Technick é aspekt y a metody počítačového zpracování signálu EKG

Nature Inspired Technology G r o u p

Technické aspekty a metody

počítačového zpracování signálu

EKGMichal Huptych, Václav Chudáček


Přehled prezentace

OBECNÁ ČÁSTÚvod do Biomedicínských signálů

Vzorkování Vzorkování – Shanon. časová a frekvenční reprezentace signálu

Filtrace Princip – Příklady

Analýza EKG Rozměřování signálu Výběr příznaků

Diagnostika Co umožňuje automatická diagnostika Příklady

PRAKTICKÁ ČÁST12-ti svodové EKG

Holter

Holter v mobilu?

BSPM


Snímání EKG signálu

Jako první člen v řetězci zpracování je optoelektrický prvek Vstupní odpor přístroje jsou řádově jednotky až desítky MΩ Napěťový zisk zesilovače typicky 1000 Vstupní citlivost většinou 2,5 – 5 – 10 – 20 mV/mm Diskriminační činitel CMRR ≥ 100 dB


Převod EKG do digitální formy

Následuje filtrace - dolnopropustní filtry - řády setin až jednotek Hz

- hornopropustní filtry - řády desítek až tisíců Hz

Některé možné vzorkovací frekvence EKG přístrojů: (125) - 250 –

500 – (1000)Hz, tj. (8) – 4 – 2 – (1) ms vzorkovací perioda

Rozlišení: 12 - 16 bit s 0.5 μV/LSB (1000 A/D převodníků na mV)

Šířka pásma: 0 - 1 kHz (synchronní vzorkování všech kanálů)


Vzorkování

Příklad vzorkování a kvantování signálu

fvz = 1/Tvz


Vzorkování - podmínky

Shannonův teorém – je potřeba dodržet podmínku pro vzorkovací

frekvenci signálu: fvz ≥ 2 * fmax


Časová a frekvenční reprezentace

Levý obrázek je součtem tří sinových signálů s rozdílnými frekvencemi

Na pravém obrázku je spektrum signálu


Časová a frekvenční reprezentace

Signál a spektrum EKG


Přehled prezentace







Holter

Holter v mobilu?

BSPM


Filtrace

Filtrace = rozdělení signálu na základě jeho frekvenčních složek

na propustné a nepropustné pásmo

Systém implementující funkci filtrace se nazývá filtr

Filtrace je jednou z nejpoužívanějších operací v signálovém

zpracování

Za jistých podmínek je filtrace procesem, která propouští dané

frekvenční pásmo bez jakékoli jeho deformace

Omezovací funkce filtru lze využít kromě redukce signálu i pro

jeho dekompozici – tj. filtru lze využít i jako funkčního prvku při

automatickém získávání znalostí z EKG signálu


3*3 + 4*2 + 5*1 = 22

5*3 = 15

1 2 3 4 5 1 2 3

3 2 1 1*1 = 1

1*2 + 2*1 = 4

1*3 + 2*2 + 3*1 = 10

2*3 + 3*2 + 4*1 = 16

3*3 + 4*2 + 5*1 = 22

1 4 10 16 22 22 15

1 2 3 4 5

3 2 1

3 2 1

3 2 1

3 2 1

3 2 1

3 2 1

Filtrace - konvoluce


Filtrace příklady

Superponování signálu EKG na pomalé frekvence


Filtrace příklady

Rušení superponováním síťového signálu 50 Hz na signál EKG


Přehled prezentace







Holter

Holter v mobilu?

BSPM


Analýza EKG

Předzpracování signálu

Detekce QRS komplexu Filtrace šumu a driftu

Hrubé rozměření

Analýza rytmu

Výběr cyklu

Podrobné rozměření

Interpratace signálu

Zobrazení a záznam výsledků


Analýza EKG

Učebnicový příklad EKG

Rozdíl ruční a automatické analýzy Jak pomoci automatu umístit pravítko Jak rozpoznat nerozpoznatelné Jak se nenechat zmást artefakty


Výběr příznaků

Reálný signál se všemi možnými měřitelnými parametry


Výběr příznaků

Další možné příznaky

Příznaky popisující tvar signálu

Frekvenční příznaky

Výkonové příznaky


Přehled prezentace







Holter

Holter v mobilu?

BSPM


Diagnostika

Výhody automatické diagnostiky

Lepší diagnostika než laická Rychlejší Ulehčení práce

Různé typy diagnostiky Expertní systémy – nejpodobnější

rozhodování s expertem(lékařem) Učení klasifikátoru s učitelem Učení klasifikátoru bez učitele


Diagnostika - učení s učitelem

Na základě příkladů natrénujeme klasifikátor

Příkladem jsou např.:

» Neuronové sítě» Kth nearest neighbor» Bayesovský klasifikátor


Diagnostika - učení bez učitele

Klasifikátor se učí bez zásahů zvenčí jen na základě struktury dat

Příkladem jsou např.:

» Neuronové sítě » Self organizing maps (Kohonen nets)» K-means» Clustering


Diagnostika - učení klasifikátoru

Kohonenova mapa


Diagnostika - učení klasifikátoru

k-NN klasifikátor

k-means


Přehled prezentace







Holter

Holter v mobilu?

BSPM


Holter

Dlouhé záznamy, 24-hodinové, zjednodušený svodový systém

Rozdíly proti standardnímu 12-ti svodovému EKG:

Nevýhody» Méně kanálů» Více šumu» Obtížná detekce P-vlny» Pohybové artefakty» Velká dynamika RR-intervalů

Výhody» Větší časový záběr» Lepší detekce arytmií» Pokrytí běžných lidských činností


Holter

Demonstrace variability signálu při holterovském měření

Je třeba velké robustnosti jak u analýzy signálu tak při diagnostice


Holter příklad

Roztřídění (clustering) beatů z holterovského EKG záznamu

Na základě změřených parametrů vypočítán medián

Cíl: Koherentní skupina pro další diagnostiku


Nové trendy v elektrokardiografii

Větší důraz na prevenci

Větší možnosti pacienta podílet se na kontrole svého zdravotního stavu

Nové způsoby měření EKG – senzory přímo v oblečení

Nové zpracování na mobilních telefonech

Telemedicínské aplikace


Nové trendy v elektrokardiografii

Sensorické tílko

PBM Mobilní telefon

Základna

Healthcare Center

GPRS

Bluetooth


U Fourierovy transformace se pojem o čase ztratí

U vlnkové transformace má signál časově-frekvenční

reprezentaci

Možnost sledovat frekvenční změny v závislosti na časové

poloze

Rozlišujeme spojitou a diskrétní vlnkovou transformaci

Spojitá – frekvence je vyjádřena exaktně, nabízí větší

přesnost (věrnost), nemá ale kompaktní podporu

Diskrétní – má kompaktní podporu, diskrétní úrovně měřítka i

polohy splňuje ortogonalitu (odebírá redundatní reprezentace),

amplituda koeficientů je spojena s prudkými změnami v signálu

Vlnková transformace - úvod


Příklad vizualizace několika period EKG signálu

Vertikální osa reprezentuje frekvenční pásma, horizontální čas

Barva reprezentuje míru zastoupení daného frekvenčního pásma

Příklad vizualizace EKG


Příklad vizualizace vlny P a QRS komplexu

Příklad vizualizace EKG


Realizace diskrétní vlnkové transformace

Diskrétní vlnková transformace je postupná filtrace signálu

Protože v nízkých frekvencích signálu jsou obsaženy jeho hrubé rysy,

nazývají se tyto složky aproximace

Naproti tomu ve vysokých frekvencích signálu jsou obsaženy jemné rysy,

proto se tyto složky nazývají detaily

Zapojením vícero dvojic filtrů za sebe, tak získáváme postupný rozklad

signálu k jeho nejjemnějším detailům


Vstupní signál a čtyři jeho detaily z vlnkové transformace

Mapy úvod


signál EKG

první detail

čtvrtý detail

Výsledek analýzy signálu EKG v 1. a 4. detailu

Mapy úvod


Mapy úvod

Předpoklad: měření vícesvodového EKG z povrchu hrudníku

Cíl: zobrazit vhodně zakódovaným způsobem informaci o stavu a

průběhu těchto poteciálů v čase

Prostředky: Systémy pro více svodové mapování využívají pro

snímání povrchových potencálů vícero různých rozložení elektrod

Základními problémy ze strany artefaktů jsou změny a posuvy

izolinií jejichž špatná korekce způsobuje nekompaktnost v

zobrazení mapy


Mapy - příklady uspořádání elektrod


80 elektrod rovnoměrně rozložených

na hrudníku a zádech pacienta (systém Cardiag)

pro předzpracování signálů bylo využito několikero metod,

včetně metody vlnkové transformace

Na generovaných mapách se dají, stejně jako na signálu,

hledat příznaky

Mapy uspořádání elektrod


základní typ map definovaný

příklad potenciálové mapy z oblasti QRS komplexu

i iP = U (t), t = konst., i = 1,2,...,n

Okamžikové potenciálové mapy


typ map vytvářený podle vztahu

příklad integrálové mapy z oblasti QRS komplexu

2

1

t

i i

t

P = U (t)dt

Integrálové mapy



příklad isochronní mapy časů trvání intervalů QT

i iT =f U (t)

Isochronní mapy



příklad rozdílové integrální mapy z oblasti QRS komplexu

i i1 i2 i1 i2D = U - U , resp P - P

Rozdílové mapy


Mapování 3D – inverzní úloha

Vyhledávání a zobrazení potenciálů srdce na samotném epikardu

Měření prováděno buď přímo v srdci

Nebo hledání rozložení potenciálů na srdci z povrchového rozložení

Vede na řešení inverzní úlohy

Hledání ložisek v objemu srdce

Date post:	23-Jan-2016
Category:	Documents
Upload:	eldon
View:	44 times
Download:	0 times

Technick é aspekt y a metody počítačového zpracování signálu EKG

Documents