ПРОБЛЕМЫ ОЦЕНКИ ST-СЕГМЕНТА ЭЛЕКТРОКАРДИОСИГНАЛА: ОБЗОР МЕТОДОВ И ОГРАНИЧЕНИЙ

PROBLEMS OF ST-SEGMENT ASSESSMENT OF ELECTROCARDIAC SIGNAL: A REVIEW OF METHODS AND LIMITATIONS

Bocharova Alina Vadimovna

Student, Faculty of Medicine and Biology, Voronezh State University,

Russia, Voronezh

АННОТАЦИЯ

В статье рассматриваются факторы, ограничивающие точность оценки ST-сегмента электрокардиосигнала, и проводится анализ традиционных методов его фильтрации и детекции. Актуальность исследования обусловлена тем, что ST-сегмент является ключевым маркером ишемии миокарда, однако достоверность его количественной оценки на практике существенно снижается из-за артефактов (дрейф изолинии, шумы), неоднозначности локализации точки J и физиологической зависимости параметров сегмента от частоты сердечных сокращений. Цель работы – систематизировать основные источники погрешностей и оценить существующие методы обработки сигнала с позиций их метрологической обоснованности. На основании проведенного анализа отечественных и зарубежных публикаций установлено, что традиционные подходы неизбежно вносят фазовые или амплитудные искажения, маскируют кратковременные эпизоды ишемии или не обеспечивают нормируемую инструментальную погрешность, что противоречит требованиям клинической практики. Сделан вывод о необходимости разработки адаптивных и гибридных алгоритмов обработки, способных обеспечить высокую помехоустойчивость без потери диагностически значимой морфологии сигнала.

ABSTRACT

This article examines factors limiting the accuracy of ST-segment assessment in electrocardiograms and analyzes traditional methods of filtering and detecting it. The relevance of this study lies in the fact that the ST-segment is a key marker of myocardial ischemia. However, the reliability of its quantitative assessment in practice is significantly reduced by artifacts (baseline drift, noise), ambiguous J-point localization, and the physiological dependence of segment parameters on heart rate. The aim of this study is to systematize the main sources of error and evaluate existing signal processing methods for their metrological validity. Based on an analysis of domestic and international publications, it has been established that traditional approaches inevitably introduce phase or amplitude distortions, mask short-term episodes of ischemia, or fail to achieve standardized instrumental error, which contradicts the requirements of clinical practice. It is concluded that adaptive and hybrid processing algorithms capable of ensuring high noise immunity without losing diagnostically significant signal morphology are needed.

Ключевые слова: ST-сегмент, электрокардиосигнал, дрейф изолинии, точка J, помехи ЭКГ, вейвлет-преобразование, машинное обучение.

Keywords: ST-segment, electrocardiogram signal, isoelectric drift, J-point, ECG interference, wavelet transform, machine learning.

Электрокардиография (ЭКГ) остается наиболее доступным неинвазивным методом функциональной диагностики, позволяющим оценивать электрическую активность сердца и выявлять признаки нарушения реполяризации миокарда [1, с. 15]. Среди множества параметров анализа ЭКГ именно морфология, длительность и амплитуда ST-сегмента являются наиболее информативными маркерами, требующими высокой точности измерений как в рутинной клинической практике, так и при длительном суточном мониторировании.

Точная количественная оценка ST-сегмента представляет собой сложную методологическую задачу. Это обусловлено тем, что регистрируемый с поверхности тела биопотенциал имеет малую амплитуду и крайне чувствителен к широкому спектру дестабилизирующих факторов [2, с. 204]. В отличие от высокоамплитудного комплекса QRS, сегмент ST несет в себе преимущественно низкочастотную энергию, что делает его особенно уязвимым как на этапе регистрации, так и при последующей обработке сигнала.

Наиболее существенной проблемой при оценке ST-сегмента является низкочастотный дрейф изолинии (0,05–0,5 Гц), спектр которого частично перекрывается с полезным сигналом [3, с. 108]. Поскольку амплитуда сегмента определяется относительно изоэлектрической линии (выбираемой в сегментах PQ или TP), точность измерения напрямую зависит от корректности идентификации этой референсной точки. На практике её выбор неоднозначен, так как алгоритмы и врачи используют различные участки сигнала, а при тахикардии сегмент TP часто исчезает, оставляя лишь укороченный PQ. В сочетании с базовым дрейфом это приводит к систематическому смещению линии отсчета. Учитывая, что диагностические критерии ишемии измеряются в десятых долях милливольта (мВ), такие погрешности интерпретируются как ложная депрессия или элевация ST [4, с. 53].

Алгоритмическая оценка осложняется естественным разнообразием форм смещения ST-сегмента. В клинической практике встречаются горизонтальные, косовосходящие и косонисходящие варианты депрессии или элевации, каждый из которых имеет различную прогностическую значимость [1, с. 29]. Универсальный алгоритм, настроенный на поиск одного типа смещения, часто дает сбои при других морфологиях.

Ключевой проблемой является сложность точного выделения границ ST-сегмента, а именно неоднозначность локализации точки J (места перехода комплекса QRS в сегмент ST) [3, с. 122]. При наличии зазубринностей комплекса QRS, блокад ножек пучка Гиса или синдрома ранней реполяризации (СРРЖ) переход становится плавным, и точка J визуально не определяется. Ошибка алгоритма в определении точки J даже на 10–20 мс приводит к тому, что измерения производятся не на самом сегменте ST, а на нисходящем колене зубца R или восходящей части зубца T [5, с. 20]. Кроме того, плавный переход сегмента ST в зубец T затрудняет определение его конечной точки, что делает расчет площади под кривой или точной длительности сегмента математически некорректным.

Амплитуда и положение ST-сегмента физиологически зависят от частоты сердечных сокращений (ЧСС) [6, с. 7]. При тахикардии происходит укорочение интервала QT преимущественно за счет сокращения длительности ST-сегмента. В результате сегмент может сливаться с зубцом T, делая невозможным применение алгоритмов с фиксированными временными окнами (например, измерение амплитуды строго через 60 или 80 мс от точки J) [5, с. 18].

Существенным ограничением является и низкая помехоустойчивость традиционных методов обработки. Классические алгоритмы, основанные на скользящем усреднении или шаблонном наложении комплексов, эффективно подавляют случайный шум, но приводят к потере информации о кратковременных эпизодах ишемии. Транзиторные смещения ST, длящиеся всего несколько сердечных циклов, «размываются» при усреднении и остаются незамеченными системой, хотя именно они могут иметь решающее диагностическое значение [7, с. 1364].

Для минимизации влияния описанных артефактов в клинической и исследовательской практике применяется широкий спектр методов цифровой обработки сигналов (ЦОС). Однако, как показывает анализ, традиционные подходы сопряжены с рядом фундаментальных ограничений, делающих их применение для оценки ST-сегмента проблематичным.

Наиболее распространенным способом устранения низкочастотного дрейфа изолинии является применение цифровых фильтров высоких частот (ФВЧ). Классические рекурсивные фильтры (например, Баттерворта или Чебышева), широко используемые в аппаратуре, обладают нелинейной фазо-частотной характеристикой (ФЧХ). Прохождение ЭКС через такой фильтр неизбежно вызывает фазовый сдвиг, который проявляется в виде временной задержки и деформации формы волны. В области низких частот, к которым относятся спектральные компоненты ST-сегмента, это приводит к его характерному «завалу» или «выпуклости» [2, с. 312] и напрямую искажает измеряемую амплитуду.

Традиционные алгоритмы выделения признаков, такие как классический алгоритм Пан-Томпкинса, оптимизированы преимущественно для надежного выявления самого факта наличия комплекса QRS, а не для прецизионного определения его границ. Использование в этих алгоритмах операций дифференцирования и скользящего интегрирования существенно повышает чувствительность к миографическим помехам, что приводит к ложным срабатываниям и смещению оцениваемой координаты точки J на 10–30 мс [2, с. 298].

Более перспективным направлением в этой области считается вейвлет-преобразование, позволяющее анализировать сигнал одновременно во временной и частотной областях и эффективно разделять полезный сигнал и шум. Несмотря на доказанную эффективность, результат вейвлет-фильтрации зависит от выбора типа «материнского» вейвлета и пороговых значений отсечения. Отсутствие универсальных, клинически валидированных правил подбора этих параметров для различных морфологий ЭКГ (учитывая межличностную вариабельность) ограничивает надежное массовое внедрение данного метода [9, с. 18].

В настоящее время для сегментации ЭКГ активно применяют методы машинного обучения и глубокие нейронные сети. Хотя на эталонных наборах данных (таких как MIT-BIH или PTB-XL) эти алгоритмы показывают высокую точность, в реальных клинических условиях их применение сталкивается с рядом фундаментальных проблем [8, с. 2669].

Основной недостаток применения нейросетевых моделей - принцип «черного ящика». Модель не объясняет, на основании каких именно признаков сигнала было принято решение, что затрудняет врачебную верификацию и не соответствует современным требованиям к прозрачности медицинских алгоритмов [9, с. 17]. С метрологической точки зрения нейросети оперируют вероятностными оценками принадлежности к классу, а не физическими величинами. Такие подходы не могут гарантировать нормируемую инструментальную погрешность измерения амплитуды (в мВ) или времени (в мс), что является обязательным условием для регистрации любого медицинского изделия. Кроме того, такие модели часто демонстрируют резкое падение качества (переобучение) при поступлении сигналов с нестандартными артефактами, не представленными в обучающей выборке [8, с. 2675].

Проведенный анализ показывает, что проблема точной оценки ST-сегмента электрокардиосигнала носит комплексный характер. Существующие методы обработки и оценки сегмента ST представляют собой поиск компромисса между подавлением артефактов и сохранением диагностически значимой морфологии сигнала.

На сегодняшний день ни один из классических подходов не позволяет одновременно обеспечить работу в реальном времени, отсутствие фазовых искажений и метрологическую строгость. Перспективным направлением дальнейших исследований является разработка адаптивных гибридных алгоритмов, сочетающих детерминированные методы цифровой обработки с объяснимым машинным обучением. Это позволит динамически корректировать границы анализируемого сегмента с учетом текущей ЧСС и морфологии QRS, обеспечив необходимую помехоустойчивость и точность для реального клинического применения.

Список литературы:

1. Орлов В. Н. Руководство по электрокардиографии / В. Н. Орлов. — 9-е изд., испр. — М. : Медицинское информационное агентство, 2017. — С. 560.
2. Рангайян Р. М. Анализ биомедицинских сигналов / Р. М. Рангайян ; пер. с англ. — М. : Физматлит, 2007. — С. 440.
3. Зуйкова О. А. Оценка параметров ST-сегмента / О. А. Зуйкова, О. В. Мельник, А. А. Михеев // Вестн. аритмологии. — 2002. — № 25, прил. А. — С. 158.
4. Мельник О. В. Анализ достоверности результатов точечных и интегральных методов оценки параметров ST-сегмента / О. В. Мельник, А. А. Михеев // Вестн. РГРТА. — 2004. — № 15. — С. 52–55.
5. Воробьев Л. В. Способ определения времени сегмента ST в зависимости от частоты сердечных сокращений / Л. В. Воробьев // Научное обозрение. Медицинские науки. — 2020. — № 4. — С. 17–22.
6. Угольков А. В. Алгоритм формирования смещения ST-сегмента / А. В. Угольков, А. О. Беляев, В. Б. Подопригора // ИВД. — 2017. — № 4 (47). – С.10.
7. Automatic diagnosis of the 12-lead ECG using a deep neural network / A. H. Ribeiro [et al.] // Nature Communications. — 2020. — Vol. 11, no. 1. — P. 1760.
8. Artificial Intelligence in Cardiology / K. W. Johnson [et al.] // J. Am. Coll. Cardiol. — 2018. — Vol. 71, no. 23. — P. 2668–2679.
9. Проблемы и решения в применении алгоритмов машинного обучения для анализа данных в кардиологии / М. Г. Чащин [и др.] // Профилактическая медицина. — 2025. — Т. 28, № 10. — С. 16–22.