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
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
Přehled biosignálů
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
Biomedical Data Processing G r o u p
Přehled biosignálů
Dvourozměrné
Magnetická rezonance Rentgen (nebo CT)
Angiografie Intrakardialní sonografie
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
Snímání signálu
Snímání signálu je prováděno elektrodami Ag-AgCl
Nepolarizovatelný typ elektrod
Přechod kůže - elektroda přes vodivý gel
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
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
2
u
1
UA =20log
Ud
s
UCMRR=20log
U
Biomedical Data Processing G r o u p
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)
Biomedical Data Processing G r o u p
Vzorkování
Převod času do diskrétnípodoby
Opakem vzorkovacífrekvence je vzorkovacíperioda daná jako:
Je potřeba dodržet určité zásady při volbě vzorkovacího kmitočtu
vz
vzf
1T
Biomedical Data Processing G r o u p
Podmínka pro vzorkování signálu
Shannonův teorém – podmínka pro vzorkovací frekvenci signálu:
Při nedodržení této podmínky dochází k nevratnému zkreslení signálu
maxvz f2 f
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
Časová a frekvenční reprezentace
Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi
Na pravém obrázku je spektrum signálu
Biomedical Data Processing G r o u p
Časová a frekvenční reprezentace
Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi
Na pravém obrázku je spektrum signálu
Biomedical Data Processing G r o u p
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
+ +
i=--
y(t)= x(τ)h(t-τ)dτ, y(k)= x(i)h(k-i)
Biomedical Data Processing G r o u p
Typy filtrů podle funkce
dolní propust (DP) horní propust (HP)
pásmová propust (PP) pásmová zádrž (PZ)
Biomedical Data Processing G r o u p
Příklady filtrace
Superponování EKG signálu na pomalé frekvence
Frekvence dýchání – do 0.66 Hz
Biomedical Data Processing G r o u p
Příklady filtrace
Rušení superponováním síťového signálu 50 Hz na signál EKG
Biomedical Data Processing G r o u p
Původní signál a spektrum EKG
Biomedical Data Processing G r o u p
Filtrovaný signál a spektrum EKG
Biomedical Data Processing G r o u p
Amplitudový práh
Detektor špiček :
Detekce R kmitů
x(i-1)<x(i)>x(i+1)
Biomedical Data Processing G r o u p
Odvozený signál - tachogram
Biomedical Data Processing G r o u p
Signál EEG
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
Pásma EEG a jejich spektra
Biomedical Data Processing G r o u p
Spektrogram EEG záznamu
Biomedical Data Processing G r o u p
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
Biomedical Data Processing G r o u p
Příklad vizualizace před a po odstranění pomalé frekvence
Příklad CWT vizualizace EKG
Biomedical Data Processing G r o u p
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)
Biomedical Data Processing G r o u p
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.
Biomedical Data Processing G r o u p
Popis signálu
EKG
EEG
Biomedical Data Processing G r o u p
Popis signálu
KTG
Biomedical Data Processing G r o u p
Proces zpracování
• Předzpracování – odstranění
šumu
• Detekce artefaktů
• Segmentace signálu
• Transformace
• Extrakce příznaků
• Klasifikace
• Shlukování
předzpracování dat
popis dat – výpočet příznaků
klasifikace
klasifikace
…klasifikace
visualizace
optimalizace
parametrů
kombinace různých řešení
biologické signály
Biomedical Data Processing G r o u p
Přímá klasifikace
Ukázka diagnostiky spirometrie – rozhodovací pravidla
FVC – usilovná vitální kapacita
FEV1 – expirační sekundová kapacita
FEF25-75 – průměrná rychlost toku ve střední polovině FVC
Biomedical Data Processing G r o u p
Příznakové rozpoznávání
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.
Biomedical Data Processing G r o u p
Příznakové rozpoznávání
Graficky se tato závislost dá znázornit takto:
p2
p1
Objety typu A
Objety typu B
Biomedical Data Processing G r o u p
Klasifikace
Úkolem je nalézt mechanismus jak oddělit obě množiny odsebe - v našem případě lze oddělení provést proložením(rozdělením) prostoru přímkou.
p2
p1
Biomedical Data Processing G r o u p
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
y
w2
x1
x2
w1
Biomedical Data Processing G r o u p
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)
Biomedical Data Processing G r o u p
Přístup k analýze
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
Biomedical Data Processing G r o u p
Klasifikace arytmie
Biomedical Data Processing G r o u p
Zpracování intrakardiálního signalu (A-EGM)
Biomedical Data Processing G r o u p
Přístup k analýze
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
Biomedical Data Processing G r o u p
Aplikace pro integraci dat
Biomedical Data Processing G r o u p
Aplikace pro integraci dat
Biomedical Data Processing G r o u p
Aplikace pro integraci dat
Biomedical Data Processing G r o u p
Děkuji za pozornost