Předzpracování a analýza biosignálu

1. Předzpracování a analýza biosignálu Michal HuptychVáclav Chudáček

2. Obsah přednášky • Předzpracování signálu • Snímání signálu • Vznik signálu • Způsoby snímání • Příjem a zpracování • Analogově-číslicový převod • Filtrace signálu • Furierova transformace • Waveletová transformace • Analýza signálu • Extrakce a selekce příznaků • Automatická diagnostika • Intuitivní metody • Obecné • Algoritmy pro učení s učitelem • Algoritmy pro učení bez učitele

3. 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

4. Vznik a šíření srdeční aktivity • Šíření srdeční aktivity • SA uzel • Svalovina síní • Kontrakce síní • AV uzel • Hisův svazek • Tawarova raménka • Purkyňova vlákna • Kontrakce komor Jaakko Malmivuo, http://butler.cc.tut.fi/~malmivuo/bem/bembook/

5. Porovnání biosignálů • Součet velkého množství elektrických dipolů • Vzniká výsledný vektor udávající stav elektrického pole srdce

6. Snímání signálu • Snímání signálu je prováděno elektrodami Ag-AgCl • Nepolarizovatelný typ elektrod • Přechod kůže - elektroda přes vodivý gel

7. Systémy snímání EKG • 12 svodový systém • Je základním svodovým systémem pro snímání srdečního potenciálu • Provádí se nejčastěji v leže po dobu desítek minut • Dlouhodobý záznam • Je nejčastěji prováděn v průběhu 24 hodin • Umožňuje sledovat vývoj srdeční aktivity v průběhu běžných činností • Více svodové systémy • Umožňuje snímat elektrické pole srdeční z oblasti hrudníku a zad • Podává komplexní pohled na vývoj srdeční aktivity

8. 12 svodové snímání EKG • 12-ti svodový systém je složen ze tří skupin svodů • Bipolárních končetinových podle Einthovena – 3 svody • Unipolárních končetinový svodů podle Goldbergera – 3 svody • Unipolárních hrudních svodů podle Wilsona – 6 svodů Jaakko Malmivuo, http://butler.cc.tut.fi/~malmivuo/bem/bembook/

9. Einthovenův trojúhelník • Výsledný elektrický vektor lze vynést v Einthovenově trojúhelníku Jaakko Malmivuo, http://butler.cc.tut.fi/~malmivuo/bem/bembook/

10. Dlouhodobé snímání EKG • Dlouhé záznamy 24-48 hodin • Zjednodušený svodový systém • Rozdíly proti standardnímu 12-ti svodovému EKG: • Nevýhody • Méně kanálů • Více šumu • Pohybové artefakty • Velká dynamika RR-intervalů • Výhody • Větší časový záběr • Lepší detekce arytmií • Pokrytí běžných lidských činností

11. Více svodové snímání EKG • Používá se 24 – 512 elektrod umístěných na povrchu hrudníku • Systémy se dělí na úplné a neúplné • Neúplné systémy se dopočítávají • Úplné systémy měří potenciál ve všech bodech • Úplný systém 16x5 s výslednou potenciálovou mapou

12. Obsah přednášky • Předzpracování signálu • Snímání signálu • Vznik signálu • Způsoby snímání • Příjem a zpracování • Analogově-číslicový převod • Filtrace signálu • Furierova transformace • Waveletová transformace • Analýza signálu • Extrakce a selekce příznaků • Automatická diagnostika • Intuitivní metody • Obecné • Algoritmy pro učení s učitelem • Algoritmy pro učení bez učitele

13. 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

14. 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 (60100dB) • Vysoký diskriminační činitel CMRR ≥ 100 dB

15. Filtrace • Filtrace = rozdělení signálu na základě jeho frekvenčních složek na propustné a nepropustné pásmo • Podle typu zpracování: • analogové filtry (odpor, kondenzátor, cívka) • číslicové filtry (signálové procesory, PC)

16. Převodsignálu do digitální formy • Analogový signál – spojitý v čase a se spojitými hodnotami • Digitální signál – diskrétní v čase a s diskrétními hodnotami • Oba procesy – vzorkovaní a kvantování – prování A/D převodník

17. Vzorkování • Převod času do diskrétní podoby • Opakem vzorkovací periody je vzorkovací frekvence daná jako: • Je potřeba dodržet určité zásady při volběvzorkovacího kmitočtu

18. Podmínka pro vzorkování signálu • Shannon-Kotělnikův teorém: podmínka pro vzorkovací frekvenci • Při nedodržení této podmínky dochází k nevratnému zkreslení signálu

19. 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

20. Obsah přednášky • Předzpracování signálu • Snímání signálu • Vznik signálu • Způsoby snímání • Příjem a zpracování • Analogově-číslicový převod • Filtrace signálu • Furierova transformace • Waveletová transformace • Analýza signálu • Extrakce a selekce příznaků • Automatická diagnostika • Intuitivní metody • Obecné • Algoritmy pro učení s učitelem • Algoritmy pro učení bez učitele

21. Spektrální reprezentace signálu • Fourierova transformace pro signály spojité v čase • Fourierova transformace pro signály diskrétní v čase

22. Spektrální reprezentace signálu • Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi • Na pravém obrázku je spektrum signálu

23. Spektrální reprezentace signálu • Levý obrázek je záznam EKG na pravém jeho spektrum • Obsahuje dvě rušivé frekvence • Síťový brum 50 Hz • Pomalé frekvence dýchání (do 0.66 Hz)

24. Typy filtrů podle funkce dolní propust (DP) horní propust (HP) pásmová propust (PP) pásmová zádrž (PZ)

25. Typy filtrů podle impulsové odezvy • IIR filtry (infinite impulse response): • FIR filtry (finite impulse response):

26. Filtry typu FIR vs. filtry typu IIR • IIR • aproximace h   • může být nestabilní • nízké řády (4 – 8) • mezní kmity – oscilace • nelineární fáze • FIR • aproximace h[n] konečná • vždy stabilní • vysoké řády (50 – 100) • neosciluje • lineární fáze • počet koeficientů impulzové odezvy filtru řídí jeho strmost

27. Příklad filtrace EKG I • Superponování EKG signálu na pomalé frekvence • V EKG častý artefakt - frekvence dýchání (do 0.66 Hz)

28. Příklady filtrace EKG II • Rušení superponováním síťového signálu 50 Hz na signál EKG

29. Adaptivní filtrace • FIR filtr jehož koeficienty jsou průběžně přenastavovány nějakým algoritmem • Monitoruje vstupní a výstupní signál z filtru, z chybového signálu se snaží nastavit koeficienty filtru tak, aby chyba byla co nejmenší

30. Adaptivní filtrace - použití • Filtrace parazitního kmitočtu • S v čase měnícími se parametry • S časově stabilními, ale neznámými parametry • V tomto případě pak nelze navrhnout potřebný pevný filtr. • Dvě základní aplikace: • Odstranění neznámého harmonického časově málo proměnného signálu z užitečného žádaného signálu • Odstranění širokopásmového náhodného šumu (blízký bílému) z užitečného signálu s pomalými změnami v porovnání se šumem • EKG • Odstranění pohybových artefaktů • Pokročilejší metody pro odstranění síťového brumu

31. Algoritmy adaptivní filtrace • Koeficienty filtru mohou být řízeny některým z těchto algoritmů: • LMS (Least Mean Square) algoritmus • TV-LMS (Time-Varying LMS) algoritmus • LMS algoritmus s časově proměnným konvergenční koeficient • RLS (Recursive Least Squares) algoritmus • Oproti LMS rychlejší konvergence • Větší složitost

32. 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-frekvenční reprezentaci • Dokážeme určit, v kterém okamžiku se nějaká frekvencev signálu objevuje • Možnost sledovat frekvenční změny v závislosti na časové poloze • Rozkladovou bázi tvoří vybraná vlnková funkce (wavelet) • Rozlišujeme spojitou a diskrétní vlnkovou transformaci

33. Filtrace a vlnková transformace • 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 • Diskrétní vlnková transformace je postupná filtrace signálu • Z dolních propustí (H0) získáváme aproximace • Z horních propustí (H1) získáváme detaily

34. Příklad dekompozice • Původní signál a čtyři jeho detaily

35. Obsah přednášky • Předzpracování signálu • Snímání signálu • Vznik signálu • Způsoby snímání • Příjem a zpracování • Analogově-číslicový převod • Filtrace signálu • Furierova transformace • Waveletová transformace • Analýza signálu • Extrakce a selekce příznaků • Automatická diagnostika • Intuitivní metody • Obecné • Algoritmy pro učení s učitelem • Algoritmy pro učení bez učitele

36. Vstupní technické parametry signálu • Vzorkovací frekvence • 125Hz – 2kHz – 4kHz pro EKG • Různá úroveň možných, detekovatelných, detailů • Zesílení • Obvykle 1000 • Typ přístroje použitého k měření • Stolní dvanáctisvodové EKG • Holterovské • Multisvodové • Typ měřeného signálu • Krátký několika vteřinový záznam • Dlouhodobý záznam • Záznam při zátěži

37. Segmentace signálu • Segmentace bez vztahu k signálu • Typický příklad EEG • Strukturální analýza • Rozdělení signálu na stejně velké části – kategorizace jednotlivých segmentů • Rozdělení signálu na části podle pravidel navázaných na signál • Segmentace vztažená k charakteristice signálu • Rozměření EKG • Jasně definované vlny • Metody zpracování biologických signálů • Filtrace • Gradientní metody • Frekvenční transformace • Waveletová transformace

38. Segmentace signálu na příkladu EKG • Detekce QRS komplexu – vlna R, nejrychlejší náběžná hrana • Analýza rytmu • Detekce jednodušších vln • Q, S • Detekce složitějších vln • T, P, U • Výběr cyklu či zprůměrování • Podrobné rozměření • Detekce alternace • Sklon ST segmentu • …

39. Extrakce příznaků • Účel extrakce příznaků • Zjednodušení problému • Vzorky vs. Body pro aproximaci • Volba zájmové domény • Časová oblast • Frekvenční • Jiná • Mají být příznaky srozumitelné uživateli? • K jakým účelů se budou využívat • Diagnóza • Shlukování • Trénovací množina klasifikátoru

40. Extrakce příznaků (2) • EKG signál s možnými parametry z časové oblasti

41. Extrakce příznaků (3) • Detekce R-vlny • Filtrace signálu • Adaptivní nastavení prahu detektoru • Detekce vrcholu/nejstrmějšího bodu v QRS komplexu

42. Výběr příznaků • Příliš příznaků pro danou množinu dat • Výpočetně náročné • Zbytečné zvyšování chyb při používání vzájemně závislých signálů • PCA – Principal component analysis • Popisu dat vlastními čísly, vektory • Reprezentace dat komponentami s nejvyšší výpovědní hodnotou • Nezávislé komponenty - maximální informace

43. Obsah přednášky • Předzpracování signálu • Snímání signálu • Vznik signálu • Způsoby snímání • Příjem a zpracování • Analogově-číslicový převod • Filtrace signálu • Furierova transformace • Waveletová transformace • Analýza signálu • Extrakce a selekce příznaků • Automatická diagnostika • Intuitivní metody • Obecné • Algoritmy pro učení s učitelem • Algoritmy pro učení bez učitele

44. Automatická diagnostika • Výhody automatické diagnostiky • Lepší diagnostika než laická • Rychlejší zpracování velkých objemů dat • Ulehčení práce • Práce s neurčitostí • Různé typy diagnostiky • Rozhodovací stromy • Případové usuzování • Expertní systémy • Klasifikátory s učitelem • Klasifikátory bez učitele

45. Automatická diagnostika • Výhody automatické diagnostiky • Lepší diagnostika než laická • Rychlejší zpracování velkých objemů dat • Ulehčení práce • Práce s neurčitostí • Různé typy diagnostiky • Rozhodovací stromy • Případové usuzování • Expertní systémy • Klasifikátory s učitelem • Klasifikátory bez učitele

46. Automatická diagnostika • Výhody automatické diagnostiky • Lepší diagnostika než laická • Rychlejší zpracování velkých objemů dat • Ulehčení práce • Práce s neurčitostí • Různé typy diagnostiky • Rozhodovací stromy • Případové usuzování • Expertní systémy • Klasifikátory s učitelem • Klasifikátory bez učitele

47. Obsah přednášky • Předzpracování signálu • Snímání signálu • Vznik signálu • Způsoby snímání • Příjem a zpracování • Analogově-číslicový převod • Filtrace signálu • Furierova transformace • Waveletová transformace • Analýza signálu • Extrakce a selekce příznaků • Automatická diagnostika • Intuitivní metody • Obecné • Algoritmy pro učení s učitelem • Algoritmy pro učení bez učitele

48. Rozhodovací stromy • Cílem rozhodovacích stromů je identifikovat objekty, popsané různými diskrétními atributy do tříd • Příklad: Raná diagnostika komplikací po transplantaci ledviny [http://www.sin-italy.org/jnonline/VOL11N3/beyga/beyga.htm]

49. Rozhodovací stromy (2) - příklad • Roztřídění (clustering)beatů z holterovského EKG záznamu pomocí rozhodovacích stromů • Na základě změřených parametrů vypočítán medián • Cíl: Koherentní skupina pro další diagnostiku

50. Případové usuzování • V současnosti existuje ohromné množství dat bez využití • Jedna z možností využití dat – případové usuzování • Nový případ je porovnán se starými již ohodnocenými případy • V případě podobnosti se využijí výsledky stávajících případů • Jinak se obohatí databáze o nový výsledek • Velmi intuitivní přístup