1 / 44

Technick é aspekt y a metody počítačového zpracování signálu EKG

Technick é aspekt y a metody počítačového zpracování signálu EKG. Michal Huptych, Václav Chudáček. P řehled prezentace. OBECNÁ ČÁST Úvod do Biomedicínských signálů Vzorkování Vzorkování – Shanon. časová a frekvenční reprezentace signálu Filtrace Princip – Příklady Analýza EKG

eldon
Download Presentation

Technick é aspekt y a metody počítačového zpracování signálu EKG

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Technické aspekty a metody počítačového zpracování signálu EKG Michal Huptych, Václav Chudáček

  2. Přehled prezentace OBECNÁ ČÁST • Úvod 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 ČÁST • 12-ti svodové EKG • Holter • Holter v mobilu? • BSPM

  3. 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

  4. 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 převodníkůna mV) • Šířka pásma: 0 - 1 kHz (synchronní vzorkovánívšechkanálů)

  5. Vzorkování • Příklad vzorkování a kvantování signálu fvz = 1/Tvz

  6. Vzorkování - podmínky • Shannonův teorém – je potřeba dodržet podmínku pro vzorkovací frekvenci signálu: fvz ≥ 2 * fmax

  7. Časová a frekvenční reprezentace • Levý obrázek je součtem tří sinových signálů s rozdílnými frekvencemi • Na pravém obrázku je spektrum signálu

  8. Časová a frekvenční reprezentace • Signál a spektrum EKG

  9. Přehled prezentace OBECNÁ ČÁST • Úvod 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 ČÁST • 12-ti svodové EKG • Holter • Holter v mobilu? • BSPM

  10. 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

  11. Filtrace - konvoluce

  12. Filtrace příklady • Superponování signálu EKG na pomalé frekvence

  13. Filtrace příklady • Rušení superponováním síťového signálu 50 Hz na signál EKG

  14. Přehled prezentace OBECNÁ ČÁST • Úvod 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 ČÁST • 12-ti svodové EKG • Holter • Holter v mobilu? • BSPM

  15. 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

  16. Analýza EKG • Učebnicový příklad EKG • Rozdíl ruční a automatické analýzy • Jak pomoci automatu umístit pravítko • Jak rozpoznat nerozpoznatelné • Jak se nenechat zmást artefakty

  17. Výběr příznaků • Reálný signál se všemi možnými měřitelnými parametry

  18. Výběr příznaků • Další možné příznaky • Příznaky popisující tvar signálu • Frekvenční příznaky • Výkonové příznaky

  19. Přehled prezentace OBECNÁ ČÁST • Úvod 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 ČÁST • 12-ti svodové EKG • Holter • Holter v mobilu? • BSPM

  20. 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

  21. Diagnostika - učení s učitelem • Na základě příkladů natrénujeme klasifikátor • Příkladem jsou např.: • Neuronové sítě • Kth nearest neighbor • Bayesovský klasifikátor

  22. 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

  23. Diagnostika - učení klasifikátoru • Kohonenova mapa

  24. Diagnostika - učení klasifikátoru • k-NN klasifikátor • k-means

  25. Přehled prezentace OBECNÁ ČÁST • Úvod 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 ČÁST • 12-ti svodové EKG • Holter • Holter v mobilu? • BSPM

  26. 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

  27. Holter • Demonstrace variability signálu při holterovském měření • Je třeba velké robustnosti jak u analýzy signálu tak při diagnostice

  28. Holter příklad • Roztřídění (clustering)beatů z holterovského EKG záznamu • Na základě změřených parametrů vypočítán medián • Cíl: Koherentní skupina pro další diagnostiku

  29. 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

  30. Nové trendy v elektrokardiografii Healthcare Center ▣ Sensorické tílko ▣ Základna GPRS Bluetooth ▣ Mobilní telefon ▣ PBM

  31. Vlnková transformace - úvod • 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

  32. Příklad vizualizace EKG • Příklad vizualizace několika period EKG signálu • Vertikální osa reprezentuje frekvenční pásma, horizontální čas • Barva reprezentuje míru zastoupení daného frekvenčního pásma

  33. Příklad vizualizace EKG • Příklad vizualizace vlny P a QRS komplexu

  34. 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

  35. Mapy úvod • Vstupní signál a čtyři jeho detaily z vlnkové transformace

  36. Mapy úvod • Výsledek analýzy signálu EKG v 1. a 4. detailu signál EKG první detail čtvrtý detail

  37. 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

  38. Mapy - příklady uspořádání elektrod

  39. Mapy 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

  40. Okamžikové potenciálové mapy • základní typ map definovaný • příklad potenciálové mapy z oblasti QRS komplexu

  41. Integrálové mapy • typ map vytvářený podle vztahu • příklad integrálové mapy z oblasti QRS komplexu

  42. Isochronní mapy • typ map vytvářený podle vztahu • příklad isochronní mapy časů trvání intervalů QT

  43. Rozdílové mapy • typ map vytvářený podle vztahu • příklad rozdílové integrální mapy z oblasti QRS komplexu

  44. 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

More Related