Institut für Biomedizinische Technik

Parameterization of an Electrophysiological Simulation for a Biventricular Shape Model based on a Predefined QRST Morphology

  • Download als PDF

    Motivation
    Das Elektrokardiogramm (EKG) ist eine nicht-invasive und kosteneffektive Messmethode für die Untersuchung und das Monitoring von Patienten mit Herzbeschwerden, wie z.B. Vorhofflattern oder Ischämie. Die steigende Anzahl an an Herzkrankheiten leidenden Patienten weltweit sowie zukünftige Telemedizinsysteme werden den Bedarf an automatisierten und validierten EKG-Analysetools weiter erhöhen.
    Um Machine Learning (ML) Techniken für die Detektion und Klassifikation von Herzkrankheiten basierend auf dem EKG einzusetzen, müssen diese mit Referenzdaten, die eine nachvollziehbare Grundwahrheit besitzen, validiert werden. Daher ist es Ziel dieses Projekts, 10000 physio- und pathologische EKG Zeitsignale mit einem elektrophysiologischen Modell zu simulieren, die mit der zu Grunde liegenden Herzkrankheit gelabelt sind. Damit die in-silico generierten Signale nicht mehr von klinisch aufgenommenen EKGs zu unterscheiden sind, müssen u.a. die Zeitintervalle und Amplituden der einzelnen EKG-Abschnitte die gleiche statistische Verteilung aufweisen wie reale Daten.

    Aufgabenstellung
    Zunächst soll ein existierendes Shape Model für den linken und den rechten Ventrikel so aufbereitet werden, dass die Simulation der Transmembranspannungen und eine Vorwärtsrechnung für die Extraktion eines 12-Kanal Oberflächen EKGs durchgeführt werden kann. Anschließend werden die Modellparameter sowie deren Variabilität als Input für eine Sensitivitätsanalyse definiert. Auf Basis der Ergebnisse dieser Sensitivitätsanalyse soll eine Methode entwickelt werden, die - ausgehend von einer vorgegebenen EKG Morphologie - die Modellparameter der Simulation in physiologisch relevanten Bereichen schätzt, sodass für eine gegebene Variation des Mean Shapes das gewünschte EKG simuliert werden kann.

    Hinweise

    • Programmierkenntnisse in MATLB und Python sind vorteilhaft
    • Grundkenntnisse der Herzphysiologie sind von Vorteil