Analýzy variability srdeční frekvence u animálních modelů epilepsie

Abstract

Tato práce se zaměřuje na určení parametrů variability srdeční frekvence spojených s vlivem epilepsie na srdeční rytmus. Byla provedena rešerše standardně používaných parametrů srdeční variability v časové, frekvenční a nelineární oblasti a na základě předchozích studií byly vybrány parametry s možným vztahem k epilepsii. Dále byl vytvořen algoritmus hledající délky intervalů mezi R špičkami v EKG, které byly převedeny na srdeční rytmus. Ze signálu srdečního rytmu byly poté za využití algoritmu Bayesovského detektoru změn vybrány pouze stacionární úseky, z nichž byly spočítány parametry variability srdeční frekvence. Na základě různých kombinací těchto parametrů byly provedeny klasifikace 16 signálů. Jako parametry nejpravděpodobněji spojené s epilepsí se ukázaly deskriptory z nelineární oblasti - Poincaré plot deskriptory, parametry z frekvenční analýzy o velmi nízkých frekvencích a časový parametr pRR10. Jedna z kombinací těchto parametrů dosáhla úspěšnosti klasifikace přes 80%.

This thesis focuses on determination of heart rate variability parameters with relation to the effect of epilepsy on heart rhythm. Research of commonly used heart rate variability parameters in time, frequency and non-linear domain was performed and parameters possibly tied to epilepsy were selected based on analysed studies. Additionally, algorithm finding time intervals between R peaks of ECG was implemented and these lengths were converted to heart rate. Only stationary segments were then selected from heart rate signal with use of Bayesian changepoint detection and parameters were calculated from these segments. Based on various combinations of these parameters, classifications of 16 signals were made. Descriptors from non-linear domain - Poincaré plot descriptors, parameters from frequency domain of very low frequencies and time parameter pRR10 were concluded as the most likely related parameters to epilepsy. Certain combination of these parameters achieved over 80% success rate in classification.