Development of a criterion for selecting the level of wavelet decomposition for QRS detection in electrocardiogram signals using energy and entropy

Галина Юріївна Щербакова; Дар’я Валеріївна Кошутіна

doi:10.15276/opu.1.71.2025.18

Автор(и)

Галина Юріївна Щербакова Національний університет "Одеська політехніка" https://orcid.org/0000-0003-0475-3854
Дар’я Валеріївна Кошутіна

DOI:

https://doi.org/10.15276/opu.1.71.2025.18

Ключові слова:

електрокардіограма (ЕКГ), QRS-детекція, дискретне вейвлет-перетворення, ентропія сигналу, енергетичний аналіз, рівень декомпозиції

Анотація

Аналіз електрокардіографічних (ЕКГ) сигналів є одним із ключових напрямів сучасної біомедичної інженерії, що забезпечує можливість раннього виявлення порушень серцевої діяльності, таких як аритмії, ішемія та інші серцево-судинні патології. Найбільш інформативним фрагментом ЕКГ-сигналу вважається QRS-комплекс, який відображає електричну активність шлуночків серця і є важливим маркером для медичної діагностики. У цій роботі запропоновано підхід до вибору оптимального рівня вейвлет-декомпозиції, заснований на кількісному аналізі енергетичних та ентропійних характеристик сигналу на кожному рівні. Метою дослідження є побудова формалізованого критерію інформативності рівнів розкладу та оцінка ефективності різних типів материнських вейвлетів для задачі виділення QRS-комплексів у сигналах ЕКГ. У межах дослідження проаналізовано сигнали з відкритої бази даних MIT-BIH Arrhythmia Database, обчислено значення енергії, ентропії та їх відношення для кожного рівня дискретного вейвлет-перетворення. Отримані результати свідчать, що рівні з високим енергетичним вкладом та низькою ентропією найкраще відображають локалізацію QRS-комплексів. Показано, що вибір типу материнського вейвлета істотно впливає на розподіл цих характеристик. Найбільш ефективним для задачі автоматизованої QRS-детекції виявився вейвлет Daubechies, зокрема на рівнях d3–d5. Наукова новизна роботи полягає в інтеграції енергетично-ентропійного підходу до процесу автоматизованого вибору рівня декомпозиції без участі експерта. Практична значущість полягає у можливості впровадження цього методу в системи комп’ютерної діагностики з метою підвищення їхньої точності, надійності та адаптивності до різних типів біомедичних сигналів.

Завантаження

Дані завантаження ще не доступні.

Посилання

Daubechies, I. (1992). Ten Lectures on Wavelets. SIAM. DOI: https://doi.org/10.1137/1.9781611970104.

Singh, R., & Krishnan, S. M. (2023). A review on feature extraction and classification of ECG signals for health monitoring using machine learning and deep learning. Biomedical Engineering Online, 22, Article 66. DOI: https://doi.org/10.1186/s12938-023-01075-1.

Agrawal, P., Arun, V., & Basu, A. (2025). Artificial Neural Network Based ECG Feature Extraction Using Wavelet Transform. In Emerging Wireless Technologies and Sciences. ICEWTS 2024 (Vol. 2399, pp. 8–22). Springer, Cham. DOI: https://doi.org/10.1007/978-3-031-87886-2_2.

Li, T., & Zhou, M. (2016). ECG Classification Using Wavelet Packet Entropy and Random Forests. Entropy, 18(8), Article 285. DOI: https://doi.org/10.3390/e18080285.

Cornforth, D., Tarvainen, M. P., & Jelinek, H. F. (2013). Using Renyi entropy to detect early cardiac autonomic neuropathy. In Proceedings of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 5562–5565). DOI: https://doi.org/10.1109/EMBC.2013.6610810.

Rekik, S., & Ellouze, N. (2015). P-Wave Detection Combining Entropic Criterion and Wavelet Transform. Journal of Signal and Information Processing, 6(3), 217–226. DOI: https://doi.org/10.4236/jsip.2015.63020.

Lenis, G., Pilia, N., Oesterlein, T., Luik, A., Schmitt, C., & Dössel, O. (2016). P wave detection and delineation in the ECG based on the phase free stationary wavelet transform and using intracardiac atrial electrograms as reference. Biomedical Engineering / Biomedizinische Technik, 61(1), 37–56. DOI: https://doi.org/10.1515/bmt-2014-0161.

Xia, Y., Han, J., & Wang, K. (2015). Quick detection of QRS complexes and R-waves using a wavelet transform and K-means clustering. Biomedical Materials and Engineering, 26(Suppl 1), S1059–S1065. DOI: https://doi.org/10.3233/BME-151402.

Peng, Z., & Wang, G. (2017). Study on Optimal Selection of Wavelet Vanishing Moments for ECG Denoising. Scientific Reports, 7, Article 4564. DOI: https://doi.org/10.1038/s41598-017-04837-9.

Huan, Z., Kochan, V., Velychko, A., Cheredarchuk, N., Bilash, O., Boiko, N., & Bondarenko, Y. (2023). Haar Wavelet-Based Classification Method for Visual Information Processing Systems. Applied Sciences, 13(9), Article 5515. DOI: https://doi.org/10.3390/app13095515.

Addison, P. S. (2005). Wavelet transforms and the ECG: a review. Physiological Measurement, 26(5), R155–R199. DOI: https://doi.org/10.1088/0967-3334/26/5/R01.

Goldberger, A. L., Amaral, L. A. N., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., Mietus, J. E., Moody, G. B., Peng, C. K., & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation, 101(23), e215–e220. DOI: https://doi.org/10.1161/01.CIR.101.23.e215.

PhysioNet. (n.d.). MIT-BIH Arrhythmia Database. Retrieved from https://www.physionet.org/content/mitdb/1.0.0/. (Accessed: 12.05.2025).

Koshutina, D. V., & Shcherbakova, H. Yu. (2025). Automated Selection of Wavelet Decomposition Level Based on Energy and Entropy for QRS Complex Detection in ECG. In Modern Information Technologies – 2025: Proceedings of the 15th International Scientific Conference for Students and Young Scientists, May 15–16, 2025, Odesa, Ukraine (pp. 21–23). Nauka i Tekhnika. Retrieved from https://drive.google.com/file/d/1zi1TabIH7iso1-SW__9ntZ_LG0glE4Wa/view.

Ashiri, M., Lithgow, B., Suleiman, A., Mansouri, B., & Moussavi, Z. (2021). Electrovestibulography (EVestG) application for measuring vestibular response to horizontal pursuit and saccadic eye movements. Biocybernetics and Biomedical Engineering, 41(2), 527–539. DOI: https://doi.org/10.1016/j.bbe.2021.03.007.

Li, C., Zheng, C., & Tai, C. (1995). Detection of ECG characteristic points using wavelet transforms. IEEE Transactions on Biomedical Engineering, 42(1), 21–28. DOI: https://doi.org/10.1109/10.362922.

Liu, M., Song, Q., & Cao, Y. (2020). ECG classification based on improved wavelet threshold denoising and CNN. Computers in Biology and Medicine, 123, Article 103866. DOI: https://doi.org/10.1016/j.compbiomed.2020.103866.

Kligfield, P., Gettes, L. S., Bailey, A., Childers, R., Deal, B. J., Hancock, E. W., van Herpen, M., Karasik, P., Lloyd-Jones, D., Mason, J. W., Mirvis, D. M., Okin, P., Surawicz, B., Wagner, G. S., & Josephson, M. E. (2007). Recommendations for the Standardization and Interpretation of the Electrocardiogram. Journal of the American College of Cardiology, 49(10), 1109–1127. DOI: https://doi.org/10.1016/j.jacc.2007.01.024.

Widman, L. E., Yochim, M., & Jackson, K. (2022). ECG Criteria for Left and Right Bundle Branch Block: A Clinical Review. The American Journal of Medicine, 135(1), 1–9. DOI: https://doi.org/10.1016/j.amjmed.2021.08.028.

Jeyhani, V., Mahdiani, S., & Akhbardeh, A. (2021). Atrial Fibrillation Detection Using Shannon Entropy and Machine Learning Techniques. Computers in Biology and Medicine, 135, Article 104606. DOI: https://doi.org/10.1016/j.compbiomed.2021.104606.