O wpływie brakujących interwałów RR na ocenę zmienności ... · O wpływie brakujących interwałów RR na ocenę zmienności rytmu serca. Marta Tylec. Plan: 1. Wstęp. 2. Pomiar

O wpływie brakujących interwałów RR na ocenę zmienności rytmu serca.

Marta Tylec

Plan:

1. Wstęp.

2. Pomiar HRV w dziedzinie czasu (1996).

3. Pomiar HRV w dziedzinie częstości (1996).

4. Krótkie porównanie.

5. “Effect of missing RR-interval data on HRV analysis in the time domain” (2007).

1. Wstęp

Znaki szczególne: linia izoelektryczna – linia pozioma

zarejestrowana w czasie, gdy w sercu nie

stwierdza się żadnych pobudzeń

(aktywności). Najłatwiej wyznaczyć ją

według odcinka PQ. Stanowi ona punkt

odniesienia poniższych zmian;

załamki (P, QRS, T, U) – wychylenia od linii

izoelektrycznej (dodatni, gdy wychylony w

górę; ujemny, gdy wychylony w dół);

odcinki (PQ, ST) – czas trwania linii

izoelektrycznej pomiędzy załamkami;

odstępy (PQ, ST, QT) – łączny czas trwania

odcinków i sąsiadującego załamka.

1. Wstęp

HRV (ang. heart rate variability) czyli

zmienność rytmu zatokowego -

powtarzające się cyklicznie występowanie

różnic odstępów RR w badaniu EKG, które

zależy od oddziaływania mechanizmów

kontrolujących na aktywność węzła

zatokowo-przedsionkowego i jest

odzwierciedleniem stanu czynnościowego

układu autonomicznego serca.

1. Wstęp

Flow chart summarizing individual steps

used when recording and processing the

ECG signal in order to obtain data for HRV

analysis.

1. Wstęp

Pomiar HRV w dziedzinie czasu:

metoda statystyczna,

metoda geometryczna.

Pomiar HRV w dziedzinie częstości:

krótko-trwające nagrania,

długo-trwające nagrania.

2. Pomiar HRV w dziedzinie czasu

Metoda statystyczna:

tradycyjne zapisy 24h,

nagrania pochodzące bezpośrednio z pomiarów interwałów NN,

nagrania pochodzące z różnic w interwałach NN.


Variable Units Description

SDNN ms Standard deviation of all NN intervals, square root of variance, reflects all cyclic componenets responsible for variability in the period of recording, when period of monitoring decreases SDNN estimates shorter cycle, not well-defined because of its dependence on the lenght of recording period

SDANN ms Standard deviation of the averages of NN intervals in all 5-minute segments of the entire recording, estimate changes in heart rate

RMSSD ms The square root of the mean of the sum of the squares of differences between adjacent NN intervals, the best statistical properties

SDNN index

ms Mean of the standard deviations of all NN intervals for all 5-minute segments of the entire recording, mesure variability

SDSD ms Standard deviation of differences between adjacent NN intervals

NN50 count

Number of pairs of adjacent NN intervals differing by more than 50 ms in the entire recording; three variants are possible counting all such NN intervals pairs or only pairs in which the first or the second interval is longer

pNN50 % NN50 count divided by the total number of all NN intervals


Relationship between the RMSSD and

pNN50 (a) and pNN50 and NN50 (b)

measures of HRV assessed from 857

nominal 24-hour Holter tapes recorded in

survivors of acute myocardial infarction

before hospital discharge. The NN50

measure used in b was normalized in

respect to the length of the recording (data

of St George's Post-infarction Research

Survey Programme).


Metoda geometryczna:

interwały zamienione na zmienne dyskretne, długości przedziałów ok. 8 ms,

nagrania co najmniej 20 min,

podstawowy pomiar zależności geometrycznych (np. szerokości przedziałów

histogramu) jest przetworzony w miarę HRV,

zależności geometryczne są interpolowane przez matematycznie zdefiniowane

kształty (np. poprzez trójkąt albo przez przybliżenie różniczkowego histogramu

krzywą eksponencjalną),

geometryczne kształty są sklasyfikowane jako różne klasy HRV (np. eliptyczne,

liniowe, trójkątne kształty wykresu Lorenza).


Variable Units Description

HRV triangular index

Total number of all NN intervals(integral of the density distribution) divided by the height of the histogram of all NN intervals(maximum of the density distribution) measured on a discrete scale with bins of 7.8125 ms (1/128 seconds), permits only casual preprocessing of the ECG signal

TINN ms The triangular interpolation of NN interval histogram - Baseline width of the minimum square difference(of the distribution measured as a base of a triangle aproximating the NN interval distribution) triangular interpolation of the highest peak of the histogram of all NN intervals

Differential index

ms Difference between the widths of the histogram of differences between adjacent NN intervals measured at selected heights (eg, at the levels of 1000 and 10 000 samples)

Logarithmic index

Coefficient φ of the negative exponential curve k · e-φt, which is the best approximation of the histogram of absolute differences between adjacent NN intervals


To perform geometric measures on the NN interval histogram, the sample density distribution D is constructed, which assigns the number of equally long NN intervals to each value of their lengths. The most frequent NN interval length X is established, that is, Y=D(X) is the maximum of the sample density distribution D. The HRV triangular index is the value obtained by dividing the area integral of D by the maximum Y. When the distribution D with a discrete scale is constructed on the horizontal axis, the value is obtained according to the formula HRV index=(total number of all NN intervals)/Y. For the computation of the TINN measure, the values N and M are established on the time axis and a multilinear function q constructed such that q(t)=0 for t≤N and t≥M and q(X)=Y, and such that the integral_0^+inf (D(t)-

q(t))2 dt is the minimum among all selections of all values N and M. The TINN measure is expressed in milliseconds and given by the formula TINN=M-N.


Główne zalety – niewrażliwość na

analityczne własności serii NN.

Główna wada – potrzebna duża liczba

danych.


Najlepsze zmienne dla dziedziny czasowej:

SDNN (szacuje całość zapisu HRV),

HRV triangular index (szacuje całość zapisu HRV),

SDANN (szacuje długo-trwające zapisy HRV),

RMSSD (szacuje krótko-trwające zapisy HRV),

Uwaga: technik długo- i krótko-trwających zapisów nie można stosować wymiennie

ani ich porównywać ze zmiennymi wyrażającymi całość nagrania HRV.

3. Pomiar HRV w dziedzinie częstości

Krótko-trwające nagrania (2-5min):

VLF (wątpliwy pomiar), LF, HF,

Spectral analysis (autoregressive model, order 12) of RR interval variability in a healthy subject at rest and during 90° head-up tilt. At rest, two major components of similar power are detectable at low and high frequencies. During tilt, the LF component becomes dominant, but as total variance is reduced, the absolute power of LF appears unchanged compared with rest. Normalization procedure leads to predominant LF and smaller HF components, which express the alteration of spectral components due to tilt. Pie charts show the relative distribution together with the absolute power of the two components represented by the area. During rest, the total variance of the spectrum

was 1201 ms2, and its VLF, LF, and HF components were

586 ms2, 310 ms2, and 302 ms2, respectively. Expressed in normalized units (nu), the LF and HF were 48.95 and 47.78 nu, respectively. The LF/HF ratio was 1.02. During

tilt, the total variance was 671 ms2, and its VLF, LF, and

HF components were 265 ms2, 308 ms2, and 95 ms2, respectively. The LF and HF were 75.96 and 23.48 nu, respectively. The LF/HF ratio was 3.34. Thus, note that for instance, the absolute power of the LF component was slightly decreased during tilt while the normalized units of LF were substantially increased.


Variable Units Description Frequency Range

5-min total power ms2 The variance of NN intervals over the temporal segment

≈ 0.4 Hz

VLF ms2 Power in VLF range < 0.04 Hz

LF ms2 Power in LF range 0.04 – 0.15 Hz

LF norm nu LF power in normalized units LF/(total power-VLF)x100

HF ms2 Power in HF range 0.15 – 0.4 Hz

HF norm ms2 HF power in normalized units LF/(total power-VLF)x100

LF/HF Ratio LF/HF


Długo-trwające nagrania (24h):

LF i HF nie są uważane za stabilne,

Example of an estimate of power

spectral density obtained from the

entire 24-hour interval of a long-term

Holter recording. Only the LF and HF

components correspond to peaks of

the spectrum, while the VLF and ULF

can be approximated by a line in this

plot with logarithmic scales on both

axes. The slope of such a line is the

measure of HRV.


Variable Units Description Frequency Range

Total power ms2 Variance of all NN intervals ≈ 0.4 Hz

ULF ms2 Power in the ULF range < 0.003 Hz

VLF ms2 Power in the VLF range 0.003 – 0.04 Hz

LF ms2 Power in the LF range 0.04 – 0.15 Hz

HF ms2 Power in the HF range 0.15 – 0.4 Hz

α Slope of the lienar interpolation of the spectrum in log-log scale

≈ 0.04 Hz


Przykład opracowania spektralnego -

Interval tachogram of 256 consecutive RR values in a normal subject at supine rest (a) and after head-up tilt (b). The HRV spectra are shown, calculated by parametric autoregressive modeling (c and d) and by a fast Fourier transform–based nonparametric algorithm (e and f). Mean values

(m), variances (s2), and the number (N) of samples are indicated. For c and d, VLF, LF, and HF central frequency, power in absolute value and power in normalized units (n.u.) are also indicated together with the order p of the chosen model and minimal values of the prediction error whiteness test (PEWT) and optimal order test (OOT) that satisfy the tests. In e and f, the peak frequency and the power of VLF, LF, and HF were calculated by integrating the power spectral density (PSD) in the defined frequency bands. The window type is also specified. In c through f, the LF component is indicated by dark shaded areas and the HF component by light shaded areas.

4. Krótkie porównanie

Timie Domain Variable Approximate Frequency Domain Correlate

SDNN Total power

HRV triangular index Total power

TINN Total power

SDANN ULF

SDNN index Mean of 5-minute total power

RMSSD HF

SDSD HF

NN50 count HF

pNN50 HF

Differential index HF

Logarithmic index HF


Example of four synthesized time series with identical means, standard deviations, and ranges. Series (c) and (d) also have identical autocorrelation functions and therefore identical power spectra. Reprinted with permission.

Na rysunku widzimy, że metody obu dziedzin mają ograniczenia związane z nieregularnością serii RR. Różne profile analizowane tymi technikami mogą dawać te same wyniki. Interwały RR są zdeterminowane własnościami rytmu serca i badaniem relacji tych interwałów.


Wnioski:

Przy nagraniach krótko-trwających powinny być wybierane metody z dziedziny częstości.

Metody dziedziny czasowej, szczególnie SDNN i RMSSD mogą być użyte do badań

nagrań krótko-trwających. Metody częstościowe zazwyczaj prowadzą do wyników łatwo

interpretowalnych na gruncie fizjologii (mniejsza stabilność rytmu serca sprawia że

trudniej zinterpretować metody częstościowe). Eksperymenty pokazują, że istotna część

długo-trwających zapisów może wnosić wkład w różnice zapisów z dnia i nocy. Dziedzina

czasowa sprawdzi się w nagraniach nocnych, przynajmniej 18h.

5. Effect of missing RR...

Motywacja:

metody dziedziny czasowej są użyteczne dla aplikacji klinicznych,

pomiary HRV w tej dziedzinie są użyteczne dla pomiarów dziennych aczkolwiek

pojawiają się artefakty, które trzeba usunąć,

znaleźć metodę na dobre poradzenie sobie z artefaktami.


Doświadczenie

metoda CC-EKG, wrażliwa na ruch, z

artefaktami,

symulacja brakujących interwałów przy

użyciu tradycyjnych Ag-AgCl elektrod.


metody i wyniki:

symulacje brakujących interwałów RR,

prawdziwe braki interwałów RR.


Metody – symulacje brakujących danych:

18 długo-trwających tachogramów,

24h nagrania u ludzi nie przejawiających arytmii: 5 mężczyzn (26-45lat) i 13 kobiet (20-50lat),

rytm próbki wynosi 128Hz,

2615 zbiorów interwałów RR (użyte tylko interwały NN) 5cio min dla krótko-trwającej analizy HRV,

w każdym zbiorze usuwano losowo interwał RR a jego trwanie było zwiększane od 0 do 100 s,

liczba zbiorów symulacji: 52300 = 2615*20 brakujących interwałów,

1000 przebiegów Monte Carlo,

ewoluowały: Mean RR (interval RR), SDNN, SDSD, RMSSD, pNN50.


Metody - prawdziwe braki interwałów RR:

Typowe przykłady z artefaktami ruchowymi. Ostatni: niezamalowane kropki – oryginalne RR, czarne kropki - brakujące interwały RR z CC-EKG.

Rysunek pokazuje typowe sygnały EKG i CC-EKG. Nagrania CC-EKG podczas snu trwały ok. 6h i były używane do obliczeń a umowny LEAD-II EKG był nagrywany równolegle by móc zrobić porównanie. Do analizy, brakujące i oryginalne interwały były podzielone na odcinki 5cio minutowe z 30s przesunięciami. Obliczono czas trwania brakujących interwałów w każdym z odcinku oraz REs w parametrach czasowych: MeanNN, SDNN, SDSD, RMSSD, pNN50. Były szacowane przez porównanie parametrów wyliczonych z oryginalnych i brakujących interwałów RR.


Wyniki - symulacje brakujących

interwałów RR:

Wykresy 3D prawdopodobieństwa REs

odpowiednio do trwania brakujących

interwałów. Przedział osi RE jest 0-

10% w a-e i 0-60% w f.



interwałów RR:

Wykresy 3D statystyczne REs w

MeanNN, SDNN, SDSD, RMSSD i

pNN50 należnie do czasu trwania

brakujących interwałów i oryginalnych

wartości MeanNN. Prawe i lewe

kolumny pokazują odpowiednio główne

wyniki SD i RE.



interwałów RR:

Całkowity, statystyczny wynik REs

bazujący na czasie trwania

brakujących interwałów. Maximum REs

w 95% wszystkich danych jest

uzyskiwany z 2615 000 wyników

symulacji Monte Carlo dla każdego

parametru.


Wyniki - prawdziwe braki interwałów

RR:

Dziedzina czasowa parametrów HRV

rzeczywistych braków interwałów RR(-)

i oryginalnych interwałów RR (- -)

uzyskanych z CC EKG oraz typowe

EKG (lewa kolumna) i REs pomiędzy

oryginalnymi a brakującymi

wartościami (praw kolumna).


Wyniki - prawdziwe braki interwałów

RR:

Korelacje brakujących i oryginalnych

danych.


Dyskusja końcowa:

czas trwania brakujących interwałów i pierwotne wartości w niewielkim stopniu

wpływają na MeanNN (może być efektem “finite population correction”), natomiast w

znacznym stopniu wpływają na pNN50,

SDNN jest rzetelne gdy czas trwania brakującego interwału jest mniejszym niż 35 s,

SDSD i RMSSD ograniczenie czasowe pozwalające na rzetelną analizę HRV wynosi

55s,

uwaga: wszystkie te wyniki zostały wywnioskowane z krótko-trwającej analizy HRV,

czas trwania brakujących interwałów może być łatwo wykryty za pomocą prostego

przetwarzania sygnałów i użycia drugiego czujnika dla artefaktów, wobec tego,

uznaje się, że dostępne parametry do analizy HRV powinny być dobierane z

uwzględnieniem czasów trwania brakujących danych.

Task Force of the European Society of Cardiology the North American Society of Pacing Electrophysiology “Heart Rate Variability Standards of Measurement, Physiological Interpretation, and Clinical Use”, Circulation. 1996;93:10

Ko Keun Kim, Yong Gyu Lim, Jung Soo Kim, Kwang Suk Park “Effect of missing RR-interval data on HRV analysis in the time domain”, Physiological Measurement 28 (2007) 1485-1494

Documents

O wpływie brakujących interwałów RR na ocenę zmienności ... · O wpływie brakujących interwałów RR na ocenę zmienności rytmu serca. Marta Tylec. Plan: 1. Wstęp. 2. Pomiar