Titelaufnahme

Titel
Analysis of heart rate variability via data modelling of Poincaré plots / Matthias Hörtenhuber
VerfasserHörtenhuber, Matthias
Begutachter / BegutachterinBreitenecker, Felix
Erschienen2014
UmfangVII, 79 S. : graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2014
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Poincaré Plots / Herzratenanalyse
Schlagwörter (EN)Poincaré Plots / Heart Rate Analysis
URNurn:nbn:at:at-ubtuw:1-76817 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Analysis of heart rate variability via data modelling of Poincaré plots [7.06 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Herzerkrankungen sind eine der häufigsten Todesursachen in den industrialisierten Ländern der Welt. Aufgrund der Komplexität des Herzkreislaufsystems suchen Forscher*innen nach Indikatoren für den gesundheitlichen Zustand des Systems. Einer von diesen Indikatoren ist die Herzratenvariabilität (HRV), d.h. die Veränderung der Zeitintervalle zwischen zwei Herzschlägen. Die HRV liefert Anhaltspunkte über den Zustand verschiedenster physiologischer Prozesse, die Einfluss auf den Herzrhythmus haben. Nachdem die Entstehung von Herzschlägen ein nichtlinearer Prozess ist, wurde in den letzten 20 Jahren vermehrt auf den Poincaré Plot zurückgegriffen, eine Visualisierungsmethode, die ihren Ursprung in der Chaostheorie hat und auch als Lorenz Plot bekannt ist. Es ist eine einfache Darstellungsweise der Änderung der Herzrate von einem Herzschlag zum nächsten und findet zahlreiche Anwendungen in der Medizin, u.a. zur Vorhersage des Mortalitätsrisikos bei Patient*innen nach einem Myokardinfarkt. Es existieren verschiedenste Datenmodelle zur automatischen Quantifizierung des Poincaré Plots. Ziel dieser Diplomarbeit war es 14 der gebräuchlichsten Modelle in MATLAB zu implementieren und falls möglich zu verbessern, sowie die Untersuchung ihrer Fähigkeit, verschiedene Arten von pathologischen und nicht pathologischen Herzraten zu unterscheiden, der Vergleich zu statistischen HRV-Größen und die Betrachtung der Abhängikeit der Datenmodelle zueinander. Die Daten des Poincaré Plots werden mittels Clusteralgorithmen gefiltert und anschließend in vier Testfällen verwendet. Der erste Test untersucht die Empfindlichkeit der Modelle auf die Datenlänge. Dazu wird die Unterscheidungsfähigkeit zwischen pathologischen und nicht pathologischen Daten bei sich schrittweise verkürzenden Datenlängen betrachtet. Im zweiten Testfall werden die Ergebnisse der Modelle für pathologische und nicht pathologische Daten bei einer fixen Datenlänge genauer untersucht. Für den dritten Test werden Herzratendaten von Arrhythmiepatienten vor und nach einer Antiarrhythmikabehandlung verwendet und erneut die Fähigkeit der Modelle zwischen den Datensätzen zu unterscheiden getestet. Im letzten Test werden die Ergebnisse der Modelle zwischen älteren und jüngeren gesunden Patient*innen untersucht. Manche, jedoch nicht jedes der implementierten Datenmodelle zeigten signifikant unterschiedliche Ergebnisse zwischen den betrachteten Datensätzen. Darunter ist auch ein Modell, das im Zuge dieser Diplomarbeit verbessert wurde. Anhand der berechneten Korrelationen lässt sich die Anzahl an zu berücksichtigenden Modellen für künftige Untersuchungen reduzieren.

Zusammenfassung (Englisch)

Heart diseases are amongst the most common causes of death in the industrialized world. Since the cardiological system is very complex and hard to capture in its entirety, researchers are looking for indicators of its health. One of these is the heart rate variability (HRV), i.e. the variation of the time interval between two heart beats. It reflects many physiological processes which influence the rhythm of the heart. Since these influences of the generation of heart beats are non-linear, researchers use a visualization tool, the Poincaré plot, which has its origins in chaos theory, to analyze HRV. This method, also called Lorenz plot, became popular in the last 20 years. It gives a simple visualization of the heart's beat-to-beat behavior and can be used for various applications, e.g., to predict the mortality of patients with myocardial infarction. Numerous data models exist in order to automatically quantify Poincaré plots. The main objective of this master thesis is to implement 14 of the most common models in MATLAB and improve them where possible. Afterwards these models are tested with respect to their ability to differentiate between pathological and non-pathological heart beat recordings, compare them to statistical HRV-measures and examine the models' dependences on each other. The data are filtered via clustering algorithms and used in four different test cases. The first case is to test for data length sensitivity. Therefore, each model is applied to non-pathological and pathological data sets, with a stepwise reduction of their data length. The second case is an application of the models on pathological and non-pathological data sets, at a fixed data length, in order to do a deeper examination of them and their ability to differentiate between these data sets. For the third test, the models are used on data sets of subjects before and after arrhythmia treatment. The final test case is a comparison of younger and older healthy subjects via the data models. Although not all implemented data models showed significant differences between the tested data sets, some passed all tests, including one, which was improved for this thesis. With the calculated correlations, the number of models which should be considered for further research can also be reduced.