Analyse, Klassifikation und Mustererkennung in Echtzeit

Beschreibung der Darstellung:

1. Beispiel

1.1 #207 => Start der Klassifizierung ab CC #50, Klassen 2 bis 16 mit Beschreibung am Beispiel

1.2 Klassen 2 bis 16, Beispiel Klasse 15

1.3 Klassen 17 bis 44

1.4 Klasse 1 Müllklasse

1.5 Klasse 17 und 12

1.6 Beispiel, Klasse 1

1.7 Beispiel, Klasse 15 und 18

1.8 Beispiel, Klasse 1, nicht erkannt
1.9 Beispiel, Klasse 29

1.10 Beispiel, Klasse 15

1.11 Beispiel, Klasse 18

1.12 Beispiel, Klasse 29

1.13 Beispiel, Klasse 12

1.14 Beispiel, Klasse 15

1.15 Beispiel, Klasse 16 und 25

1.16 Beispiel, Klasse 18

1.17 Beispiel, Klasse 15

2. Beispiel #27 normal

2.1 #27 => normal, Klassen 1 bis 10

2.2 Beispiel Klasse 6

2.3 nicht erkannt !!??

2.4 Variation des IBI

3. Beispiel #43 Rauschen

3.1 Klasse 1 bis 16, mit Klasse 1 Müllklasse

3.2 Klasse 1 bis 16, mit Klasse 2

3.3 Klasse 1 bis 16, mit Klasse 9

3.4 Klasse 17 bis 30, Beispiel, Klasse 21

3.5 Beispiel, Klasse 21

3.6 Klasse 28

3.7 Beispiel, Klasse 14

3.8 Klasse 14

3.9 Beispiel, Klasse 9

3.10 Beispiel, Klasse 9

3.11 Beispiel, Klasse 14 und 9

3.12 Beispiel, Klasse 1, nicht erkannt!!!!

3.13 Beispiel, Klasse 29

4. Beispiel #50 VES

4.1 Klasse 1 bis 21

4.2 Klasse 22 bis 42
4.3 Klasse 43 bis 68
4.4 Beispiel Klasse 2, 3 und 4
4.5 Beispiel Klasse 2, 3, 4, 5 und 6
4.6 Klasse 2
4.7 Klasse 3
4.8 Klasse 5
4.9 Klasse 6
4.10 Klasse 7
4.11 Klasse 8
4.12 Klasse 9
4.13 Beispiel Klasse 8, 6, und 12
4.14 Begrenzung
4.15 Beispiel nicht erkannt!!??
4.16 Klasse 1

5. Beispiel  #250 Flimmern

5.1 Klasse 1 bis 14, Signalende
5.2 Signalende vergößert
5.3 Klasse 1 bis 14, mit Klasse 2
5.4 Variabilität des IBI
5.5 Klasse 1 bis 14  und lfd. Klasse 13
5.6 Beispiel für Klasse 13, Begrenzung
5.7 Beispiel für Klasse 13, Begrenzung
5.8 Klasse 15 bis 26, Beispiel für Klasse 17, Begrenzung
5.9 Klasse 19
5.10 Beispiel Klasse 27
5.11 Beispiel Klasse 27
5.12 Beispiel Klasse 27
5.13 Beispiel Klasse 1 Begrenzung

Der erfahrene Arzt hat die Möglichkeit, automatisch gebildete Klassen zusammenzufassen oder zu teilen. Er kann sie mit einem typischen Namen versehen und so die Erkennung unterstützen. Wir haben eine zwei- oder multi-step Strategie entwickelt, um die Erfahrungen des Arztes einzubringen:

Im ersten Schritt erfolgt die Analyse auf den stationären Hochleistungssystemen, mit deren Hilfe der Arzt das EKG und die gebildeten Klassen bewerten kann. Er kann die Methoden der Klassenbildung interaktiv beeinflussen und die gebildeten Klassen benennen. Alle diese Daten werden in einem Datenbank und Knowledge Management System verwaltet. Bei der erneuten Ableitung des EKG für den Patienten bilden diese Daten die Grundlage für die nachfolgende Analyse und Erkennung, d.h. das System wurde durch den versierten und erfahrenen Arzt belehrt. Die nachfolgende Analyse erfolgt deshalb in einer neuen Qualität und verbesserten Erkennungsrate. Diese Strategie erfordert jedoch höchste Rechen- und Speicherleistung, wie sie heute durch verteilte Rechnersysteme realisiert wird.  

Weitere Information insbesondere zur Weiterentwicklung finden Sie unter 

G. Roscher; A. Brattström; S.  Cho; F. Francesconi; H. Hinrikus; R. Mauser; M. Packianather; G. Pogrzeba; A. Yankovskaya; V. Zvegintsev: Real-time Recognition of ECG by Using Powerful Information and Communication Technology for Intelligent Monitoring of Risk Patients. VDE-Verlag, Proceedings Volume 2, MICRO.tec 2000, Applications, Trends, Visions, VDE World Micro-technologies Congress, September 25.-27. 2000, EXPO 2000, Hannover, Germany, p. 759-762.