Development and evaluation of a murine ECG annotation algorithm

Abstract

Automatisch detektierte Elektrokardiogramm (EKG) Merkmale werden zur Berechnung von Risikoparametern für PatientInnen mit kardiovaskulären Krankheiten verwendet. In diesem Zusammenhang werden Mäuse häufig für Experimente verwendet. Daher ist die Analyse von Mäuse-EKG-Signalen von großem Interesse für die präklinische Forschung. Vor allem eine automatische Methode mit wenig oder keinem manuellen Eingreifen ist wünschenswert. Allerdings gibt es trotz der vielen Gleichheiten zwischen Mensch und Maus zwei wesentliche Unterschiede. Einerseits ist die Herzrate von Mäusen um ein Vielfaches höher als bei Menschen. Andererseits machen es die unterschiedlichen Aktionpotentialformen und ihre Auswirkung auf die EKG Form schwierig, Algorithmen zur menschlichen EKG Analyse auf Mäuse EKGs anzuwenden. Das Ziel dieser Diplomarbeit war die Implementierung, Evaluierung, Beschreibung und Anwendung eines Algorithmus für die automatische Merkmalserkennung bei Mäuse EKG Signalen. Der Algorithmus basiert auf dem AIT ECGsolver, der für die Analyse von menschlichen EKG Daten verwendet wird. Das Problem der unterschiedlichen T-Wellen Form wird durch eine neue Merkmalssuche für den QRS-Offset und die T-Wellen Merkmale behoben. Der entwickelte Algorithmus liefert bessere Ergebnisse als der menschliche. Sowohl die Detektionsrate als auch die Differenzen zwischen den detektierten Merkmalen und den Sollwerten konnte verringert werden. Eine Sensitivität von bis zu 91.6 % und ein positiver Vorhersagewert von bis zu 94.18 % können für verschiedene Versionen erreicht werden.

Automatically detected electrocardiogram (ECG) features are used to calculate risk parameters for patients with cardiovascular diseases. In this context, mice are often used for experiments in terms of heart disease models. Therefore, the analysis of murine ECG signals is a topic of great interest for preclinical research. In particular, automatic methods with little or no manual intervention are desirable. However, despite the high number of similarities between humans and mice, there are two major differences. On the one hand, the heart rates of mice are multiple times higher than human heart rates. And on the other hand, the different shapes of the action potentials and their consequences for the ECG morphology make it difficult to use human ECG analysis algorithms for murine data. The aim of this master thesis was the implementation, evaluation, description, and application of an algorithm for automatic feature annotation of murine ECG signals. The algorithm is based on the AIT ECGsolver, which is used for the ECG analysis for human data. The problem of the different ECG morphology is addressed by the implementation of a new feature detection for the QRS-offset and the T-wave features. The developed murine algorithm performs better than the human algorithm. Both the detection rates and the differences from the detected feature to their target values provided by the manual annotations have been improved. A sensitivity up to 91.6 % and a positive prediction up to 94.18 % can be achieved by different algorithm versions.