AZ EMBERI SZÍV DINAMIKUS MODELLEZÉSE
PhD értekezés tézisei SZILÁGYI SÁNDOR MIKLÓS
Témavezető: PROF. DR. HABIL BENYÓ ZOLTÁN
Budapesti Műszaki és Gazdaságtudományi Egyetem Irányítástechnika és Informatika Tanszék
Budapest 2007
-2-
1. Bevezetés A több évtizedes múlttal rendelkező számítógépes EKG feldolgozás a folyamatos fejlődés során egy kiforrott alkalmazássá nőtte ki magát. A „ma betegének” minden korábbinál jobb esélye van arra, hogy túléljen egy szívinfarktust. Sajnos a modern technika minden vívmánya ellenére bármikor bekövetkezhet egy végzetes baleset (Haider et al., 1998). Tekintettel arra, hogy „legjobb gyógyítás a megelőzés”, célszerűvé vált egy olyan módszer kifejlesztése, amely alkalmas a potenciálisan veszélyeztetett betegek egyszerű és megbízható kiválasztására (Benjamin et al., 1999). Egy fejlett digitális EKG elemző rendszernek (Pipberger, 1970; Szlávik et al., 1981), amely komplex felismerő és osztályozó algoritmusokon alapul, a legtöbb esetben maximálisan néhány másodperces késéssel fel kell ismernie a potenciálisan veszélyes aritmiát (Caceres, 1961; Szilágyi et al., 2003a). Az automatikus EKG elemző rendszer (Pipberger, 1975) kifejlesztéséhez először a direkt feldolgozó módszereket alkalmazták (Trahanias, 1993). Ennek elsődleges oka abban rejlett, hogy viszonylag egyszerű a feldolgozó algoritmus és a szükséges számítások mennyisége is alacsony. A jóval számításigényesebb transzformációs módszerek lehetővé tették az összetett időfrekvencia analízist (Li et al., 1995). A sokévi fejlődés ellenére a fő akadály továbbra is a nagyon sokféle EKG jelforma. A mért EKG jel alakja erősen eltérő lehet a különböző páciensek esetén (Caceres, 1959), amelyet egy mintákon alapuló adatbázis rendszerrel képtelenség teljesen lefedni (Xue et al., 1992). Az összetett idegsejt hálózat alapú számítógépes modellezés elméletileg alkalmas az előre nem tárolt minták kiértékelésére is (MacLeod et al., 1998), de ez a módszer rendkívül számításigényes és ezáltal a klinikai gyakorlatban nem alkalmazható (Szilágyi et al., 2004a). Amennyiben az ember leegyszerűsíti az idegsejt hálózatot, akkor a megfelelő végrehajtási idő elérése a megbízhatóság rovására történik. A megbízhatósági és sebességi szempontokat figyelembe véve, napjainkban az erőteljes fejlődés ellenére sem lehetséges a valósidejű, mintákon alapuló és egyben megbízható EKG elemző rendszer megvalósítása (Szilágyi et al., 2004b; 2007d). A felsorolt hiányosságok miatt létrehozott szívmodell alapú diagnosztika (Naszlady, 1998) megfelelő pontosságát a kellően nagy rendelkezésre álló jelminta garantálja (Szilágyi et al., 2006a). A szívmodell megalkotása alapvetően azért célszerű, mert a számítógép a mért jel alapján képes lehet a szív belső struktúrájára következtetni (Szilágyi et al., 2006d, 2007a). Alapjában véve célszerű lenne ennek az inverz probléma-megoldási módszernek az alkalmazása, de a jelenlegi ismereteink és technikai lehetőségeink ezt nem teszik lehetővé. A jelenlegi modell alapú becslés csupán kiegészítésként jöhet szóba a hagyományos (ezáltal a közeljövőben még megbízhatóbb) módszerek mellett (Szilágyi et al., 2007f). Az echokardiográf napjaink egyik legelterjedtebb, non-invazív képalkotó eszköze (Fenster et al., 2001). Segítségével bepillantást nyerhetünk a szív belső működésébe. Szemben az EKG jellel, amely az elektromos tulajdonságokat vizualizálja, az echokardiográf képei segítségével a szív mechanikus működése követhető nyomon (Sermesant et al., 2006b). Az elektromos és mechanikai tulajdonságok ötvözése lehetővé tette a szív elektro-mechanikai modelljének megalkotását (Szilágyi et al., 2007c). A modell megalkotása és részleteinek finomítása napjaink időszerű kutatási feladatait képezik. Ezeknek a modelleknek a tesztelése nagy mennyiségű orvosi adatot igényel (echokardiográfiai felvételek szinkron rögzítése többcsatornás EKG jellel) (Taccardi, 1962; Préda et al., 1977).
-3-
A Wolff-Parkinson-White (WPW) szindrómát egy, a pitvar és a kamra közötti, az atrioventrikuláris (AV) csomóval – His köteggel párhuzamos, de annál gyorsabban vezető, ún. járulékos nyaláb jellemzi. Egy járulékos AV összeköttetés mindkét irányba vezethet (Wolff et al., 1930, Yee et al., 1995). Az ilyen kapcsolatok jelenléte tachycardia ismétlődő fellépését eredményezheti. Ezenfelül a pitvarfibrilláció beállása során a WPW szindróma végzetesen gyors kamrai választ válthat ki, kamrafibrillációt (VF) idézve elő (Guize et al., 1985, Wellens et al., 1987, 1990). A WPW szindróma alapos elemzésének szükségszerűsége nyilvánvaló, hiszen az összlakosság 0,10,2%-a szenved ebben a kórképben. Amikor a járulékos nyaláb refrakter periódusa túlságosan rövid, a beteg életét egy esetleges kamrafibrilláció kialakulása fenyegeti (Goudevenos et al., 2000). Ugyanakkor, a járulékos nyaláb sejtjeinek kis tömege ellehetetleníti azok elektromos tulajdonságainak vizsgálatát standard EKG segítségével (maximum 12 bites felbontásban) (Szilágyi et al., 2006e). Annak érdekében, hogy a WPW szindróma invazív kezelése a lehető legrövidebb ideig tartson, szükséges a járulékos nyaláb(ok) pontos lokalizációja (Szilágyi et al., 2004c, 2004d). Számos lokalizációs módszert fejlesztettek ki, melyek kizárólag egy járulékos nyaláb aktivitása esetén alkalmazhatóak, mint például Arruda vagy Fitzpatrick módszere (Fitzpatrick et al.,1994, Reddy and Schamroth 1987, Arruda et al.,1992, 1993, 1994, 1998), és amelyek megközelítőleg 90%-os hatékonyságot érnek el. A továbbiakban is fontos a lokalizáció pontosságának növelése, amely még a rádiófrekvenciás abláció előtt viszonylag pontos képet ad a keresett járulékos nyaláb elhelyezkedéséről (Cao et al.,2000).
2. A kutatási feladat célkitűzései Az EKG jel feldolgozása során megfogalmazott cél egy olyan összetett elemző módszer kidolgozása, amely alkalmas a leggyakrabban előforduló patológiás esetek automatikus felismerésére és osztályozására (Colella et al., 1994; Gomis et al., 1997). Az EKG jel hatékony feldolgozása a karakterisztikus hullámformák azonosításán (Lemire et al., 2000) és osztályozásán (Couderc et al., 1998) túl magába foglalja a mért jel teljes tárolástechnikáját is (Zigel et al., 1998, 2000a). Az előzőleg megfogalmazott célkitűzések az alábbi részfeladatokra bonthatóak fel: 1. Az EKG jel szűrésére és szegmentálására alkalmas módszer kifejlesztése 2. Az EKG jel eseményeinek kiemelésére alkalmas algoritmus kidolgozása 3. EKG jelformák felismerése és osztályozása (Szilágyi L. et al., 2006) 4. A sokcsatornás jelek információ többletének felhasználása az artefaktumok eltávolításához (Szilágyi et al., 2006b) 5. Páciensfüggő paraméterek kiszámítása (Szilágyi et al., 2006b) 6. Egy automatikusan működő, de manuálisan koordinálható diagnosztikai modul kifejlesztése 7. A mintavételezett jel mintáinak becslése és kódolása 8. Páciensfüggő tömörítő eljárás kidolgozása (Szilágyi et al., 2007d) 9. A dekódolt jel automatikus minőségelemzése orvosi kritérium-paraméterek alapján (Szilágyi et al., 2006b) 10. Többcsatornás regisztrátumok hatékony tömörítése (Szilágyi et al., 2007d) Az inverz EKG feldolgozáson alapuló dinamikus szívmodellező eljárás lehetővé teszi az előre nem várt események automatikus felismerését (Szilágyi et al., 2007f). Ez úgy valósul meg, hogy az -4-
ismert jelformák helyett a számítógép a kiszámított páciensfüggő modell paramétereket tárolja el, és a mért EKG jel paramétereit a kapott adatokkal hangolja össze (Szilágyi et al., 2007f). Ezáltal elérhető, hogy nemcsak a statikusan mért jelminták (amelyek kényesek az erős zavarokra), hanem a dinamikusan változó szakaszokat produkáló események paraméterei is meghatározhatóak legyenek. Ez a feladat az alábbi részegységekre osztható: 1. A szív belső anatómiai és élettani modelljének megalkotása (Szilágyi et al., 2004b) 2. A mellkas-szív dinamikus rendszer felépítése (Szilágyi et al., 2004b) 3. A páciens adatainak dinamikus modellezése (Szilágyi et al., 2006b) 4. Inverz EKG jel-elemzés (Szilágyi et al., 2005a) 5. A szív elektro-mechanikus modelljének kifejlesztése (Szilágyi et al., 2007c) 6. Számítástechnikai szempontból hatékony hullámfront modellező módszer kidolgozása (Szilágyi et al., 2006c) Az echokardiográfiai felvételek és a többcsatornás EKG jel szimultán rögzítése alkalmas a szív mechanikai és elektromos tulajdonságainak egyidejű tanulmányozására (Sermesant et al., 2006a). Ez a koncepció lehetővé teszi a parametrikus szívmodell szimulált eredményeinek jóváhagyását. A validálás részfeladatai az alábbiak: 1. Az echokardiográfiai képfelvételek kiértékelése és az azonosítási pontok automatikus kijelölése (Szilágyi et al., 2007g) 2. Az azonosítási pontok koordinátái alapján a szív 4D (3 térbeli és egy időbeli koordináta) mozgás-modelljének megalkotása (Szilágyi et al., 2007g) 3. Az echokardiográfiai képsorozatok hatékony tömörítése orvosi paraméterek felhasználásával (Szilágyi et al., 2007e) Napjainkban a gyógyítás egyik fontos célkitűzése az elkerülhetetlen invazív beavatkozások egyszerűsítése (Szilágyi et al., 2003b). Ismert tény, hogy a testfelszín alapú EKG rögzítő és jel elemző rendszerek alkalmasak a WPW szindróma esetében keresett járulékos nyaláb lokalizációjára (Szilágyi et al., 2005b). A WPW szindróma elemzése során nagyon fontos a járulékos nyaláb minél pontosabb lokalizációja standard EKG felhasználása alapján, mert lerövidítheti a rádiófrekvenciás ablációs folyamatot (Szilágyi et al., 2003b). 3. Kutatási módszertan Ötféle módon jutottam hozzá a munkámhoz szükséges felvételekhez. A nemzetközileg ismert, standardként használható, részben az interneten is fellelhető, előre kiértékelt EKG regisztrátumokat tartalmazó MIT-BIH adatbázis 2. kiadásához Dr. Jobbágy Ákos segítségével jutottam hozzá (http://ecg.mit.edu). A Marosvásárhelyi Megyei Kardiológiai Klinika adott otthont több száz EKG regisztrátum elkészítéséhez. Ezeket az adatokat dr. Frigy Attila főorvos irányításával készítettük el. A szimultán rögzített echokardiográfiai felvételek és 12 elvezetéses EKG regisztrátumok ugyancsak a Marosvásárhelyi Megyei Kardiológiai Klinikán készültek (Szilágyi et al., 2003c). A testfelszín-potenciáltérkép regisztrátumokhoz (Lux et al., 1978) Dr. Kozmann György segítségével jutottam hozzá. A 192 csatornás (ebből 32 a valódi érték, a többi csupán interpolálva van) mérések számos patológiás esetet rögzítenek. Ezek a mérések rendkívül hasznosak a testfelszín potenciál meghatározásához és az elméletileg meghatározott szívmodell paraméterek értékeinek pontosításához (Mirvis et al., 1988).
-5-
A WPW szindróma tanulmányozásához szükséges felvételeket a Temesvári Kardiológiai Intézet orvos-kollektívája rögzítette (Szilágyi et al., 2006e). Ez az intézmény végzi el Romániában a legtöbb rádiófrekvenciás ablációs műtétet. Ezeket a műtéteket Dr. Gabriel Ivanica irányításával Dr. Constantin T. Luca és Dr. Dragos Cozma végezte. A kapott dokumentációk tartalmazzák a mért többcsatornás EKG regisztrátumokat (nem csak testfelszíni mérések) valamint a lokalizált járulékos nyaláb(ok) helyét. A szakirodalomban számos olyan direkt (Trahanias, 1993), transzformációs (Li et al., 1995) vagy regressziós (Xue et al., 1992) EKG jelfeldolgozó publikáció látott napvilágot, amely lehetővé teszi a jelforma alapú adatbázist működtető automatikus EKG elemző program implementálását. Ezeknek a módszereknek a gyenge pontjuk abban rejlik, hogy nem képesek adaptálódni a páciensfüggő helyzethez (Szilágyi et al., 2003d). Ennek kiküszöbölésére egy olyan EKG analizáló módszert választottunk, amely sikeresen ötvözi a hagyományos algoritmusokat az adaptív, páciensfüggő koncepciót meghatározó parametrikus feldolgozással (Szilágyi et al., 2003c). Az orvosi paraméterek hatékony meghatározása megköveteli az ún. többlépcsős diagnosztikai struktúrát (Szilágyi et al., 2007a). Ennek lényege abban áll, hogy nem határozzuk meg egy viszonylag instabil paraméter értékét számottevő zavaró körülmény jelenlétében, hanem kizárólag a legrobusztusabb jellemzőket nyerjük ki az adatokból, majd az így kapott többletinformáció birtokában térünk rá a következő jellemzők kiértékelésére (Szilágyi et al., 2007d). A megvalósított koncepciót az 1. ábra ismerteti.
1. ábra. A számítógép által támogatott automatikus diagnosztikai rendszerhez kifejlesztett EKG jelfeldolgozó és tömörítő módszer részletes tömbvázlata A legelső lépés az EKG jel elő-feldolgozását tartalmazza, amely szétválasztja a kvázi-periodikus jelet az irreguláris szakaszoktól (amennyiben mindkettő megtalálható). Habár a szabálytalan jelalakok általános jelfeldolgozási módszereket igényelnek és jól mérhető orvosi paraméterek nem nyerhetőek ki belőlük, mégis fontos a szerepük, mivel kötelező a számos hirtelen szívhalált okozó kamrai fibrilláció hatékony szétválasztása a veszélytelen artefaktumoktól. A viszonylag egyszerű előszűrést a szabályos EKG jelszakasz legkönnyebben azonosítható hullámának, a QRS komplexumnak a felismerése követi (Szilágyi et al., 1997a). Ezeknek a hullámoknak az azonosítása kötelező a sikeres jelszegmentálás megvalósításához. Az erősen -6-
páciens specifikus ektópiás ütések jelalakjainak azonosítása gondot jelent ebben a fázisban, de a sikertelen azonosítás csak kismértékben veti vissza a kérdéses jelszakasz hatékony feldolgozását (Szilágyi, 1998). Az EKG regisztrátum szegmentálását a fő hullámformák beazonosítása követi (Szilágyi et al., 1997b). A megfelelő R-R szakaszok meghatározását egy egyszerűsített szűrés követi, amelynek célja a minél pontosabb izoelektromos vonalszint kiszámítása. Ezáltal elkerülhető, hogy a hagyományos módszerek által alkalmazott minta adatbázis torzított formában kerüljön felhasználásra. Amint sikeres a fő hullámok azonosítása (P, QRS, T) egy még pontosabb szűrés végezhető el. Az így kapott adatok felhasználhatóak az általános adatbázis tanítására is. A fő hullámformák meghatározását követően kiszámíthatóak a szükséges orvosi paraméterek, amelyek alapul szolgálnak a páciens-alapú adatbázist is felhasználó utó-szűrés végrehajtására (Szilágyi et al., 2007a). Az EKG jeltömörítés hatékonysága szoros kapcsolatban van a számítógép által támogatott automatikus diagnosztika eredményeivel (Szilágyi et al., 2002, 2003e). Tekintettel arra, hogy az EKG jel be- és kitömörítési fázisai során a jel fő jellemvonásai, ezáltal a belőle kinyert orvosi paraméter sorozat értékei számottevően nem változtathatóak meg, szükséges a becsomagolási fázis során egy torzulásmérő módszer alkalmazása (Zigel et al., 2000). A mérnöki folyamatok során előszeretettel alkalmazott négyzetes hiba kiszámítása nem hatékony az orvosi jelek feldolgozása során, mivel nincs semmiféle rálátásunk az megőrizendő orvosi paraméterek értékeire. Az optimális tömörítés erősen alkalmazásfüggő, paramétereit erősen befolyásolja a mért jel frekvenciája és felbontása, valamint a követendő orvosi paraméterek minősége (Szilágyi et al., 2007a). Az ismertetett feldolgozó módszer iteratív koncepciója, orvosi adatokon alapuló nézete, valamint az orvosi diagnosztika és jeltömörítés összekapcsolása nem lelhető fel a szakirodalomban. Léteznek viszont olyan közlemények, amelyek bizonyos részelemeket magukba foglalnak, mint például (Zigel et al., 2000) jeltömörítési koncepciója. A hullámformák felismerése során egy olyan új koncepciójú neurális hálózatot alkalmaztunk, amely a szupport vektor gép (SVM) koncepcióján alapszik (Vapnik, 1998). Ezen felül bevezettem egy egyesített neurális hálózatot, melynek szerepe a megoldás robusztusságának biztosítása. Az SVM koncepcióját kiegészítve alkalmaztunk egy olyan súlyozó együtthatót, amely nemcsak a legnagyobb klaszter távolságot veszi figyelembe, hanem azok szerkezetét is (Szilágyi et al., 2007a). Az inverz EKG jelfeldolgozás egy háromszintű sejt-, szerv- és mellkas modellt tartalmaz (Thaker et al., 1998). Ennek a koncepciónak a kiterjesztett változatai már több helyen megtalálható (Montagnat et al., 1999), viszont az általunk kivitelezett eljárás minden eddigi közleménytől számottevően eltér (Szilágyi et al., 2007c). Tekintettel arra, hogy az alacsony szintű vizsgálatok számunkra nem voltak hozzáférhetőek, nem foglalkoztunk a DNS és a kódolt fehérjék modellezésével valamint a különböző ioncsatornák és drogok kapcsolatával. Új sejtmodellt sem fejlesztettünk ki, hanem alkalmaztuk (Nygren et al., 1998) és (Harrild et al., 2000) valamint (ten Tusser et al., 2004, 2006) és (Winslow et al., 2000, 2005) sejt és anatómiai modelljeit a pitvari és kamrai sejtekre. Módszerünk újdonsága abban áll, hogy a laboratóriumi és klinikai körülmények között tesztelt kiforrott modelleket egy olyan rendszerbe ötvöztük, amely egyrészt megvalósítja a teljes szerv szimulációját, másrészt szabadon skálázható és hatékonyan párhuzamosítható adaptív modellezési lehetőséget biztosít.
-7-
Az echokardiográfiai felvételek és a többcsatornás EKG együttesen felhasználható a szív elektromos és mechanikai tulajdonságainak modellezésére (Szilágyi et al., 2007c). A szív kamrai izomzatára értelmezett elektromos-mechanikai kapcsolat egy nagyszerű modellezését (Sermesant et al., 2006b) publikációja tartalmazza. Az általunk alkalmazott elektromos-mechanikus szívmodell Sermesant közleményében felhasznált (Sermesant et al., 2006a) CT és MRI képek helyett elsősorban echokardiográfiai felvételeket értékel ki. Számos részletes CT és MRI felvételt használtunk fel a szív struktúrájának azonosításához. Ezeknek a felvételeknek egy része bárki számára szabadon elérhető a (http://www.nlm.nih.gov/research/visible/visible_human.html) címen. A dinamikus szívmozgások modellezésére felhasznált echokardiográfiai felvételek alkalmasak a szívfal részletek azonosítására (Benyó et al., 2000). A teljes szervre vonatkozó térfogat meghatározás és az alkalmazott sejtmodellek nagyobb részletessége nem lelhető fel a szakirodalomban (Szilágyi et al., 2007c). A szimulált és mért EKG jelek és echokardiográfiai felvételek lehetővé teszik a páciens alapú modell paramétereinek adaptív hangolását.
2. ábra. Az echokardiográfiai képek és az EKG regisztrátumok szimultán feldolgozási eljárása A echokardiográfiai regisztrátumok és az EKG jelek együttes kiértékelését a 2. számú ábra szemlélteti (Szilágyi et al., 2007g). Az EKG jelből meghatározott QRS komplexumok kiinduló információt szolgáltatnak az echokardiogram képsorozatok szegmentálásához, transzformálásához és a két mért jel normalizálásához (Szilágyi et al., 2007f). Az aktív megjelenési modell (active appearance model, AAM) (Cootes et al., 2001) az 1-es számú mérés-sorozat felhasználásával épül fel és a 2-es mérés-sorozat páciens-alapú adatai alapján tovább finomítunk (Mitchell et al., 2002a; Stegmann et al., 2005). Az kezdeti jelzőpontok meghatározása után végrehajtjuk a páciens alapú AAM hangolást, majd a főkomponens elemzés módszerével legeneráljuk a térbeli görbéket. Az így felépített AAM szolgáltatja a szív felületének meghatározásához szükséges adatokat. A meghatározott görbealakzatokból felépítjük a szerv térbeli modelljét (Szilágyi et al., 2007g). A meghatározott térbeli szerkezeteket egy iteratív, négyzetes hibaösszegen alapuló eljárással átlagoljuk és kiszámítjuk a szerv 4D (3 térbeli és egy időbeli koordináta) alakját. A megalkotott szívfelület szekvenciából interpolációs eljárással meghatározzuk az igény szerinti időpontra érvényes térbeli szervfelületet. Egy hosszan tartó echokardiográfiai felvételsorozat még erősen veszteséges formában tömörítve is tetemes tárolókapacitást foglal le (Fidler et al., 2006). A jelentős rekonstrukciós eltéréseket tartalmazó felvételek hibás diagnosztikához vezethetnek. Ellentétben az EKG jel feldolgozása során tapasztaltakkal az echokardiográfiai felvételek esetében a diagnosztikához felhasznált orvosi paraméterek nehezen határozhatóak meg. A körülményes paraméter-meghatározás a hagyományos módszerek esetében kikényszeríti a négyzetes hibán alapuló képminőség meghatározó eljárás alkalmazását (Joshi et al., 2006).
-8-
Az általam módosított eljárás a szívmodell alapú szívfal pozíció becslés felhasználásával lehetővé teszi az orvosi paraméterek felhasználását a tömörítési folyamat során (Szilágyi et al., 2007g). Az orvosi paraméterek segítségével kiszámított és a mért szívfal-pozíciók különbségéből előállított képsorozat lényegesen jobban tömöríthető, mint az eredeti regisztrátum. A tömörített fájl kibontásakor leellenőrizzük a mért és a kitömörített kép karakterisztikáinak módosulásait (szívfal pozíció, stb.). Ezt a folyamatot a 3. ábra ábra szemlélteti. A kép-karakterisztikák megváltozásának súlyozott összegének értéke jobban jellemzi a tömörítési folyamat által okozott torzulás mértékét, mint az egyszerű négyzetes hibaösszeg (Szilágyi et al., 2007f).
3. ábra. A reziduális jel meghatározása és a tömörítési eljárás minőségének ellenőrzése A reziduális jel meghatározásához felhasználtuk a mintavételezett echokardiográfiai képsorozatot, az EKG jelből meghatározott szívállapotot (a szív az ütés melyik fázisában van) valamint a szimulált 4D felület segítségével meghatározott becsült képet (Szilágyi et al., 2007g). A regisztrált és szimulált képek közötti eltérés alkotja a reziduális jelet (Szilágyi et al., 2007f). A becslés hatékonysága nagymértékben befolyásolja a kapott reziduális jel amplitúdóját. A tömörítési folyamat során folyamatosan vizsgáljuk a visszaállított és az eredeti jelek közötti különbségeket, amelyek meghatározására olyan fogalmakat vezettünk be, mint például a szívfal koordinátái. Megfelelő pontosság esetében a kódolás elfogadható, ellenkező esetben szükséges egy kisebb mértékű tömörítés alkalmazása. Tekintettel arra, hogy egy normál és egy ektópiás ütés esetében különböző becslési pontosságot érünk el azonos tömörítési arány alkalmazása esetében, az alkalmazott tömörítési szint adaptívan változtatható (Szilágyi et al., 2007f). A szív működésének valósidejű szimulációja során az adaptív felbontású hullámfront meghatározás nélkülözhetetlen a megfelelő számítási pontosság eléréséhez. A szakirodalomban nem fellelhető az egész szív esetében egyidejűen alkalmazott adaptív térbeli és időbeli felbontást megvalósító módszer (Cherry et al., 2000, 2003). A módszer párhuzamosított változatát a (Szilágyi et al., 2007c) dolgozat ismerteti. A WPW szindróma esetében a problémát okozó járulékos nyaláb hatékony lokalizációját egy (Arruda et al., 1998) közölt eljárás és mérés-adatok felhasználásával dolgoztuk ki. A (Szilágyi et al., 2004c) dolgozatban meghatároztuk az ottani mérésadatok alapján az Arruda lokalizációs módszer döntési elemeinek hatékonyságát, és felfedeztük, hogy a három helyen alkalmazott aVF elvezetés előjelet felhasználó döntési pont okozza a tévedések döntő többségét. A szívmodell alapú megközelítés alapján egyértelművé vált, hogy a lokalizációs módszer megváltoztatható a balkamrai lokációk esetében, míg a másik két aVF előjel alapú döntés az okozott hibák ellenére sem küszöbölhető ki a standard 12-elvezetés eszköztára felhasználásával. A kísérleti eredmények alátámasztották a stabilitásvizsgálat és a szívmodell sugallta eredményeket, sikerült megközelítőleg 93-94% -ra növelni a felismerés hatékonyságát (Szilágyi et al., 2007e). -9-
4.
Új tudományos eredmények megfogalmazása tézisekben
1. Tézis. Az EKG jel adaptív feldolgozása A QRS komplexumok pontos felismerésére és az EKG jel szegmentálására kidolgoztam egy összetett eljárást. A Wavelet transzformáción alapuló eseménykiemeléssel elősegítettem az adaptív neurális hálózatból és genetikus algoritmusból álló EKG elemző módszer megbízható működését. A kapott jelformák felismerésére és osztályozására egy egyesített neurális hálózaton alapuló módszert dolgoztam ki. A hatékony információ feldolgozás érdekében egy iteratívan működő EKG feldolgozó eljárást valósítottam meg. Létrehoztam egy többcsatornás jel hatékony tömörítésére alkalmas eljárást, amely megőrzi a vizsgált orvosi paraméterek értékeit (Szilágyi et al., 2007d). 1.1.Kidolgoztam az esemény kiemelésre alkalmas, paraméterezhető Wavelet eljáráson alapuló spektrális transzformációs formulát (Szilágyi et al., 1997a, 1997b): 2 Ψ (t ) = 1 ⋅ exp − 2t⋅σ ⋅ sin(α ⋅ t ⋅ exp(− β ⋅ t ))
( )
2⋅π ⋅σ
Wf ( s,τ ) = ⋅ 1 s
+∞
* ∫ f (t ) ⋅ Ψ (t −sτ )dt
−∞
1.2.Megalkottam a különböző EKG hullámformák szétválasztására alkalmas neurális hálózat kritériumfüggvényét (Szilágyi et al., 2007b, 2007d): N
N
i =1
i =1
J (w) = λd ⋅ ∑ ( ydes ,i − f s ( wT ⋅ xi )) 2 + λm f m ( z ) + λu ⋅ ∑ f u ( wT ⋅ xi )
1.3. A hosszú távú EKG jel becslését sikeresen ötvöztem a páciens alapú információ felhasználásával. A kidolgozott módszer előnye, hogy többcsatornás üzemmódban nagyobb hatékonyságra képes (Szilágyi et al., 2007a). 1.4. Az orvosi paraméterek értékeinek figyelembevételével megvalósítottam egy hatékony tömörítő és automatikus diagnosztizáló eljárást (Szilágyi et al., 2007d), amelynek a nagy előnye az eddigi eljárásokhoz képest, hogy a mért és feldolgozott EKG jelet diagnosztikai szempontból képes összehasonlítani, nem csupán négyzetes hibaösszeget számol. 1.5. Megvalósítottam egy eljárást az EKG jel iteratív szűrésére és szegmentálására (Szilágyi et al., 2007a). A szegmentálási folyamat az orvosi paraméterek figyelembevételének köszönhetően erősen zajos jelminták esetében is megbízhatóan működik. 1.6. Az egy és többcsatornás EKG mintákban található hullámformák azonosítására kidolgoztam egy összetett módszert, melynek lényege, hogy az elő-szűrés során nyert információt kiegészítve az EKG jel specifikus morfológiai elemeivel felhasználom az artefaktumok eltávolításához. Felismertem, hogy ez a módszer a probléma újszerű megközelítésével alkalmasabb az feladatra, mint a szakirodalomban rendelkezésre álló eddigi eljárások (Szilágyi et al., 2007d). 1.7. A kiterjesztett kódolási mechanizmus segítségével számottevően csökkentettem az eltárolt adatban található redundanciát (Szilágyi et al., 1997c). 2. Tézis. Dinamikus szívmodellezés Új módszert dolgoztam ki az EKG keletkezésének számítógépes szimulációjára és az emberi belső struktúra identifikációjára. Az EKG jel feldolgozására egy olyan rendszert alkottam, amely ötvözi - 10 -
az empirikus ismereteinket, a hagyományos elemzési módszereket, valamint a modell nyújtotta többletinformációt. Szakítottam a hagyományosnak tekinthető „fekete doboz” elvvel, egy modellt készítettem az emberi test belső működésének leírására (Szilágyi et al., 2004a, 2004b, 2005c). 2.1. Megalkottam egy olyan kompartment csatolásokon alapuló háromdimenziós dinamikus szívstruktúra modellt, amely a patológiás esetekben is a valódihoz erősen hasonló szimulált eredményeket biztosít. Módszert dolgoztam ki a különböző problémák (szívmozgás, elhelyezkedés, stb.) hatásának figyelembevételére (Szilágyi et al., 2005a, 2006a). 2.2. Az inverz EKG feldolgozás alkalmazásával kidolgoztam egy, a teljes szívre, vagy annak tetszőleges részére alkalmazott ingerületvezetési modellt. Ez a modell alkalmas a tanulmányozott hullámfront térbeli és időbeli felbontásának dinamikus változtatására (Szilágyi et al., 2007c). 2.3. Az EKG és echokardiográfiai információk alapján megalkottam egy elektromosmechanikus szívmodellt, amely sikeresen modellezi az elektromos és a mechanikus események közötti összefüggéseket (Szilágyi et al., 2007c, 2007e, 2007g). 2.4. Kidolgoztam egy olyan hullámfront modellező algoritmust, amely alacsony szimulációs hibák elkövetése árán alkalmas a masszív párhuzamos rendszerek programozható számítási kapacitás-erőforrásainak szinte maradéktalan kihasználására (Szilágyi et al., 2007c).
3. Tézis. A szív térfogatának elemzése echokardiográfiai felvételek alapján A szív térfogatelemzésének megvalósításához felhasználtam az egyidejűleg mért EKG és echokardiográfiai jeleket. A két jel egyidejű feldolgozása alapján meghatároztam a szív elektromos és mechanikai tulajdonságait, ezáltal pontosabb képet alkottam a tanulmányozott teljes szerv belső állapotáról. A keresett szívfal kontúrokat aktív megjelenési modell alkalmazásával határoztam meg. Az időben változó térfogat tanulmányozása lehetővé tette a szerv 4D modelljének megalkotását normál és ektópiás ütések esetén (Szilágyi et al., 2007e, 2007g). 3.1.Meghatároztam egy olyan EKG jelen és echokardiográfiai regisztrátumon alapuló térbeli rekonstrukciós eljárást, amely nemcsak a szívütés kezdeti pillanatait használja fel a pontosabb falpozíció meghatározásához, hanem a teljes szívütés ciklust, ezáltal pontosabb elektromos-mechanikai csatolást érve el, elsősorban az ütés ciklusának végső intervallumában (Szilágyi et al., 2007f, 2007g). 3.2.Az EKG jel elemzését felhasználva kidolgoztam egy olyan képfeldolgozási módszert, amely figyelembe veszi a patológiás események sajátosságait. A normál és ektópiás ütések esetében az aktív megjelenési modell kiinduló pontjai teljesen különbözőek és páciens függőek (Szilágyi et al., 2007e, 2007g). 3.3.Egy olyan összetett, a szívfal pozícióbecslésén és a szerv térbeli rekonstrukcióján alapuló hatékony tömörítő eljárást dolgoztam ki, amely az orvosi információk intenzív kiaknázása következtében számottevően csökkentette a jel és képbecslő modell hibáit. Ez a módszer a szakirodalomban közölt eljárásoknál jobb tömörítési arányt biztosít rögzített minőségi kritériumok mellett (Szilágyi et al., 2007e, 2007f).
- 11 -
4. Tézis. Járulékos nyaláb lokalizáció A standard 12 elvezetéses EKG-t felhasználó Arruda-féle járulékos nyaláb lokalizációs módszerből kiindulva kifejlesztettem egy új lokalizációs módszert, amely hatékonyabb a szakirodalomban közölt eljárásoknál (Szilágyi et al., 2004c, 2005b). Az új lokalizációs módszer kifejlesztése az Arruda módszerének legkevésbé megbízható döntési pontjának, a bal kamrai lokációkat meghatározó aVF előjel tesztnek a helyettesítésével valósult meg. A WPW szindrómát okozó járulékos nyaláb lehetséges pozíciójának még a rádiófrekvenciás abláció előtt történő pontosabb meghatározása lerövidíti a beavatkozás időtartamát, és ezáltal hozzájárul a műtét hatékonyságának növekedéséhez (Szilágyi et al., 2006e).
5.
Az eredmények értékelése és hasznosítása
Az elmúlt tíz év során jelentős adatgyűjtő munka folyt a Marosvásárhelyi Megyei Kardiológiai Klinikán (Szilágyi et al., 1998, 2003d). Az elkészített nagy mennyiségű betegfelvétel kiértékelését nagymértékben felgyorsította az általam készített EKG jelfeldolgozó módszer. A szív működésének térbeli és időbeli rekonstrukciója még nem teljesen kidolgozott tudományterület. Az általam kifejlesztett szívmodell alkalmas a leggyakrabban előforduló patológiás jelenségek térbeli modellezésére. A kifejlesztett módszer támogatja a masszív párhuzamosítást, amely lehetővé teszi a szuperskaláris felépítésű számítógépek hatékony integrálását egy pontosabb modell kidolgozása érdekében (Szilágyi et al., 2007c). A dinamikus szívmodell jelen fázisában még nem alkalmas a klinikai alkalmazásra, de oktatási feladatokra jól alkalmazható. Számos hallgatója a Marosvásárhelyi Orvosi és Gyógyszerészeti Egyetemnek és a Sapientia Erdélyi Magyar Tudományegyetemnek ismerkedett meg a modellező programmal és a visszajelzések nagyon kedvezőek. A szív echokardiográfiai felvételek alapján megvalósított térfogatelemzése jelentős gyakorlati haszonnal jár. Lehetővé vált egy viszonylag olcsó, sok helyen rendelkezésre álló képalkotó eszköz alkalmazása egy olyan területen, ahol eddig csak a sokkal drágább fMRI készülékek segítségével remélhettünk sikeres térbeli rekonstrukciót (Szilágyi et al., 2006e, 2007g). A lokalizációs eljárás egyszerűsége lehetővé teszi a módszer klinikai gyakorlatban való alkalmazhatóságát (Szilágyi et al., 2006e). A Temesvári Kardiológiai Intézet orvosainak pozitív visszajelzései hozzájárulnak a módszer elfogadottságának növeléséhez. A tézisekben megfogalmazott eredmények szerves részét képezik a Budapesti Műszaki és Gazdaságtudományi Egyetemen folyó egészségügyi mérnöki modulképzés biometria anyagának, valamint a Sapientia EMTE oktatási rendszere keretében oktatott képfeldolgozás, formafelismerés és biológiai rendszerek tárgyaknak (Benyó et al., 1998). Az EKG jelfeldolgozás és a szívmodellezés eredményeinek összehangolása fontos feladat, mivel lehetővé teszi az orvosi jellegű paraméterek megfogalmazhatóságát a szívmodell környezetében. Ennek a kapcsolatnak jövőbeli kialakítása lehetővé teszi a szív térbeli modellezésének konfigurálását orvosi jellemzők segítségével. Szándékomban áll kifejleszteni egy több aktív járulékos nyaláb egyidejű azonosítására alkalmas non-invazív lokalizációs módszert. A szívmodell által biztosított vizualizációs lehetőségeket
- 12 -
összekapcsolnám a lokalizáció eredményeivel a járulékos nyalábok térbeli megjelenítése érdekében. Reményeim szerint sikerül kapcsolatba lépnem magyarországi kórházakkal, hogy a kifejlesztett és kifejlesztendő módszereket minél szélesebb körben tesztelhessem, ezáltal meggyorsítva a tényleges kórházi alkalmazásokat.
6.
Közlemények Összesen 90 saját publikációm jelent meg és dolgozataimra eddig 47 független hivatkozást fedeztem fel. A független hivatkozások listája a disszertációban található meg.
6.1
Az értekezés tárgykörében készült közlemények
6.1.1. Referált folyóiratcikkek 1. Szilágyi SM, Szilágyi L, Benyó Z: Spatial Heart Simulation and Analysis Using Unified Neural Network, Series of Advances in Soft Computing, Springer Verlag, 2007, vol. 41., pp. 346–354, ISSN 1615-3871 2. Szilágyi SM, Szilágyi L, Benyó Z: Support Vector Machine Based ECG Compression, Series of Advances in Soft Computing, Springer Verlag, 2007, vol. 41., pp. 737-745, ISSN 1615-3871 3. Szilágyi SM, Szilágyi L, Benyó Z: Spatial Visualization of the Heart in Case of Ectopic Beats and Fibrillation. Lecture Notes in Computer Science, Springer Verlag, 2007, vol. 4872, pp. 548-561, ISSN 0302-9743, IF: 0.402 4. Szilágyi SM, Szilágyi L, Benyó Z: Adaptive ECG Compression Using Support Vector Machine. Lecture Notes in Computer Science, Springer Verlag, 2007, vol. 4756, pp. 594603, ISSN 0302-9743, IF: 0.402 5. Szilágyi SM, Szilágyi L, Benyó Z: Echocardiography Image Sequence Compression Based on Spatial Active Appearance Model. Lecture Notes in Computer Science, Springer Verlag, 2007, vol. 4756, pp. 841-850, ISSN 0302-9743, IF: 0.402 6. Szilágyi SM, Szilágyi L, Frigy A, Görög LK, Benyó Z: Unified Neural Network Based Pathologic Event Reconstruction Using Spatial Heart Model. Lecture Notes in Computer Science, Springer Verlag, 2007, vol. 4756, pp. 851-860, ISSN 0302-9743, IF: 0.402 7. Szilágyi SM, Szilágyi L, Benyó Z: Volumetric Analysis of the Heart Using Echocardiography. Lecture Notes in Computer Science, Springer Verlag, 2007, vol. 4466, pp. 81-90, ISSN 0302-9743, IF: 0.402 8. Szilágyi SM: 3D Heart Simulation and Analysis, Periodica Polytechnica, Ser. Electrical Engineering, BME, vol. 50, no. 1-2, pp. 79-90, 2006, ISSN 0324-6000 9. Szilágyi SM, Szilágyi L, Iclănzan D, Benyó Z: Unified Neural Network Based Adaptive ECG Signal Analysis and Compression, Scientific Bulletin of Polytechnica University of Timişoara (Romania), Transactions on Automatic Control and Computer Science, vol. 51(65), no. 4., pp. 27-36, 2006, ISSN 1224-600X 10. Szilágyi SM, Benyó Z: Event Recognition from ECG Signal Analysis and 3D Heart Model. Scientific Bulletin of Polytechnica University of Timişoara (Romania), Transactions on Automatic Control and Computer Science, vol. 49(63), no. 2., pp. 123-128, 2004, ISSN 1224-600X
- 13 -
11. Szilágyi SM, Benyó Z: Szívmodell alapú diagnosztika, ORKI Orvos- és Kórháztechnika, XLII. évf., 3. sz., pp. 84-86, 2004, ISSN 1585-7360 12. Szilágyi SM, Frigy A, Görög LK, Szilágyi L, Benyó Z: A pitvar-kamrai járulékos nyalábok Arruda-féle lokalizációs módszerének érzékenységi analízise. ORKI Orvos- és Kórháztechnika, XLII. évf., 6. sz., pp. 164-167, 2004, ISSN 1585-7360 13. Szilágyi SM, Frigy A, Benyó Z: Sensibility Analysis of the Arruda Localization Method.Scientific Bulletin of Polytechnica University of Timişoara (Romania), Transactions on Automatic Control and Computer Science, vol. 49(63), no. 2., pp. 129-132, 2004, ISSN 1224-600X 6.1.2. Referált nemzetközi konferencia kiadványok 14. Szilágyi SM, Szilágyi L, Benyó Z: Sensibility Analysis of the Arruda Localization Method and Modifications in Left Ventricle Analysis. EMBC’06, 28th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, New York (NY USA), pp. 3998-4001, 2006, ISBN 1424400333. 15. Szilágyi SM, Szilágyi L, Benyó Z: Inverse 3D Heart Model for ECG Signal Simulation and Analysis. WC2006, World Congress on Medical Physics and Biomedical Engineering, Seoul (South Korea), IFMBE Proc. vol. 14., pp. 27-31, 2006, ISSN 1727-1983 16. Szilágyi SM, Szilágyi L, Görög LK, Máthé Zs, Benyó Z: Modifications in Arruda’s Localization Method in Left Ventricle Analysis, WC2006 World Congress on Medical Physics and Biomedical Engineering, Seoul (South Korea), IFMBE Proceedings vol. 14, pp. 117-120, ISSN 1727-1983, 2006 17. Szilágyi SM, Szilágyi L, Iclănzan D, Benyó Z: Adaptive ECG Signal Analysis for Enhanced State Recognition and Diagnosis. CONTI 2006, Int’l Conference on Technical Informatics, Timişoara (Romania), pp. 209-214, 2006, ISBN 9736253201 18. Szilágyi SM, Szilágyi L, Frigy A, Görög LK, László SE, Benyó Z: 3D Heart Simulation and Recognition of Various Events, EMBC 2005 - 27th Annual Int’l Conference of IEEE Engineering in Medicine and Biology Society, Shanghai (China), pp. 4038-4041, ISBN 0708387414, 2005 19. Szilágyi SM, Szilágyi L, Benyó Z: Risk Estimation Techniques in Case of WPW Syndrome. 16th IFAC World Congress, Prague, paper #4785, pp. 1-6, 2005, ISBN 008045108X 20. Szilágyi SM, Szilágyi L, Benyó Z: Recognition of Various Events from 3-D Heart Model. 16th IFAC World Congress, Prague, paper #4695, pp. 1-6, 2005, ISBN 008045108X 21. Szilágyi SM, Benyó Z, Dávid L: Heart Model Based ECG Signal Processing. MCBMS’03, 5th IFAC Symposium on Modeling and Control in Biomedical Systems, Melbourne (Australia), pp. 213-217, 2003, ISBN 0080441599. 22. Szilágyi SM, Benyó Z, Dávid L - WPW Syndrome Identification and Classification Using ECG Analysis, World Congress on Medical Physics and Biomedical Engineering, Sydney, Australia (2003), 4423.pdf, ISBN: 1-877040-14-2. 23. Szilágyi SM, Szilágyi L, Dávid L, Benyó Z: Adaptive Wavelet-Transform-Based ECG Waveforms Detection. EMBC’03, 25th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Cancún (Mexico), pp. 2412-2415, 2003, ISBN 0780377893.
- 14 -
24. Szilágyi SM, Benyó Z, Dávid L: Iterative ECG Filtering for Better Malfunction Recognition and Diagnosis. MCBMS’03, 5th IFAC Symposium on Modeling and Control in Biomedical Systems, Melbourne (Australia), pp. 295-300, 2003, ISBN 0080441599. 25. Szilágyi SM, Benyó Z, Dávid L - ECG Signal Compression and Noise Distortion Effect Analysis, World Congress on Medical Physics and Biomedical Engineering, Sydney, Australia (2003), 4391.pdf, ISBN: 1-877040-14-2. 26. Szilágyi SM, Szilágyi L, Benyó Z: Comparison of Malfunction Diagnosis Sensibility for Direct and Inverse ECG Signal Processing Methods. EMBC’02, 24th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society – 2nd Joint Conference of IEEE EMBS and BMES, Houston (TX USA), pp. 244-245, 2002, ISBN 0780376129. 27. Szilágyi SM, Szilágyi L: Efficient ECG Signal Compression Using Adaptive Heart Model. EMBC’01, 23th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Istanbul (Turkey), pp. 2125-2128, 2001, ISBN 0780372115. 28. Szilágyi SM: The limits of heart-model-based computerized ECG diagnosis. EMBC’2000, 22nd Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, WC2000 – World Congress on Medical Physics and Biomedical Engineering, Chicago (IL USA), pp. 1913-1916, 2000, ISBN 0780364651. 29. Szilágyi SM, Szilágyi L: Wavelet Transform and Neural-Network-Based Adaptive Filtering for QRS Detection. EMBC’2000, 22nd Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, WC2000 – World Congress on Medical Physics and Biomedical Engineering, Chicago (IL USA), pp. 1267-1270, 2000, ISBN 0780364651. 30. Szilágyi SM: Non-linear adaptive prediction based ECG signal filtering. EMBC’1999, 21st Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society – 1st Joint Conference of IEEE EMBS and BMES, Atlanta (GE USA), pp. 296, 1999, ISBN 0780356748. 31. Szilágyi SM: Event recognition, separation and classification from ECG recordings. EMBC’1998, 20th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Hong Kong, pp. 236-239, 1998, ISBN 0780351673. 32. Szilágyi SM, Szilágyi L, Dávid L: Comparison Between Neural-Network-Based Adaptive Filtering and Wavelet Transform for ECG Characteristic Points Detection. EMBC’1997, 19th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Chicago (IL USA), pp. 272-274, 1997, ISBN 0780342623. 33. Szilágyi SM: Comparison of the neural-network-based adaptive filtering and wavelet transform for R, T and P waves detection. ITAB’1997, Information Technology in Applications Biomedicine, IEEE Engineering in Medicine and Biology Society Region 8 Conference, Prague, pp. 73-75, 1997, ISBN 0780343182 34. Szilágyi SM, Szilágyi L, Dávid L: ECG Signal Compression Using Adaptive Prediction. EMBC’1997, 19th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Chicago (IL USA), pp. 101-104, 1997, ISBN 0780342623. 6.2
Egyéb közlemények
6.2.1. Referált folyóiratcikkek
- 15 -
35. Szilágyi L, Szilágyi SM, Benyó Z: A Modified Fuzzy C-Means Algorithm for MR Brain Image Segmentation, Lecture Notes in Computer Science, Springer Verlag, 2007, vol. 4633, pp. 866-877, ISSN 0302-9743, IF: 0.402 36. Szilágyi L, Szilágyi SM, Benyó Z: Efficient Feature Extraction for Fast Segmentation of MR Brain Images. Lecture Notes in Computer Science, Springer Verlag, 2007, vol. 4522, pp. 611-620, ISSN 0302-9743, IF: 0.402 37. Szilágyi L, Szilágyi SM, Benyó Z: A Modified Fuzzy C-Means Classifier for Fast Segmentation of MR Brain Images, Series of Advances in Soft Computing, Springer Verlag, 2007, pp. 119-127, ISSN 1615-3871 38. Benyó Z, Benyó B, Szilágyi SM, Várady P, Szilágyi L: Research Activity of the Biomedical Engineering Laboratory at TU Budapest, Research News, TU Budapest, pp. 8-13, 1999, ISSN 15872149
6.2.2. Könyvfejezetek 39. Szilágyi SM, Szilágyi L, Frigy A, Görög LK, Benyó Z: Spatial Heart Simulation and Adaptive Wave Propagation, Encyclopaedia of Healthcare Information Systems, IDEA Group (USA), in press, ISBN: 978-1-59904-889-5. 40. Szilágyi SM, Szilágyi L, Benyó Z: Volumetric Analysis and Modeling of the Heart Using Active Appearance Model, Encyclopaedia of Healthcare Information Systems, IDEA Group (USA), in press, ISBN: 978-1-59904-889-5. 41. Szilágyi SM, Szilágyi L, Benyó Z: Echocardiographic Image Sequence Compression Based on Spatial Active Appearance Model, Encyclopaedia of Healthcare Information Systems, IDEA Group (USA), in press, ISBN: 978-1-59904-889-5. 42. Szilágyi SM, Szilágyi L, Benyó Z: Spatial Heart Simulation and Analysis Using Unified Neural Network, Encyclopaedia of Healthcare Information Systems, IDEA Group (USA), in press, ISBN: 978-1-59904-889-5. 43. Szilágyi SM, Szilágyi L, Luca CT, Cozma D, Ivanica G, Benyó Z: Modification of Arruda’s Accessory Pathway Localization Method to Improve the Performance of WPW Syndrome Interventions. Encyclopaedia of Healthcare Information Systems, IDEA Group (USA), in press, ISBN: 978-1-59904-889-5. 44. Szilágyi L, Szilágyi SM, Benyó Z: Fast and Robust Fuzzy C-Means Algorithms for Automated Brain MR Image Segmentation, Encyclopaedia of Healthcare Information Systems, IDEA Group (USA), in press, ISBN: 978-1-59904-889-5. 45. Benyó Z, Szilágyi SM (eds.): Proceedings of the Conference on the Latest Results in Information Technology, BME Irányítástechnika és Informatika Tanszék, 1998, 148 oldal, ISBN: 963-421-548-3 46. Szilágyi SM: Mérési útmutató Folyamatszimuláció Irányítástechnika és Informatika Tanszék, 1997, pp. 1-18
Laboratórium
tantárgyhoz,
BME
6.2.3. Referált nemzetközi konferencia kiadványok 47. Szilágyi L, Benyó B, Szilágyi SM, Benyó Z: Medical Image Segmentation Techniques for Virtual Endoscopy, MCBMS’06, 6th IFAC Symposium on Modeling and Control in Biomedical Systems, Reims (France), pp. 243-248, 2006, ISBN 0080445306. 48. Szilágyi L, Szilágyi SM, G. Fördős, Benyó Z: Quick ECG Analysis for On-Line Holter Monitoring Systems. EMBC’06, 28th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, New York (NY USA), pp. 1678-1681, 2006, ISBN 1424400333
- 16 -
49. Szilágyi L, Szilágyi SM, Benyó Z: Automated Medical Image Processing Methods for Virtual Endoscopy, WC 2006 World Congress on Medical Physics and Biomedical Engineering, Seoul (South Korea), IFMBE Proceedings vol. 14, pp. 2267-2270, ISSN 1727-1983, 2006 50. Szilágyi L, Szilágyi SM, Benyó Z: Quick ECG Segmentation, Artifact Detection, and Risk Estimation Methods for On-Line Holter Monitoring Systems, WC 2006 World Congress on Medical Physics and Biomedical Engineering, Seoul (South Korea), IFMBE Proceedings vol. 14, pp. 914917, ISSN 1727-1983, 2006 51. Szilágyi L, Szilágyi SM, Iclănzan D, Benyó Z: Quick ECG Signal Processing Methods for On-Line Holter Monitoring Systems. CONTI 2006, Int’l Conference on Technical Informatics, Timişoara (Romania), pp. 221-226, 2006, ISBN 9736253201. 52. Iclănzan D, Szilágyi SM, Szilágyi L, Benyó Z: Advanced Heuristic Methods for ECG Parameter Estimation. CONTI 2006, Int’l Conference on Technical Informatics, Timişoara (Romania), pp. 215-220, 2006, ISBN 9736253201. 53. Máthé Zs, Görög LK, Creţ O, László SE, Szilágyi SM: Iterative ECG Signal Filtering for Better QRS Recognition, EMBEC’05, 3rd European Medical & Biological Engineering Conference, Prague, IFMBE Proc. vol 11., paper#2260, pp. 1-6, 2005, ISSN 1727-1983 54. Görög LK, Máthé Zs, Creţ O, Szilágyi SM: Sensibility Analysis of the Arruda Localization Method, EMBEC’05, 3rd European Medical & Biological Engineering Conference, Prague, IFMBE Proc. vol 11., paper#2309, pp. 1-5, 2005, ISSN 1727-1983 55. Szilágyi L, Szilágyi SM, Frigy A, László SE, Görög LK, Benyó Z: Quick QRS Complex Detection for On-Line ECG and Holter Systems, EMBC 2005 - 27th Annual Int’l Conference of IEEE Engineering in Medicine and Biology Society, Shanghai (China), pp. 3906-3908, ISBN 0708387414, 2005 56. Szilágyi L, Benyó Z, Szilágyi SM: Brain Image Segmentation for Virtual Endoscopy, EMBC 2004 26th Annual Int’l Conference of IEEE Engineering in Medicine and Biology Society, San Fransisco (CA USA), pp. 1730-1732, ISBN 0780384393, 2004 57. Szilágyi L, Szilágyi SM, Benyó Z, Adam HS: MR Brain Image Segmentation Using an Enhanced Fuzzy C-Means Algorithm. EMBC’03, 25th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Cancún (Mexico), pp. 724-726, 2003, ISBN 0780377893. 58. Szilágyi L, Szilágyi SM, Benyó Z: A New Method for Epileptic Waveform Recognition Using Wavelet Decomposition and Artificial Neural Networks. EMBC’02, 24th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society – 2nd Joint Conference of IEEE EMBS and BMES, Houston (TX USA), pp. 2025-2026, 2002, ISBN 0780376129. 59. Szilágyi L, Benyó Z, Szilágyi SM, Á. Szlávecz, L. Nagy: On-Line QRS Complex Detection Using Wavelet Filtering. EMBC’01, 23th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Istanbul (Turkey), pp. 1872-1874, 2001, ISBN 0780372115. 60. Benyó Z, Szilágyi SM, Várady P, Benyó B: Biomedical engineering education in Hungary. EMBC’1998, 20th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Hong Kong, pp. 3359-3360, 1998, ISBN 0780351673.
6.2.4. Egyéb konferenciák és kiadványok 61. Máthé Zs, Stan J, Szilágyi SM: A nyilvános kulcsú kriptográfia egy lehetséges alkalmazása I., Firka, 2005-06(5), 182-186. 62. Máthé Zs, Stan J, Szilágyi SM: A nyilvános kulcsú kriptográfia egy lehetséges alkalmazása II., Firka, 2005-06(6), 223-227. 63. László SE, Szilágyi SM: Mobil EKG mérés és ritmusanalízis, X. Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, 2005, p. 193-196, ISBN 973-8231-44-2 - 17 -
64. Görög LK, Szilágyi SM: Using reading Techniques in Complex Software-developing Systems, 15th International Conference in Computer Science and Education, Kolozsvár, 2005, pp. 153-159, ISBN 973-7840-08-1 65. Szilágyi SM, László SE, Görög LK: Complex Heart Diagnosis Methods, 15th International Conference in Computer Science and Education, Kolozsvár, 2005, pp. 192-201, ISBN 9737840-08-1 66. László SE, Szilágyi SM, Görög LK: ECG Signal Measurement and Rhythm Analysis, 15th International Conference in Computer Science and Education, Kolozsvár, 2005, pp. 202-209, ISBN 973-7840-08-1 67. Szász ZE, Szilágyi SM: MRI Image Analysis with Genetic Algorithms, 15th International Conference in Computer Science and Education, Kolozsvár, 2005, pp. 210-219, ISBN 973-7840-081 68. László SE, Szilágyi SM: 3D Modellezés Lehetőségei, IX. Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, 2004., p. 147-150, ISBN 973-8231-33-7 69. Görög LK, Máthé Zs, Komáromi L, Szilágyi SM: A mesterséges intelligencia labirintusa, IX. Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, 2004., p. 171-174, ISBN 973-8231-33-7 70. Görög LK, Komáromi L, Máthé Zs, Szilágyi SM: Az őrült labirintus, IX. Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, 2004, p. 174-178, ISBN 973-8231-33-7 71. Máthé Zs, Görög LK, Komáromi L, Szilágyi SM: Mesterséges intelligencia társasjátékokban, 14 th International Conference in Computer Science and Education, Kolozsvár, 2004, ISBN 973860978-X 72. Szilágyi SM: Számítógépes diagnosztika technikai kérdései, BUDAMED ’2002 Konferencia Orvosbiológiai és Klinikai Mérnököknek, Budapest, (2002), pp. 56-57, ISBN 963-8231-92-0. 73. Szilágyi SM: Szívmodell alapú számítógépes EKG diagnosztika, BUDAMED’99, 113-116, Budapest, 1999. 74. Szilágyi SM: An Approach About the Usage of FFT in ECG Signal Prefiltering, Proceedings of the Conference on the Latest Results in Information Technology, Budapest, May 1998, p. 73-78, ISBN: 963-421-548-3 75. Szilágyi SM: Hardware and Software Problems of the Fast Signal Monitor Unit, Proceedings of the Conference on the Latest Results in Information Technology, Budapest, May 1998, p. 79-84, ISBN: 963-421-548-3 76. Szilágyi SM, Szilágyi L: Artifact Separation and Classification from ECG Recordings, Proceedings of the Conference on the Latest Results in Information Technology, Budapest, 1998, pp. 85-90, ISBN: 963-421-548-3. 77. Szilágyi SM: Gyors biológiai jelek analízise valós-idejű monitorizáló rendszerekben, Információs Technológiák és Technológiai Transzfer Nemzetközi Konferencia, Székesfehérvár, 1998, május, 1416, p. 32-36, ISBN 963-421-548-3 78. Szilágyi SM: Fast biological signal analysis and real-time processing, Symposium on Fieldbus Systems and Application Technics, Budapest, 1998. Február 17-20, p. 45-50 79. Szilágyi L, Szilágyi SM: Paraméterbecslő módszerek alkalmazása szívaritmiák felismerésére, III. Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, 1998, pp. 61-64. 80. Szilágyi SM: Telemetry, Analysis and On-line Processing of the ECG Signal, microCAD ‘97 International Computer Science Conference, Miskolc, February 26-27, 1997., p. 69-73 81. Szilágyi SM, Szilágyi L: Adaptive Estimator for ECG Signal Compression, Proceedings of the Conference on the Latest Results in Information Technology, Budapest, 1997, pp. 50-53, ISBN: 963421-545-9. 82. Szilágyi L, Szilágyi SM: Az EKG jel tömörítése genetikai algoritmus alkalmazásával, II. Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, 1997, pp. 149-152. - 18 -
83. Szilágyi SM, Szilágyi L, Moldován IZ: Új lehetőségek az orvostudományban az EKG jelek feldolgozása terén, I. Fiatal Műszakiak Tudományos Ülésszaka, Kolozsvár, 1996, pp. 1-4.
6.2.5. Egyéb előadások és absztraktok 84. Szilágyi SM, Szilágyi L, Benyó Z: Paralellism in Inverse 3-D Heart Modeling, MACS06 – 6th Joint Conference on Mathematics and Computer Science, Pécs, pp. 88, 2006 85. Szilágyi L, Szilágyi SM, Benyó Z: Level Set Methods in 3-D Medical Imaging, MACS06 – 6th Joint Conference on Mathematics and Computer Science, Pécs, pp. 87, 2006 86. Szilágyi SM: Térbeli szívmodellezés és elemzés, 10 éves az Orvosbiológiai Mérnökképzés Magyarországon Konferencia, Budapest, 2005 87. Szilágyi SM: Szívmodell alapú számítógépes EKG diagnosztika, A Magyar Élettani Társaság LXIV. Vándorgyűlése, Budapest, 1999, pp. 137. 88. Szilágyi SM, Szilágyi L, Frigy A, Incze A: Holter Telemetry in the Study of Heart Rate Variability, Romanian Heart Journal, Vol. 2., Nr. 6, 1996, pp. 143. 89. Szilágyi SM, Moldován IZ, Szilágyi L: EKG jelek feldolgozásának hardver és szoftver kérdései, Orvosbiológiai Mérnökképzés Kutatások és Oktatás nemzetközi tudományos konferencia, Budapest, 1996, pp. 24.
90. Szilágyi SM, Moldován IZ, Szilágyi L: Új lehetőségek az orvostudományban az EKG jelek feldolgozása terén, Orvosbiológiai Mérnökképzés Kutatások és Oktatás nemzetközi tudományos konferencia, Budapest, 1996, pp. 23.
7. Szakirodalom Arruda MS, Wang X, McClelland JH (1992) ECG algorithm for predicting radiofrequency ablation site in posteroseptal accessory pathways. PACE 15(Pt II):535. Arruda MS, Wang X, McClelland JH (1993) ECG algorithm for predicting sites of successful radiofrequency ablation of accessory pathways. PACE 16(Pt II) 865. Arruda MS, Wang X, McClelland JH (1994) Negative delta wave in lead II identifies posteroseptal accessory pathways requiring ablation in venous branches of the coronary sinus. J Am Coll Cardiol (Suppl) 224A. Arruda MS, McClelland JH, Wang X, Beckman KJ, Widman LE, Gonzalez MD, Nakagawa H, Lazzara R, Jackman WH (1998): Development and validation of an ECG algorithm for identifying accessory pathway ablation site in Wolff-Parkinson-White syndrome, J Cardiovascular Electrophysiology 9(1):2–12. Benjamin EJ, Levy D (1999) Why is left ventricular hypertrophy so predictive of morbidity and mortality? Am. J. Med. Sci. 317:168–175. Benyó Z, Szilágyi SM, Várady P, Benyó B (1998) Biomedical engineering education in Hungary. EMBC’1998, 20th Annual Int’l Conf. of IEEE Engineering in Medicine and Biology Society, Hong Kong, pp. 3359-3360, 1998, ISBN 0780351673 Benyó B, Asztalos B (2000) Detection of pathologic alterations of the heartwall based on ultrasound and echocardiographic pictures. ORKI Medical and Hospital Engineering, 38(2):36–40. Boersma L, Moran EG, Mont L, Brugada J (2002) Accessory pathway localization by QRS polarity in children with Wolff-Parkinson-White syndrome. J Cardiovasc Electrophysiol 13(12):1222–1226. Caceres CA, Kelser GA Jr, Mize WR (1959) Formation of the „P-R Segment”. Circulation 20:229-233.
- 19 -
Caceres CA (1961) Premature ventricular depolarization. Circulation 23:383-389. Cao H, Vorperian VR, Tsai JZ, Tungjitkusolmun S, Woo EJ, Webster JG (2000) Temperature measurement within myocardium during in vitro RF catheter ablation. IEEE Trans. Biomed. Eng. 47:1518–1524. Cherry EM, Greenside HS, Henriquez CS (2000) A space-time adaptive method for simulating complex cardiac dynamics. Phys. Rev. Lett. 84:1343–1346. Cherry EM, Greenside HS, Henriquez CS (2003). Efficient simulation of threedimensional anisotropic cardiac tissue using an adaptive mesh refinement method. Chaos 13:853–865. Colella D, Heil C (1994) Characterizations of scaling functions: continuous solutions. SIAM Journal of Matrix Analysis Applications 13(2):496–518. Cootes TF, Edwards GJ, Taylor CJ (2001) Active appearance models. IEEE Trans. Patt. Anal. Mach. Intell. 23:681–685. Couderc JP, Zareba W, Moss AJ (1998) New-method for the quantification of beat-to-beat T wave temporal variability based on interscale changes in wavelet transform of the ECG: application to simulated ECG signals. Proc. of IASTED International Conference, IEEE 213–216. Fenster A, Downey DB, Cardinal HN (2001) Three-dimensional ultrasound imaging. Physics in Medicine and Biology 46:67–99. Fidler A, Skaleric U (2006) The impact of image information on compressibility and degradation in medical image compression. Med. Phys. 33:2832–2838. Fitzpatrick AP, Gonzales RG, Lesh MD, Modin GW, Lee RJ, Scheinmen MM (1994) New algorithm for the localization of accessory atrioventricular connections using a baseline electrocardiogram. J. Am. Coll. Cardiol. 23:107–116. Gomis P, Jones DL, Caminal P, Berbari EJ, Lander P (1997) Analysis of abnormal signals within the QRS complex of the high-resolution electrocardiogram, IEEE Trans. Biomed. Eng. 44:681–693. Goudevenos JA, Katsouras CS, Graekas G, Argiri O, Giogiakas V, Sideris DA (2000) Ventricular preexcitation in the general population: a study on the mode of presentation and clinical course. Heart 83:29–34. Guize L, Soria R, Chaouat JC, Chrétien JM, Houe D, Le Heuzey JY (1985) Prevalence and course of WolffParkinson-White syndrome in population of 138,048 subjects. Ann Med Interne (Paris) 136:474–489. Haider AW, Larson MG, Benjamin EJ, Levy D (1998) Increased left ventricular mass and hypertrophy are associated with increased risk for sudden death. J. Am. Coll. Cardiol. 32:1454–1459. Joshi D, Li J, Wang JZ (2006) A computationally efficient approach to the estimation of two- and threedimensional hidden Markov models. IEEE Trans. Image Proc. 15:1871–1886. Lemire D, Pharand C, Rajaonah JC, Dubé B, LeBlanc AR (2000) Wavelet time entropy, T wave morphology and myocardial ischemia. IEEE Trans. on Biomed. Eng. 47(7):967–970. Harrild DM, Henriquez CS (2000) A computer model of normal conduction in the human atria. Circ. Res. 87:25–36. Li C, Zheng C, Tai C (1995) Detection of ECG characteristic points using wavelet transforms. IEEE Trans. on Biomed. Eng. 42(1):21–27. Lux RL, Smith CR, Wyatt RF, Abildskov JA (1978) Limited lead selection for estimation of body surface potential maps in electrocardiography, IEEE Trans. Biomed. Eng. 25:270–276. MacLeod RS, Brooks DH (1998) Recent progress in inverse problems in echocardiology. IEEE EMBS Mag. 17(1):73–83. Mirvis DM (1988) Validation of body surface electrocardiographic mapping. In: Mirvis DM (Ed.): Body Surface Electrocardiographic Mapping. Kluwer Acad. Publ., Boston-Dordrecht-London 63–74.
- 20 -
Montagnat J, Delingette H, Malandain G (1999) Cylindrical echocardiographic image segmentation based on 3-D deformable models. Lect. Notes Comp. Sci. (MICCAI’ 99) 1679:168–176. Naszlady A, Kiss L (1998) Respiratory analogue computer model. Med. Inform. 23(2):97-103. Nygren A, Fiset C, Firek L, Clark JW, Lindblad DS, Clark RB, Giles WR (1998) Mathematical model of an adult human atria cell: the role of K+ currents in repolarization. Circ. Res. 82:63–81. Pipberger HV (1970) The „new” electrocardiographs: a step toward greater fidelity in recording. Circulation. 42:771-772 Pipberger HV (1975) ECG computer analysis: gaps to be filled. Eur. J. Cardiol. 2(4):403-405 Préda I, Shakin V, Bukosza I (1977) Quantitative comparison of the dipolar and multipolar content of isopotential surface maps. Adv. Cardiol. 21:40-43. Reddy GV, Schamroth L (1987) The localization of bypass tracts in the Wolff-Parkinson-White syndrome from the surface electrocardiogram. Amer. Heart. J. 113(4):984-993. Sermesant M, Moireau P, Camara O, Sainte-Marie J, Andriantsimiavona R, Cimrman R, Hill DLG, Chapelle D, Razavi R (2006a) Cardiac function estimation from MRI using a heart model and data assimilation: advances and difficulties. Med. Imag. Anal. 10:642–656. Sermesant M, Delingette H, Ayache N (2006b) An electromechanical model of the heart for image analysis and simulation. IEEE Trans. Med. Imag. 25:612–625. Szilágyi SM, Szilágyi L, Dávid L (1997a) ECG signal compression using adaptive prediction. Ann. Int. Conf. of IEEE EMBS (Chicago) 19:101–104. Szilágyi SM (1997b) Comparison of the neural-network-based adaptive filtering and wavelet transform for R, T and P waves detection. ITAB’97, IEEE EMBS Reg. 8 Conf. (Prague) 73–75. Szilágyi SM, Szilágyi L, Dávid L (1997c) Comparison between neural-network-based adaptive filtering and wavelet transform for ECG characteristic points detection. Ann. Int. Conf. of IEEE EMBS (Chicago) 19:272–274. Szilágyi SM (1998) Event recognition, separation and classification from ECG recordings. Ann. Int. Conf. of IEEE EMBS (Hong Kong) 20:236–239. Szilágyi SM (1999) Non-linear adaptive prediciton based ECG signal filtering. Ann. Int. Conf. of IEEE EMBS (Atlanta) 21:296. Szilágyi SM (2000a) The limits of heart-model-based computerized ECG diagnosis. Ann. Int. Conf. of IEEE EMBS (Chicago) 22:1913–1916. Szilágyi SM, Szilágyi L (2000b) Wavelet Transform and Neural-Network-Based Adaptive Filtering for QRS Detection. Ann. Int. Conf. of IEEE EMBS (Chicago) 22:1267–1270. Szilágyi SM, Szilágyi L (2001) Efficient ECG Signal Compression Using Adaptive Heart Model. Ann. Int. Conf. of IEEE EMBS (Istanbul) 23: 2125–2128. Szilágyi SM, Szilágyi L, Benyó Z (2002) Comparison of Malfunction Diagnosis Sensibility for Direct and Inverse ECG Signal Processing Methods. Ann. Int. Conf. of IEEE EMBS (Houston) 24: 244–245. Szilágyi SM, Benyó Z, Dávid L (2003a) Heart model based ECG signal processing. In: Feng DD, Carson ER (Eds.): Modelling and Control in Biomedical Systems (MCBMS’03), Elsevier: Oxford, 213–217. Szilágyi SM, Benyó Z, Dávid L (2003b) WPW syndrome identification and classification using ECG analysis. World Congr. Med. Phys. Biomed. Eng. (Sydney), IFMBE Proc. 4, paper #4423. Szilágyi SM, Szilágyi L, Dávid L, Benyó Z (2003c) Adaptive Wavelet-Transform-Based ECG Waveforms Detection. Ann. Int. Conf. of IEEE EMBS (Cancún) 25: 2412–2415. Szilágyi SM, Benyó Z, Dávid L (2003d) Iterative ECG filtering for better malfunction recognition and diagnosis. In: Feng DD, Carson ER (Eds.): Modelling and Control in Biomedical Systems (MCBMS’03), Elsevier: Oxford, 295–300. Szilágyi SM, Benyó Z, Dávid L (2003e) ECG signal compression and coise distortion effect analysis. World - 21 -
Congr. Med. Phys. Biomed. Eng. (Sydney), IFMBE Proc. 4, paper #4391. Szilágyi SM, Benyó Z, Frigy A (2004a) Event Recognition from ECG Signal Analysis and 3D Heart Model. Sci. Bull. Univ. Timisoara, Trans. Autom. Contr. Comp. Sci. 49(63)(2):123–128. Szilágyi SM, Benyó Z (2004b) Szívmodell alapú diagnosztika. ORKI Orvos- és Kórháztechnika, XLII(3):84-86. Szilágyi SM, Frigy A, Görög LK, Szilágyi L, Benyó Z (2004c) A pitvar-kamrai járulékos nyalábok Arrudaféle lokalizációs módszerének érzékenységi analízise. ORKI Orvos- és Kórháztechnika, XLII(6):164167. Szilágyi SM, Benyó Z, Frigy A (2004d) Sensibility analysis of the ARRUDA localization method. Sci. Bull. Univ. Timisoara, Trans. Autom. Contr. Comp. Sci. 49(63)(2):129–132. Szilágyi SM, Szilágyi L, Frigy A, Görög LK, László SE, Benyó Z (2005a) 3D Heart Simulation and Recognition of Various Events, Ann. Int. Conf. of IEEE EMBS (Shanghai) 27: 4038–4041. Szilágyi SM, Szilágyi L, Benyó Z (2005b) Risk Estimation Techniques in Case of WPW Syndrome. 16th IFAC World Congress, Prague, paper #4785, pp. 1-6. Szilágyi SM, Szilágyi L, Benyó Z (2005c) Recognition of Various Events from 3-D Heart Model. 16th IFAC World Congress, Prague, paper #4695, pp. 1-6. Szilágyi SM (2006a) 3D heart simulation and analysis. Periodica Polytech. Ser. El. Eng. 50(1-2):79–90. Szilágyi SM, Szilágyi L, Iclănzan D, Benyó Z (2006b) Unified Neural Network Based Adaptive ECG Signal Analysis and Compression. Sci. Bull. Polytech. Univ. Timişoara (Romania), Trans. Autom. Contr. Comp. Sci. 51(65)(4):27-36 Szilágyi SM, Szilágyi L, Benyó Z (2006c) Sensibility Analysis of the Arruda Localization Method and Modifications in Left Ventricle Analysis. Ann. Int. Conf. of IEEE EMBS (New York) 28: 3998–4001. Szilágyi SM, Szilágyi L, Benyó Z (2006d) Inverse 3D Heart Model for ECG Signal Simulation and Analysis. WC2006, World Congr. Med. Phys. Biomed. Eng., Seoul (South Korea), IFMBE Proc. 14:27-31. Szilágyi SM, Szilágyi L, Görög LK, Máthé Zs, Benyó Z (2006e) Modifications in Arruda’s Localization Method in Left Ventricle Analysis. WC2006, World Congr. Med. Phys. Biomed. Eng., Seoul (South Korea), IFMBE Proc. 14:117-120. Szilágyi SM, Szilágyi L, Iclănzan D, Benyó Z (2006f) Adaptive ECG Signal Analysis for Enhanced State Recognition and Diagnosis. CONTI 2006, Int’l Conf. Techn. Inform., Timişoara (Romania), pp. 209214. Szilágyi SM, Szilágyi L, Benyó Z (2007a) Spatial heart simulation and analysis using unified neural network. Ser. Adv. Soft Comput. 41:346–354. Szilágyi SM, Szilágyi L, Benyó Z (2007b) Support Vector Machine Based ECG Compression. Ser. Adv. Soft Comput. 41:737–745. Szilágyi SM, Szilágyi L, Benyó Z (2007c) Spatial Visualization of the Heart in Case of Ectopic Beats and Fibrillation. Lect. Notes Comp. Sci. 4872:548–561. Szilágyi SM, Szilágyi L, Benyó Z (2007d) Adaptive ECG Compression Using Support Vector Machine. Lect. Notes Comp. Sci. 4756:594–603. Szilágyi SM, Szilágyi L, Benyó Z (2007e) Echocardiography Image Sequence Compression Based on Spatial Active Appearance Model. Lect. Notes Comp. Sci. 4756:841–850. Szilágyi SM, Szilágyi L, Frigy A, Görög LK, Benyó Z (2007f) Unified Neural Network Based Pathologic Event Reconstruction Using Spatial Heart Model. Lect. Notes Comp. Sci. 4756:851–860. Szilágyi SM, Szilágyi L, Benyó Z (2007g) Volumetric analysis of the heart using echocardiography. Lect. Notes Comp. Sci. 4466:81–90. Szlávik F, Bolyki J, Kozmann Gy (1981) Remarks on the design of a small computer-aided ECG analysis
- 22 -
system. Adv. Cardiol. 28:99-101. Taccardi B (1962) Distribution of heart potentials on dog’s thoracic surface. Circ. Res. 11:862-869. Thaker NV, Ferrero JM (1998) Electrophysiologic models of heart cells and cell networks. IEEE EMBS Mag. 17(5):73–83. Trahanias PE (1993) An aproach to QRS complex detection using mathematical morphology. IEEE Trans. Biomed. Eng. 40(2):201–205. ten Tusscher KHWJ, Noble D, Noble PJ, Panfilov AV (2004) A model for human ventricular tissue. Amer. J. Physiol. Heart. Circ. Physiol. 286:H1573–H1589. ten Tusscher KHWJ, Bernus O, Hren R, Panfilov AV (2006) Comparison of electrophysiological models for human ventricular cells and tissues. Prog. Biophys. Mol. Biol. 90:326–345. Vapnik V (1998) Statistical learning theory. Wiley: New York. Wellens HJJ, Fare J, Bar FW (1987) The Wolff-Parkinson-White syndrome. In: Mandel WJ (Ed.): Cardiac arrhythmias. Their mechanisms, diagnosis and management.JP Lippincott: Philadelphia 274–296. Wellens HJJ, Brugada P, Penn OC et al (1990) Pre-excitation syndromes: clinical presentation, course and therapy. In: Zipes DP, Jalife J (Eds.) Cardiac electrophysiology. From cell to bedside. WB Saunders Co: Philadelphia 691–702. Winslow RL, Scollan DF, Holmes A, Yung CK., Zhang J, Jafri MS (2000) Electrophysiological modeling of cardiac ventricular function: from cell to organ. Ann. Rev. Biomed. Eng. 2:119–155. Winslow RL, Hinch R, Greenstein JL (2005) Mechanisms and models of cardiac excitation-contraction coupling, Lect. Notes Math. 1867:97–131. Wolff L, Parkinson J, White P (1930) Bundle branch block with short PR interval in healthy young people prone to paroxysmal tachycardia. Amer. Heart J. 5:685–704. Xue Q, Hu YH, Tompkins WJ (1992) Neural-network-based adaptive matched filtering for QRS detection. IEEE Trans. Biomed. Eng. 39:317–329. Yee R, Klein GJ, Guiraudon GM (1995) The Wolff-Parkinson-White syndrome. In: Zipes DP, Jalife J (Eds.) Cardiac electrophysiology. From cell to bedside. WB Saunders Co: Philadelphia 1199–1214. Zigel Y (1998) ECG signal compression. Electr. Comput. Eng. Dept., Ben-Gurion Univ. Israel. Available: http://www.ee.bgu.ac.il/~spl Zigel Y, Cohen A, Katz A (2000a) ECG signal compression using analysis by synthesis coding. IEEE Trans. Biomed. Eng. 47(10):1308–1316.
- 23 -
MŰEGYETEM
- 24 -
