Bookshelf

The QRS complex is the most dominant feature of the electrocardiogram (ECG) and corresponds to contraction of the heart’s ventricles. Accurate and robust QRS detection is a prerequisite for downstream analyses, like computing the heart rate or diagnosing pathologies. Recent trends towards consumer-oriented ECG devices create new requirements concerning QRS detection. ECG patch devices and ECG-enabled smartwatches have a single ECG lead only and are prone to noise. Thus, QRS detection has to be performed on a noise-contaminated ECG signal. Furthermore, there is no option of switching to another lead when signal quality becomes too heavily impaired. This task requires new approaches for dealing with noise in ECGs.

Recent developments in QRS detection algorithms based on artificial neural networks perform well on noise-free ECGs. Additionally, these algorithms provide an in-depth view on the detection process. After assessing how noise affects the QRS detection, we build upon state-of-the-art QRS detection algorithms to enhance QRS detection performance.

QRS detection algorithms based on artificial neural networks detect QRS complexes by classifying small parts of the ECG signal. The classification distinguishes between parts with QRS complexes and parts without QRS complexes. We compare the neural networks actual output with the expected output. By quantifying how much these outputs differ, we can assess QRS detection certainty. Also, we can reject detected QRS complexes when the neural networks output does not appear as expected.

This work focuses on single-channel ECGs but the same approaches can also be used in multi-channel ECGs. There is great potential in the field of automatic ECG lead selection where the lead with the best signal quality has to be found.

Der QRS-Komplex ist das auffälligste Merkmal des Elektrokardiogramms (EKG) und entspricht der Kontraktion der Herzkammern. Genaue und zuverlässige QRSErkennung ist Voraussetzung für nachfolgende Analysen, wie das Berechnen der Herzfrequenz oder die Diagnose von Pathologien. Neue Entwicklungen in anwenderorientieren EKG-Geräten schaffen neue Anforderungen für die QRS-Detektion. Patch-EKGGeräte und EKG-fähige Smartwatches haben nur eine EKG-Ableitung und sind anfällig für Rauschen. Daher muss QRS-Detektion auch auf verrauschten EKG-Signalen funktionieren. Außerdem besteht nicht die Möglichkeit, auf eine andere Ableitung zu wechseln. Diese Aufgabe verlangt nach neuen Ansätzen für den Umgang mit Rauschen in EKGs. Jüngste Entwicklungen im Bereich der, auf künstlichen neuronalen Netzen basierenden, QRS-Detektoren erzeugen gute Ergebnisse auf rauschfreien EKGs. Gleichzeitig geben sie einen tiefen Einblick in den Detektionsprozess. Wir zeigen auf, wie Rauschen die QRS-Detektion beeinflusst und wie dieser Einfluss erkannt werden kann. Basierend auf aktuellen QRS-Detektions-Algorithmen, zeigen wir, wie die QRS-Erkennung in verrauschten Daten verbessert werden kann. QRS-Detektions-Algorithmen, die auf künstlichen neuronalen Netzen basieren, klassifizieren kleine Teile des EKG-Signals. Die Klassifikation unterscheidet zwischen Teilen mit QRS-Komplex und Teilen ohne QRS-Komplex. Wir vergleichen die tatsächliche Ausgabe des neuronalen Netzes mit der erwarteten Ausgabe. Anschließend quantifizieren wir, wie sehr sich diese Ausgaben unterscheiden, um die Verlässlichkeit der QRS-Detektion zu bewerten. Außerdem können wir erkannte QRS-Komplexe verwerfen, wenn die Ausgabe des neuronalen Netzes Unterschiede zur erwarteten Ausgabe aufweist.

Diese Arbeit beschäftigt sich mit Ein-Kanal-EKGs. Allerdings können die gleichen Ansätze auch für Mehr-Kanal-EKGs verwendet werden. Es gibt großes Potential, die hier beschriebenden Techniken für die automatische Auswahl von EKG-Ableitungen zu verwenden. Für diese Auswahl muss die Ableitung mit der höchsten Signalqualität gefunden werden, was durch Begutachtung der Ausgabe des neuronalen Netzes erreicht werden kann.