Pokročilá analýza fibrilační aktivity síní u pacientů s fibrilací

Abstract

Táto diplomová práca sa zameriava na komplexnú analýzu fibrilačnej aktivity predsiení u pacientov s atriálnou fibriláciou. Kľúčovým cieľom je spoľahlivá extrakcia F-vĺn z 12-zvodového EKG signálu a ich následná kvantitatívna analýza pre diagnostiku AF a predikciu úspešnosti ablačnej liečby. Metodika zahŕňala tri prístupy k extrakcii F-vĺn: priemernej subtrakcie (ABS), analýzy hlavných komponentov (PCA) a nezávislej komponentovej analýzy (ICA). Extrahované signály boli spracované pomocou fyziologických metrík, ako sú dominantná frekvencia, regularity index, organizačný index, energia signálu, sample entropy, QRST pomer, kurtóza a autokorelácia. Korelačná analýza preukázala výrazné vzťahy medzi organizačným indexom a regularity indexom, čo odhaľuje rôzne dimenzie komplexity Fvĺn. ABS poskytla konzistentné výsledky v špecifike detekcie, PCA priniesla významné zníženie šumu pri zachovaní variability a ICA odhalila samostatné zdroje atriálnej aktivity napriek artefaktom. Následne sme vytvorili klasifikačné modely Lasso logistickej regresie a Random Forest, ktoré dosiahli vysokú diagnostickú výkonnosť pri rozlíšení AF od sínusového rytmu s presnosťou nad 90% a AUC výrazne nad hodnotou 0,9. Model Lasso na signáloch z ABS dosiahol presnosť približne 93%, zatiaľ čo Random Forest s ICA priniesol zvýšenie citlivosti modelu pri zachovaní presnosti okolo 92%.

This masters thesis focuses on a comprehensive analysis of atrial fibrillation activity in patients with atrial fibrillation. The primary goal is the reliable extraction of F-waves from a 12-lead ECG signal and their subsequent quantitative analysis for AF diagnosing and predicting the success of ablation therapy. The methodology involved three approaches to F-wave extraction: average beat subtraction (ABS), principal component analysis (PCA), and independent component analysis (ICA). The extracted signals were processed using physiological metrics such as dominant frequency, regularity index, organization index, signal energy, sample entropy, QRST ratio, kurtosis, and autocorrelation. Correlation analysis revealed significant relationships between the organization index and the regularity index, uncovering different dimensions of F-wave complexity. ABS provided consistent results in detection of specificity, PCA yielded a substantial noise reduction, while preserving variability, and ICA identified independent sources of atrial activity despite artifacts. Subsequently, we developed classification models using Lasso logistic regression and Random Forest, which achieved high diagnostic performance in distinguishing AF from sinus rhythm with accuracy above 90% and AUC well above 0.9. The Lasso model applied to ABS-derived signals reached approximately 93% accuracy, while the Random Forest model with ICA achieved increased sensitivity while maintaining accuracy around 92%.