schiedener Patienten auf das Ergeb-nis der Musterkorrelation zu elimi-nieren und die Ergebnisse vergleich-bar zu machen, werden sowohl dieR-R-Abstande der Datenbank-EKGals auch die der zu untersuchendeEKG auf eine einheitliche La¨ngenormiert. Die rechentechnische Rea-lisierung erfolgt am PC mit Hilfevon Windows-Programmen.

2. Musterkorrelation

Die ausgeschnittenen Bereiche (Da-tensatz X mit den Elementenxn,1≤n≤N) werden im na¨chsten Ver-fahrenschritt fu¨r jede Ableitung mitallen entsprechenden Ableitungender Datenbank-EKG (DatensatzYmit den Elementenyn, 1≤n≤N) aufden Grad der Übereinstimmung derSignalmuster verglichen. Das bedeu-tet, die Ableitung V1 des zu unter-suchenden EKG wird mit allen Ab-leitungen V1 der Datenbank-EKGverglichen, die Ableitung V2 des zuuntersuchenden EKG mit allen Ab-leitungen V2 der Datenbank-EKGusw. Der Vergleich erfolgt u¨ber dieBerechnung des Korrelationskoeffi-zienten K (29) mit

Durch Verschiebung der zu unter-suchenden Ableitung gegenu¨ber derjeweils betrachteten Datenbank-Ab-leitung ergibt sich eine Korrelations-funktion ~K � K�kTa� wobei dieWerte vonk im Bereich 1≤k≤N lie-gen. Ta ist die Abtastzeit. Entspre-chend dem periodischen Verhalten

des EKG-Signals ist die Korrelations-funktion wieder eine periodischeFunktion. Die Bewertung der Sig-nalmustera¨hnlichkeit der vergliche-nen Ableitungen erfolgt mit Hilfeder Maxima der Korrelationsfunktion.

Im Ergebnis dieser Berechnungenerhalt man fur jede Ableitung eineMaßzahl zwischen –1 und 1, dieden Grad der maximalen Korrelati-on der Signalmuster der vergliche-nen Ableitung kennzeichnet. Da ent-sprechend der Ausgangshypothesenur ahnliche EKG gesucht werden,wird fur die weiteren Untersuchun-gen nur der Bereich zwischen 0 und1 zur Auswertung der Ähnlichkeitder zu vergleichenden Signalmusterherangezogen. Bei Beru¨cksichtigungvon 15 Ableitungen bedeutet dies15 Maßzahlen fu¨r jedes verglicheneDatenbank-EKG im Wertebereichzwischen 0 und 1.

Tabelle 1 zeigt als Beispiel Ergeb-nisse dieser Korrelation. Fu¨r die er-sten 5 verglichenen EKG aus der Da-tenbank und die Ableitungen V1 bisV6 sowie Vx, Vy, Vz sind die ent-

sprechenden Maßzahlen in die Ta-belle eingetragen. Eine Maßzahl na-he 0 bedeutet, daß es keine Übe-reinstimmung der Signalmuster derAbleitung des Datenbank-EKG mitden entsprechenden Signalmusternder Ableitung des zu untersuchendenEKG gibt. Die Maßzahl 1 steht dage-

gen fur Identitat der Signalmuster derbetrachteten Ableitung des EKG.

3. Klassifizierung

In einem dritten Verfahrensschritt er-folgt eine Klassifizierung der Daten-bank-EKG nach dem Grad ihrerÜbereinstimmung mit dem zu unter-suchenden EKG. Fu¨r diese Klassifi-zierung wird ein Abstandsverfahrender multivariaten Signalverbreitungverwendet. Dabei wird ein kartesi-sches Koordinatensystem gebildet,auf dessen Koordinatenachsen dieMaxima der Korrelationskoeffizien-ten aufgetragen werden. Die Anzahlder Koordinatenachsen ergibt sichaus der Anzahl der betrachteten Ab-leitungen. In diesem Koordinatensy-stem lassen sich die Ergebnisse derMusterkorrelation fu¨r jedes vergli-chene Datenbank-EKG als Punkte Pidarstellen. Der Signalmusterver-gleich des unbekannten EKG mitsich selbst liefert fu¨r jede Ableitungden Wert 1 (Identita¨t der Muster)und laßt sich durch den Punkt P0 (1,1, . . . 1) darstellen. Fu¨r jedes in demKoordinatensystem durch einenPunkt Pi reprasentierte Datenbank-EKG kann der geometrische Ab-stand zum Punkt P0 berechnet wer-den. Dieser Abstand ist ein Maß fu¨rdie Ähnlichkeit der Signalmusterder durch die Punkte repra¨sentiertenEKG, d.h. zwischen dem zu unter-suchenden EKG und dem Daten-bank-EKG. Je geringer dieser Ab-stand desto a¨hnlicher sind die be-trachteten EKG in ihren einzelnenAbleitungen. Der geometrische Ab-stand kann mathematisch auch


K �PNn�1

xnyn ÿ 1

N

PNn�1

xnPNn�1

yn��PNn�1

x2n ÿ

1

N

�PNn�1

xn

�2��PNn�1

y2n ÿ

1

N

�PNn�1

yn

�2�s : �1�

Tabelle 1 Darstellung der Ergebnisse der Korrelation fu¨r 5 EKG unter Beru¨cksichtigung derAbleitungen V1 bis V6 sowie Vx, Vy, Vz

Table 1 Example of the maximum values of the correlation functions of five ECGs for leadsV1 to V6 as well as Vx, Vy, Vz

EKGNr V1 V2 V3 V4 V5 V6 VX VY VZ

1 0,93444 0,71581 0,47163 0,21569 0,67302 0,85514 0,87704 0,63910 0,873952 0,93536 0,91378 0,84560 0,46593 0,34404 0,63596 0,62883 0,41243 0,911533 0,92969 0,90263 0,57576 0,25668 0,76140 0,89552 0,88692 0,55124 0,850014 0,55816 0,30838 0,18206 0,23850 0,85751 0,91944 0,90364 0,42720 0,310885 0,89243 0,67526 0,45994 0,34560 0,58171 0,80034 0,83098 0,44323 0,75087

durch den normierten Betrag r desVektors vom Ursprung des verwen-deten Koordinatensystems zumPunkt Pi beschrieben werden. InBild 1 ist diese Gro¨ße in Prozentauf der Abszissenachse aufgetragen.Der Punkt bei (100, 0) repra¨sentiertdie Korrelation des zu untersuchen-den EKG mit sich selbst. Jeder wei-tere Punkt in dem Bild repa¨sentiert

ein Datenbank-EKG, wobei derWert r den Grad der Übereinstim-mung der Signalmuster zum zu un-tersuchenden EKG angibt.

Auf der Ordinatenachse ist alszweiter Wert b die Standardabwei-chung der Korrelationskoeffizientender einzelnen Ableitungen der durchPunkte repra¨sentierten Datenbank-EKG dargestellt. Diese Gro¨ße ist ein

Maß dafur, wie gut alle betrachtetenAbleitungen des durch den Punktreprasentierten Datenbank-EKG mitdem zu untersuchenden EKG u¨ber-einstimmen. Je gro¨ßer dieser Wertist, desto gro¨ßer sind die Unter-schiede der Korrelationskoeffizien-ten der einzelnen Ableitungen desEKG (z.B. durch eine gesto¨rte Ab-leitung). Jeder Punkt im Bild 1 stelltsomit das Ergebnis des Vergleichsder Signalmuster eines Datenbank-EKG mit dem Signalmuster des zuuntersuchenden EKG dar. Fu¨r dieBewertung relevant sind diejenigendurch Punkte repra¨sentierten Daten-bank-EKG, die auf der Abszissen-achse den ho¨chsten Grad an Über-einstimmung bieten.

4. Ableitung diagnostischerInformationen

Durch eine farbliche oder symboli-sche Kennzeichnung der Ergebnisseaus den Signalmustervergleichen ent-sprechend Bild 1 lassen sich weiterebekannte Informationen aus der Da-tenbank zuordnen. Beispielsweisekann durch die Farbe oder das Sym-bol der Punkte die kardiologischeDia-gnose des jeweiligenDatenbank-EKGgekennzeichnet werden (Bild 2).


Abb. 1 Verteilung der Ergebnisse der Korrelationen eines unbekannten EKG mit Signalmu-stern der DatenbankCARDIODAT(30). Jeder Punkt stellt das Ergebnis des Signalmusterver-gleichs mit einem Datenbank-EKG dar. Der Punkt (100, 0) repra¨sentiert die Korrelation deszu untersuchenden EKG mit sich selbst (Identita¨t der Muster).

Fig. 1 Distributions of the results of the correlations between an unknown ECG and patternof the databaseCARDIODAT(30). Every point describes the result of the wave form compar-ison with a database ECG. Point (100, 0) represents the correlation of the test ECG with itself(identity of the pattern).

Abb. 2 Signalanalyseergebnis fu¨r einen Patienten (s0186 lre) mit der Diagnose inferiorer Infarkt. Die Mehrzahl der Korrelationsergebnisse imBereich r>85% basieren auf dem Vergleich mit EKG von Patienten mit inferiorem Myokardinfarkt. Dementsprechend wird auch fu¨r das unbe-kannte EKG (Punkt 100, 0) auf diese Diagnose geschlossen (Diagnoseschlu¨ssel nach AHA (31)).

Fig. 2 Result of the signal analysis from a patient (s0186 lre) with the diagnosis inferior infarction. Most of correlation results located in thearea r>85% are based on the comparison to patients with inferior myocardial infarction (diagnostic key AHA (31)).

Durch die Haufung von EKG mit be-stimmtenDiagnosegruppen in der Na¨-he des zu untersuchenden EKG (100,0) laßt sich eine wahrscheinlicheAus-sage u¨ber die mogliche Diagnose deszu untersuchenden EKG ableiten.Bild 2 zeigt eine Haüfung von EKGmit den Diagnosegruppen IMI (infe-riorer Myokardinfarkt) bzw. ILMI(infero-lateraler Myokardinfarkt) imBereich der Ähnlichkeit r>85%.Aus dieser Haüfung kann mit einerbestimmten Wahrscheinlichkeit derSchluß gezogen werden, daß auchdas zu untersuchende EKG in dieseDiagnosegruppe eingeordnet werdenkann.

Die entwickelte Software liefertdurch Anklicken interessierenderPunkte mit der Maus weitere Infor-mationen u¨ber den Grad der Über-einstimmung der einzelnen Ablei-tungen mit dem zu untersuchendenEKG aus der Datenbank. In dem inBild 2 eingeblendeten Fenster mitdem Namen „Database-Information“ist fur den interaktiv angewa¨hltenPunkt fur jede Ableitung der Betragr dargestellt. Das Zeichen „9“ ver-deutlicht welche Ableitungen be-rucksichtigt wurden. Im Beispielnach Bild 2 wurden die Ableitungen

V1 bis V6, I, II, III sowie AVL,AVR, AVF verwendet.

Die Tatsache, daß in den Punkt-wolken eine große Streuung auchinnerhalb der gleichen Diagnose-gruppe (z.B. inferiore Infarkte) auf-tritt, verdeutlicht die biologischeVariabilitat innerhalb der Gruppen.

Eine detaillierte Analyse gestattetdie Verwendung von Datenbankpro-grammen, mit denen es mo¨glich ist,fur jedes Datenbank-EKG in Bild 2die genauen Werte sowie weitere In-formationen abzurufen.

Erste Ergebnisse

Die Funktionsweise der vorgestell-ten Methode wird mit Hilfe derSQL-SignalmusterdatenbankCAR-DIODAT (30) gezeigt. Diese Daten-bank entha¨lt zum gegenwa¨rtigenZeitpunkt 550 hochwertige EKG-Aufnahmen von rund 290 Personen,vorwiegend Infarktpatienten undNormalpersonen. Die Ruhe-EKGmit einer Aufnahmedauer zwischen38 bis 115 s liegen sowohl als Elek-trodenpotentiale sowie aus diesenberechneten medizinischen Ablei-

tungen (I, II, III, V1–V6, aVF,aVL, aVR, Vx, Vy, Vz) vor. In derDatenbank sind außerdem umfang-reiche technische und medizinischeAngaben zu den EKG gespeichert.Die EKG-Datenbank ist ebenfallsim Internet unter der Adresse http://www.lab1033.berlin.ptb.de/8/82/821d/821.html in einer Demo-Ver-sion zuga¨nglich. Im Rahmen ersterUntersuchungen wurden 296 EKGvon Patienten mit Myokardinfarktsowie Normalpersonen einbezogen.Dazu wurden u.a. insgesamt ca. 1,5Millionen Korrelationsfunktionenberechnet und ausgewertet.

Bild 2 zeigt als Beispiel das Er-gebnis der Signalanalyse fu¨r das 12-Kanal-EKG eines Patienten mit infe-riorem Myokardinfarkt (IMI). DieAnalyseergebnisse zeigen deutlicheine Haufung von EKG mit der Dia-gnose inferiorer Infarkt in der Um-gebung des Punktes (100,0). Diesedurch den Algorithmus gefundenenEKG stimmen in den Signalmusternder einzelnen Ableitungen am be-sten mit dem zu untersuchendenEKG uberein. Bild 3 zeigt als weite-res Beispiel das Analyseergebnis ei-nes Patienten mit der Diagnose ante-riorer Myokardinfarkt (AMI). Auch


Abb. 3 Signalanalyseergebnis eines Patienten (s0029 lre) mit der Diagnose anteriorer Infarkt. Im Bereich des Parameters r>85% dominierenDatenbank-EKG mit den Diagnosen AMI and ASMI. Die Korrelationsergebnisse fu¨r inferiore Infarkte weisen dagegen deutlich geringere Werteauf (Diagnoseschlu¨ssel nach AHA (31)).

Fig. 3 Result of signal analysis of a patient (s00291 lre) with the diagnosis anterior myocardial infarction. The database ECGs with thediagnosis AMI and ASMI are dominant in the area r>85%. The results correlated to inferior infarction show, however, lower correlationvalues (diagnostic key AHA (31)).


hier ist eine Haüfung von EKG mitden Diagnosegruppen anteriorerbzw. antero-septaler Myokardinfarkt(ASMI) im Ähnlichkeitsbereichr>80% zu beobachten. Allerdingsist hier die Dichte der gefundenenEKG in der Umgebung des Punktes(100, 0), geringer als im Beispielnach Bild 2. Eine mo¨gliche Ursache

dafur ist, daß in der Datenbank einegeringere Anzahl gut mit dem zuuntersuchenden EKG u¨bereinstim-mender EKG enthalten sind.

Da entsprechend der Ausgangs-hypothese des Verfahrens diejenigenEKG gesucht werden, die mo¨glichstgut im Signalmuster u¨bereinstim-men, werden bei der nachfolgend

dargestellten Untersuchung nurEKG berucksichtigt, deren Korrela-tion großer als 80% ist. Von deneingangs genannten 296 EKG sinddies 249 EKG. In 47 Fa¨llen, in de-nen diese Bedingung nicht erfu¨lltist, konnten in der EKG-Datenbankkeine vergleichbaren EKG-Signal-muster gefunden werden. Damit istfur diese EKG eine diagnostischeBewertung nicht mo¨glich. Die furdie weitere Auswertung zur Verfu¨-gung stehenden 249 EKG verteilensich auf die Hauptdiagnosegruppennach AHA (31) nach Tabelle 2. Ent-sprechend der Beispiele in Bild 2und 3 wurden fu¨r alle 249 EKG dieVerteilungen der Datenbank-EKGim r-b-Diagramm berechnet.

Die diagnostische Auswertung dererhaltenen Ergebnisse wurde in derWeise durchgefu¨hrt, daß fur jede Dia-gnosegruppe die Korrelationsergeb-nisse der fu¨nf EKG mit den bestenKorrelationen linear gemittelt wur-den. Aus der Diagnosegruppe mitdem maximalen Mittelungsergebniswurde auf die Diagnose des zu unter-suchenden EKG geschlossen.

Die Tabellen 3 bis 5 zeigen dieAuswertungsergebnisse fu¨r die Dia-gnosegruppe anteriorer Myokardin-farkt, bestehend aus anterioren Myo-kardinfarkten (AMI), antero-septalenMyokardinfarkten und antero-latera-len Myokardinfarkten sowie fu¨r dieDiagnosegruppe inferiorer Myokar-dinfarkt, bestehend aus inferiorenMyokardinfarkten (IMI), infero-late-ralen Myokardinfarkten (ILMI) undinfero-posterioren Myokardinfarkten(IPMI), im Vergleich mit der Grup-pe von Normalpersonen.

Wie aus Tabelle 3 zu entnehmenist, werden von 75 EKG aus der Dia-gnosegruppe anteriorer Myokard-infarkt (AMI) 67 EKG richtig alszur Diagnosegruppe AMI geho¨rig er-kannt und 8 EKG fa¨lschlich als nichtzur Diagnosegruppe AMI geho¨rig er-kannt. Damit ergibt sich wie in Ta-belle 6 zusammengefaßt, die Sensiti-vitat fur die Diagnosegruppe AMIzu 89,33%. Ebenso wurden von denanderen, in der Datenbank enthalte-nen EKG 11 fa¨lschlich als zur Dia-

Tabelle 2 Anzahl der EKG fu¨r die Diagnosegruppen Myokardinfarkte und Normal (nachAHA (31))

Table 2 Number of ECGs for the diagnostic groups myocardial infarction and healthy per-sons (by AHA (31))

Anteriorer Myokardinfarkt(AMI, ASMI, ALMI)

Inferiorer Myokardinfarkt(IMI, ILMI, IPMI)

Normal Gesamt

75 121 53 249

Tabelle 3 Entscheidungsmatrix fu¨r die Ergebnisse der Signalmusterkorrelation bei der Unter-suchung der Diagnosegruppe anteriore Myokardinfarkte (AMI)

Table 3 Decision matrix for the results of the wave form correlation upon examination ofthe diagnostic group anterior myocardial infarction (AMI)

als AMI erkannt als AMI nicht erkannt gesamt

AMI 67 8 75andere Diagnosegruppen 11 163 174gesamt 78 171 249

Tabelle 4 Entscheidungsmatrix fu¨r die Ergebnisse der Signalmusterkorrelation bei der Unter-suchung der Diagnosegruppe inferiore Myokardinfarkte (IMI)

Table 4 Decision matrix for the results of the wave form correlation upon examination ofthe diagnostic group inferior myocardial infarction (IMI)

als IMI erkannt als IMI nicht erkannt gesamt

IMI 108 13 121andere Diagnosegruppen 20 108 128gesamt 128 121 249

Tabelle 5 Entscheidungsmatrix fu¨r die Ergebnisse der Signalmusterkorrelation bei der Unter-suchung der Diagnosegruppe normal

Table 5 Decision matrix for the results of the wave form correlation upon examination ofhealthy persons

als gesund erkannt nicht als gesund erkannt gesamt

Gesunde 36 17 53andere Diagnosegruppen 7 189 196gesamt 43 206 249

gnosegruppe AMI geho¨rig und 163richtig als nicht zu der Diagnosegrup-pe AMI gehorig erkannt. Damit er-gibt sich, wie in Tabelle 6 darge-stellt, die Spezifita¨t fur die Diagnose-gruppe AMI zu 93,68%. Analog sindin den Tabellen 4, 5 und 6 die Aus-wertungsergebnisse fu¨r die Diagnose-gruppen inferiorer Myokardinfarkt(IMI) bzw. Normalpersonen (Gesun-de) dargestellt.

Tabelle 6 zeigt ausgehend vonden Ergebnissen in den voran ste-henden Tabellen die Sensitivita¨t unddie Spezifita¨t fur die Diagnosegrup-pen anteriorer Myokardinfarkt, infe-riorer Myokardinfarkt und Gesunde.

Diskussion

Ausgehend von der Annahme, daßzwei EKG, die in ihren jeweils glei-chen Ableitungen gleiche oder sehrahnliche Signalmuster aufweisen,auch gleichen oder vergleichbarenkardiologischen Diagnosen zuorden-bar sind, wurde ein Verfahren zurAnalyse von EKG-Signalen erarbei-tet. Dieses computergestu¨tzte Ver-fahren zur EKG-Diagnostik beruhtauf der ganzheitlichen Betrachtungdes EKG ohne vorherige, von denindividuellen Signalformen abha¨ngi-ge Zerlegung in Einzelmerkmale.Realisiert wird dies durch die Be-rechnung und Auswertung der Kor-relationsfunktionen zwischen demzu untersuchenden EKG und den ineiner Datenbank gespeicherten EKG

mit bekannter Diagnose. Die Funk-tionsfahigkeit des Verfahrens wurdemit Hilfe der EKG-SignaldatenbankCARDIODAT an Hand von 249EKG fur die Diagnosegruppen In-farkte und gesunde Vergleichsperso-nen nachgewiesen.

Die durchgefu¨hrten Untersuchun-gen belegen, daß es mit Hilfe desVerfahrens mo¨glich ist, diagnosti-sche Aussagen aus dem EKG abzu-leiten. Beim Vergleich war in 47Fallen eine diagnostische Zuord-nung nicht mo¨glich, da keine demzu untersuchenden EKG a¨hnlichenSignalmuster in der EKG-Datenbankgefunden wurden. Dies unterstreichtdie Bedeutung einer repa¨sentativenEKG-Signaldatenbank. Die Daten-bank sollte dabei die biologischeVariabilitat der kardiologischen Er-krankungen sowie der Patientenmoglichst umfassend widerspiegeln.

Klassisch auswertende Elektrokar-diografen erreichen in Abha¨ngigkeitvom jeweils eingesetzten Analyseal-gorithmus bei der Erkennung vonMyokardinfarkten eine Sensitivita¨tvon 47,1 bis 82,1% (32). Der Durch-schnitt der Sensitivita¨t von den 10 un-tersuchten Computeralgorithmenklassischer EKG-Gera¨te betragt da-bei 67%. Kardiologen erreichen beiden gleichen EKG eine Sensitivita¨tvon 68,6 bis 84,5% (Durchschnitt77,6%) (32). Bei den ersten Untersu-chungen mit dem vorgestellten Ver-fahren an 196 EKG der Diagnose-gruppe Infarkte konnte eine Sensivi-tat von 89,3% erreicht werden. Aller-dings liegt z.B. die Sensitivita¨t beiden Personen mit Normalbefunddeutlich schlechter bei nur 68% (Kar-diologen 95,7%). Eine mo¨gliche Ur-sache ist die insbesondere bei Gesun-den noch ungenu¨gende Anzahl vonEKG in der verwendeten Datenbank.

Durch das entwickelte Verfahrenist es im Gegensatz zu bisherigenEKG-Auswertesystemen mo¨glich,zum aktuell zu bewertenden EKGahnliche Falle darzustellen, eineprozentuale Wahrscheinlichkeit desDiagnosevorschlages anzugebenoder auch an Hand der aus der Da-tenbank bekannten Beispiele Thera-

pievorschla¨ge zu unterbreiten bzw.mogliche Komplikationen zu be-rucksichtigen.

Die Erweiterbarkeit der Datenba-sis und damit verbunden, die Ver-besserung des Analyseergebnissesohne Eingriffe in die algorithmischeLosung, sind weitere wesentlicheVorteile der neuen Methode. Dabeikonnen auch Spezialfa¨lle, die nachder klassischen Signalauswertungnicht oder nur begrenzt beru¨cksich-tigt werden konnen, einbezogenwerden. In Verbindung mit moder-nen Speichertechnologien ist damitder kostengu¨nstige Aufbau einerWissensbasis mo¨glich, die weit uberdas hinausgehen kann, was bei derklassischen EKG-Auswertung in ei-nigen hundert EKG-Merkmalen undder darauf basierenden Klassifika-tion kodiert ist. Im Vergleich zur Er-fahrung des einzelnen Kardiologenkonnte diese Wissensbasis umfang-reicher und exakter sein und unter-schiedliche kardiologische Schulenberucksichtigen.

Unter Einbeziehung modernerNetzwerktechnologien ist es bei-spielsweise mo¨glich, in Krankenhaü-sern oder spezialisierten Arztpraxeneinen zentralen EKG-Datenbankser-ver zu installieren, der u¨ber Netzver-bindungen (ISDN, Ethernet usw.)mit einfachen Aufnahmesystemenverbunden ist. Diese Aufnahmesy-steme beno¨tigen nur die Komponen-ten zur EKG-Signalerfassung undAufbereitung sowie eine Netzwerk-karte und ko¨nnten somit kostengu¨n-stig hergestellt werden. Die mit die-sen Gera¨ten aufgenommenen EKG-Signale werden an den zentralenDatenbankserver u¨bertragen unddort ausgewertet. Das Analyseergeb-nis wird uber das Krankenhausma-nagementsystem zu den Patientenak-ten hinzugefu¨gt und ist von dortdurch den behandelnden Arzt abruf-bar. Die EKG-Signale werden zu-sammen mit den u¨brigen Patienten-daten am Ende der Behandlung inder Datenbank abgespeichert und er-weitern somit die Wissensbasis desSystems. Gleichzeitig kann so dieArchivierung der Meßdaten, EKG-


Tabelle 6 Sensitivitat und Spezifita¨t fur dieDiagnosegruppen anteriorer Myokardinfarkt,inferiorer Myokardinfarkt und Normalbefund

Table 6 Sensitivity and specificity for thediagnostic groups anterior myocardial infarc-tion, inferior myocardial infarction, and heal-thy persons

Befund Sensitivita¨t Spezifitat

AnteriorerMyokardinfarkt

89,33% 93,68%

InferiorerMyokardinfarkt

89,26% 84,38%

Gesunde 67,92% 96,43%

Befunde und Untersuchungsergeb-nisse realisiert werden.

In gleicher Weise sind auch auto-nom arbeitende EKG-Analyse-systeme denkbar. Diese Systemekonnten sowohl als „klassische“EKG-Gerate oder als PC-EKG-Ge-rate ausgelegt sein. Denbkar ist bei-

spielsweise die Mitnutzung des Pra-xis-PC fur die EKG-Auswertung.Die Datenbank ko¨nnte auf einer CDbereitgestellt werden und z.B. in be-stimmten Absta¨nden durch erwei-terte Datenbankversionen ausge-tauscht oder durch spezialisierte Da-tenbankversionen erga¨nzt werden.

Die Genauigkeit der diagnostischenAngaben ha¨ngt mit dem neuen Ver-fahren nicht mehr von der Qualita¨tder Ermittlung von Einzelparame-tern des EKG ab, sondern nur nochvon der Vollstandigkeit der Refe-renzdatenbank hinsichtlich der bio-logischen Variabilita¨t der Patienten.


Literatur

1. Netter FH (1976) Farbatlanten der Medi-zin, The Ciba Collection of Medical Il-lustrations Band 1, Herz, Georg ThiemeVerlag Stuttgart

2. Hafner CR (1991) Cardiac monitoringmethod and apparatus, US-Patent 5 022404; AT 11.06.91

3. Saltzstein WE, Hileman L, Galen PM(1984) Method and apparatus for con-trolling a medical device with a macroinstruction, US-Patent 5 355 892; AT18.10.94

4. MacFarlane PW, Devine B, Latif S,McLaughlin SC, Shoat DB, Watts MP(1990) Methodology of ECG interpreta-tion in the Glasgow Progam, Methods ofInformation in Medicine 29:354–361

5. Siemens-Kriterien fu¨r die EKG-Auswer-tung (1988) Siemens-Elema AB, Medi-cinsk Teknik, Solna, Sweden

6. Baxt WG (1990) Use of an artificialneural network for data analysis in clini-cal decision making. Neural Computa-tion 2:480–490

7. MacFarlane PW (1992) Recent develop-ments in computer analysis of ECGs,Clinical Physiology 12, 313–317

8. Trahanias P, Skordalakis E (1990) Syn-tactic Pattern Recognition of the ECG,IEEE Transactions on Pattern Analysisand Machine Intelligence 12, No. 7,648–657

9. Blackburn H, Keys A, Simonson E,Rautaharju P, Punsar S (1960) The elec-trocardiogramm in population studies –A classification system. Circulation21:1160–1175

10. Pittburger HV, Simonson E, Lopez EAJR, Araoye MA, Pittburger HA (1982)The electrocardiogram in epidemiologicinvestigations – a new classification sys-tem. Circulation 66:1456–1464

11. Crow RS, Prineas RJ, Jacobs DR Jr,Blackburn H (1989) A new epidemilogicclassification system for interim myocar-dial infarction from serial Electrocardio-graphic changes. American Journal ofCardiology 64:454–461

12. Kors Ja, Van Herpen G, Wu J, Zhang Z,Prineas RJ, Van Bemmel JH (1996) Val-idation of a new computer program forMinnesota coding. Journal of Electrocar-diology 29 (Suppl):83–88

13. Autocardiner FCP-2155, Fukuda Denshi,Tokyo

14. Degani R, Bortolan G (1990) Methodol-ogy of ECG interpretation in the Padovaprogram. Methods of Information inMedicine 29(4):386–392

15. Neupert H, Voss A (1997) Methoden zurMessung der QT- und T-Dauer und derBeat-to Beat-Variabilita¨t, Biomedizi-nische Technik 42, Heft 4, 85–89

16. Abboud S, Sadeh D (1984) The use ofCross-Correlation Function for the Alig-ment of ECG Waveforms and Rejectionof Extrasystoles, Computers and Biome-dical Research 17:258–266

17. Kerre EE (1989) Outline of an expertsystem for ECG diagnosis using fuzzysets. Artificial Intelligence in Medicine1(3):139–144

18. Willems JL (1980) A plea for commonstandards in computer aided ECG analy-sis. Comput Biomed Res 13:120–131

19. Willems J, Arnaud P, Van Bemmel J,Degani R, MacFarlene PW, Zywietz C(1990) Common standards for quantita-tive electrocardiography – goals andmain results. Methods of Information inMedicine 29:263–271

20. Willems JL, Arnaud P, van Bemmel J,Bourdillon PJ, Degani R, Denis B, Gra-ham I, Harms FMA, MacFarlane PW,Mazzocca G, Meyer I, Zywietz Ch(1987) A Reference Data Base for Mul-tilead Electrocardiographic ComputerMeasurement Programs. Journal ofAmerican College of Cardiology 10, 6,S. 1313–1321

21. McLaughlin C, Aitchison TC, MacFar-lane PW (1995) Estimating repeat varia-tion in ECG parameters BuildingBridges in Electrocardiology, Proceed-ings of the 22nd International Congresson Electrocardiology, Nijmegen, Hol-land, 224–225

22. MacFarlane PW, McLaughlin SC, De-vine B, Yang TF (1994) Effects of age,sex and race on ECG interval measure-ments. Journal of Electrocardiology 27(Supplement):14–19

23. Ciaccio EJ, Dunn SM, Akay M (1994)Biosignal pattern recognition and inter-pretation systems. Review of applica-tions, IEEE Enginering in Medicine andBiology Magazine 13:269–273, 283

24. Voss A, Kurths S, Kleiner HJ, Witt A,Saparin P, Dietz R, Fiehring H, WesselN (1994) Neue Methoden fu¨r die Erken-nung von Hochrisikopatienten in derKardiologie. Biomedizinische Technik39:134–143

25. Aubert AE, Denys BG, Ector H, de Ge-est H (1994) Automatic detection ofventricular tachycardia and fibrillationusing ECG processing and intramyocar-dial pressure measurement. Computersand Biomedical Research 27, no. 5,367–382

26. Method and apparatus for processingECG signals. US 5 479 933, A61B5/0472

27. Willems JL, Lesaffre E, Pardeans J, DeSchreye (1986) Multivariate logisticclassification of the standard 12- and 3-lead ECG. In: Computer ECG Analysis– Towards Standardization, North Hol-land, Amsterdam, S 203–210

28. Mautgreve W, Klu¨nker Chr, Zywietz Chr(1990) HES EKG expert – an expertsystem for comprehensive ECG analysisand teaching. IEEE Comput Soc Press,77–80

29. Kleine Enzyklopa¨die Mathematik (1967)VEB Bibliografisches Institut, Leipzig

30. Bousseljot RD (1994) Aufbau der EKG-Datenbank CARDIODAT der PTB. Bio-medizinische Technik 39, Supplement 1,250–251

31. Standardization of Terminology and In-terpretation (1978) American Journal ofCardiology 41:130–145

32. Willems JL, Abreu-Lima C, Arnaut P,van Bemmel JH, Brohet C, Degani R,Denis B, Gehring J, Graham I, van Her-pen G, Machado H, MacFarlane P, Mi-chaelis J, Moulopolous SD, Rubel P, Zy-wietz Ch (1991) The Diagnostic Perfor-mance of Computer Programs for the In-terpretation of Electrocardiograms. NewEngland Journal of Medicine 325:1767–1733

Documents

Auswertung von EKG mit Hilfe der Mustererkennung