Prezentace aplikace PowerPoint - cvut.cz › old › _media › courses › 17bieht › 2017... ·...

transcript

Biosignálsnímání, zpracování, hodnocení

MICHAL HUPTYCH

Katedra kybernetiky, FEL, ČVUT

Biomedical Data Processing G r o u p

Přehled přednášky

Přehled biologických signálů

Snímání biologických signálů

Základy zpracování

Předzpracování signálu

Signálové zpracování

Význam transformací

Popis signálu

Příznakové rozpoznávání

Klasifikace

Přístup k analýze

Přehled biosignálů

Jednorozměrné - bioelektrické signály

název Amplituda [mV] Frekvence [Hz]

EKG 0.5 - 4 0.5 - 125 (150)

fEKG 0.01 - 0.1 0.01 - 150

EEG 0.001 – 0.1 0.1 - 80

ECoG 0.01 - 1 0.1 - 100

EMG 0.1 – 1 0 - 10000

Elektro okulogram 0.01 - 3 0.05 - 100

Jednorozměrné - biomagnetické signály

název Amplituda [pT] Frekvence [Hz]

MKG 50 – 70 0.5 - 125 (150)

fMKG 1 0.01 - 100

MEG 1 – 2 0.5 - 30

eMEG 0.1 0.1 - 50

MMG 10 – 90 0 - 20000

Magneto okulogram 10 0 - 100

Dvourozměrné

Magnetická rezonance Rentgen (nebo CT)

Angiografie Intrakardialní sonografie

Řetězec snímání a zpracování signálů

Zdroj signálu

Obecně u biosignálů člověk (zvíře)

Elektrická aktivita srdeční u EKG

Snímání signálu

Měřící elektrody

Způsob snímání a systémy umístění elektrod

Příjem a zpracování signálu

Požadavky na přijímací zařízení

Procesy úpravy signálu do požadované formy

Snímání elektrických signálů

Galvanické oddělení (optoelektrický prvek)

Vysoký vstupní odpor (řádově 1 až 10 MΩ)

Vysoký napěťový zisk zesilovače (100010000)

Vysoký diskriminační činitel CMRR ≥ 100 dB

Filtrace – dolnopropustní, hornopropustní filtry

Snímání signálu

Snímání signálu je prováděno elektrodami Ag-AgCl

Nepolarizovatelný typ elektrod

Přechod kůže - elektroda přes vodivý gel

Jiné typy snímání

Ultrazvuk (akustické vlnění)

Rentgen (elektromagnetické vlnění)

vysílané vlnění

subjekt piezoelektrický krystal

odražené vlnění

subjekt

výstupní záření rentgenka

odražené záření scintilační det. fotonásobič

Příjem a zpracování signálu

Galvanické oddělení z důvodu bezpečnosti

Realizováno optickým členem

Zdroj záření – LED dioda (IR záření, viditelné světlo)

Detekce záření – foto - tranzistor, tyristor, triak

Zesílení signálu

Základními parametry zesilovače jsou

Vstupní odpor [Ω]

Napěťové zesílení [dB]:

Diskriminační činitel CMRR [dB]:

Ud – rozdílové napětí, Us – souhlasné napětí

Parametry EKG zesilovače (předzesilovače)

Vysoký vstupní odpor (řádově 1 až 10 MΩ)

Vysoký napěťový zisk zesilovače (60100dB)

Vysoký diskriminační činitel CMRR ≥ 100 dB

UA =20log

UCMRR=20log

Převod signálu do digitální formy

Vzorkovací frekvence : (125) – 250 – 500 – 1000(2000) Hz (128 – 256 – 512 – 1024 – 2048)

Rozlišení: 12 - 16 bit (1000 A/D převodníků na mV)

Vzorkování

Převod času do diskrétnípodoby

Opakem vzorkovacífrekvence je vzorkovacíperioda daná jako:

Je potřeba dodržet určité zásady při volbě vzorkovacího kmitočtu

Podmínka pro vzorkování signálu

Shannonův teorém – podmínka pro vzorkovací frekvenci signálu:

Při nedodržení této podmínky dochází k nevratnému zkreslení signálu

maxvz f2 f

Kvantování

Převod reálných čísel do kvantovaných hladin

Úpravy signálu na

dané množství úrovní:

zaokrouhlovat

oseknout shora

oseknout zdola

Převodník převádějící

na n-bitová čísla signál o vstupním rozsahu U

q = 2–nU, chyba ε = < −q/2; q/2), SNR = 20log2n

Signálové zpracování

Časově frekvenční reprezentace – spektrální analýza

Fourierova transformace

Short time Fourier Transform

Filtrace

Základní parametry filtrace

Druhy filtrů

Adaptivní filtrace

Vlnková transformace

Další metody signálového zpracování

Časová a frekvenční reprezentace

Základním matematickým aparátem pro převod z časovéoblasti do frekvenční je Fourierova transformace

Obecně se jedná o komplexní transformaci

Proto se někdy využívá pouze reálné transformace

Mluvíme pak o tzv. kosinové transformaci

)sin()cos()()()( tjttsdtetsS tj

Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi

Na pravém obrázku je spektrum signálu

Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi

Na pravém obrázku je spektrum signálu

Filtrace

Filtrace = rozdělení signálu na základě jeho frekvenčních složek na propustné a nepropustnépásmo

Systém implementující funkci filtrace se nazývá filtr

Filtrace je jednou z nejpoužívanějších operací vsignálovém zpracování

Za jistých podmínek je filtrace procesem, kterápropouští dané frekvenční pásmo s minimálnímideformacemi

y(t)= x(τ)h(t-τ)dτ, y(k)= x(i)h(k-i)

Typy filtrů podle funkce

dolní propust (DP) horní propust (HP)

pásmová propust (PP) pásmová zádrž (PZ)

Příklady filtrace

Superponování EKG signálu na pomalé frekvence

Frekvence dýchání – do 0.66 Hz

Příklady filtrace

Rušení superponováním síťového signálu 50 Hz na signál EKG

Původní signál a spektrum EKG

Filtrovaný signál a spektrum EKG

Amplitudový práh

Detektor špiček :

Detekce R kmitů

x(i-1)<x(i)>x(i+1)

Odvozený signál - tachogram

Signál EEG

V každém z pásem se nachází jiná informace

Potřeba oddělit pásma

Potřeba sledovat vývoj signálu v jednotlivých pásmech

EEG pásma

Název Počátek konec

Delta 0 Hz 4 Hz

Theta 4 Hz 8 Hz

Alfa 8 Hz 14 Hz

Beta 14 Hz 30 Hz

Pásma EEG a jejich spektra

Spektrogram EEG záznamu

Fourierova vlnková trasformace

U Fourierovy transformace se pojem o čase ztratí

Víme, že se v nějakém časovém intervalu objevily nějaké frekvence, ale přesný okamžik jejich výskytu nemáme

U vlnkové transformace má signál časově-frekvenčníreprezentaci

Dokážeme určit, v kterém okamžiku se nějaká frekvencev signálu objevuje

Možnost sledovat frekvenční změny v závislosti na časové poloze

Rozlišujeme spojitou a diskrétní vlnkovou transformaci

Příklad vizualizace před a po odstranění pomalé frekvence

Příklad CWT vizualizace EKG

Popis signálu

Pro strojové zpracování potřebujeme signál nějakreprezentovat

Vhodné je hledat soubor parametrů, který dostatečné signálpopisuje

Takové to parametry nazýváme atributy – příznaky

Ideální soubor příznaků dokáže oddělit dva signály dlezadaných kritérií (diagnostika)

Popis signálu

Ne vždy lze nalézt soubor příznaků na základě prostéhopopisu signálu

Je vhodné hledat i příznaky, které nejsou okem patrné

Využívá se transformačních metod

Spektrální transformace

Analýza hlavních komponent

Analýza nezávislých komponent

Reprezentací můžou být např. základní statisticképarametry, gradienty, aproximační koeficienty, atd.

Popis signálu

Proces zpracování

• Předzpracování – odstranění

• Detekce artefaktů

• Segmentace signálu

• Transformace

• Extrakce příznaků

• Klasifikace

• Shlukování

předzpracování dat

popis dat – výpočet příznaků

klasifikace

…klasifikace

visualizace

optimalizace

parametrů

kombinace různých řešení

biologické signály

Přímá klasifikace

Ukázka diagnostiky spirometrie – rozhodovací pravidla

FVC – usilovná vitální kapacita

FEV1 – expirační sekundová kapacita

FEF25-75 – průměrná rychlost toku ve střední polovině FVC

Objekt typu A a objekt typu B jsou popsány množinoupříznaků P = p1, p2

Počet objektů typu A i B je 10

Tzn. množina P má 2 položky a máme 20 měření

Úloha odlišit objekt A od objektu B

Zajímá nás vzájemné uspořádání objektů A a B tj. závislostpříznaků z množiny objektů typu A a z množiny objektůtypu B.

Graficky se tato závislost dá znázornit takto:

Objety typu A

Objety typu B

Klasifikace

Úkolem je nalézt mechanismus jak oddělit obě množiny odsebe - v našem případě lze oddělení provést proložením(rozdělením) prostoru přímkou.

y = w x

Jaký způsobem tuto přímku definovat?

Rovnice přímky je y = k*x

Pro více vstupů

Parametry w1 a w2 se nazývají váhy a udávají sklonvýsledné přímky

Klasifikace

V praxi se takto ideální případ nevyskytuje

Běžný popis obsahuje desítky až stovky příznaků

Je třeba příznaky selektovat

Důležitý je výběr typu klasifikátoru

Celý proces je iterační

Nejdůležitější podmínkou výstupu je nalezení co nejobecnějších pravidel

(klasifikačních parametrů)

Homogenní datová základna (vytěžování signálu)

Chceme získat maximum informace z analýzy signálu

Do procesu klasifikace (diagnózy) nevstupují žádné jinéúdaje

Příklady

Rozměření EKG signálu

Odhad spontální terminace fibrilace síní

Automatická tvorba hypnogramu

Zjištění frakcionace signálů A-EGM

Stanovení hypoxie na základě KTG

Klasifikace arytmie

Zpracování intrakardiálního signalu (A-EGM)

Heterogenní datová základna

Součástí analýzy jsou různé údaje o subjektu

Tzn. Kromě měřených signálů také údaje o anamnézách,medikaci, laboratorních testech, atd.

Je nutné mít velmi dobře navrženou databázi pro následnouanalýzu dat

Vytváření modelu pro takovouto analýzu není triviální

Velmi silné svázání s lékařskou klasifikační nomenklaturou

Využití abstraktních reprezentací -> ontologie

Aplikace pro integraci dat

Děkuji za pozornost

Prezentace aplikace PowerPoint - cvut.cz › old › _media › courses › 17bieht › 2017... ·...

Documents