Biosignál snímání, zpracování, hodnocení

Biosignál snímání, zpracování, hodnocení MICHAL HUPTYCH Katedra kybernetiky, FEL, ČVUT

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

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

Přehled biosignálů 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 (1000 10000) 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) subjekt vysílané vlnění odražené vlnění piezoelektrický krystal Rentgen (elektromagnetické vlnění) výstupní záření rentgenka subjekt 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] U2 Napěťové zesílení [db]: A u =20log U 1 U Diskriminační činitel CMRR [db]: CMRR=20log U U d rozdílové napětí, U s 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 d s

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 diskrétní podoby Opakem vzorkovací frekvence je vzorkovací perioda daná jako: T vz f 1 vz Je potřeba dodržet určité zásady při volbě vzorkovacího kmitočtu

Podmínka pro vzorkování signálu Shannonův teorém podmínka pro vzorkovací frekvenci signálu: f 2 vz f max Při nedodržení této podmínky dochází k nevratnému zkreslení signálu

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 časové oblasti do frekvenční je Fourierova transformace S j t ( ) s( t) e dt s( t) cos( t) j sin( t ) Obecně se jedná o komplexní transformaci Proto se někdy využívá pouze reálné transformace Mluvíme pak o tzv. kosinové transformaci

Časová a frekvenční reprezentace 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 nepropustné pásmo + + y(t)= x(τ)h(t-τ)dτ, y(k)= x(i)h(k-i) - i=- 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 s minimálními deformacemi

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

Detekce R kmitů Amplitudový práh Detektor špiček : x(i-1)<x(i)>x(i+1)

Odvozený signál - tachogram

Signál EEG

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 V každém z pásem se nachází jiná informace Potřeba oddělit pásma Potřeba sledovat vývoj signálu v jednotlivých pásmech

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-frekvenční reprezentaci Dokážeme určit, v kterém okamžiku se nějaká frekvence v signálu objevuje Možnost sledovat frekvenční změny v závislosti na časové poloze Rozlišujeme spojitou a diskrétní vlnkovou transformaci

Příklad CWT vizualizace EKG Příklad vizualizace před a po odstranění pomalé frekvence

Popis signálu Pro strojové zpracování potřebujeme signál nějak reprezentovat Vhodné je hledat soubor parametrů, který dostatečné signál popisuje Takové to parametry nazýváme atributy příznaky Ideální soubor příznaků dokáže oddělit dva signály dle zadaných kritérií (diagnostika)

Popis signálu Ne vždy lze nalézt soubor příznaků na základě prostého popisu 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 statistické parametry, gradienty, aproximační koeficienty, atd.

EKG Popis signálu EEG

KTG Popis signálu

Proces zpracování Předzpracování odstranění šumu Detekce artefaktů Segmentace signálu biologické signály předzpracování dat popis dat výpočet příznaků Transformace Extrakce příznaků Klasifikace Shlukování klasifikace klasifikace klasifikace kombinace různých řešení optimalizace parametrů visualizace

Přímá klasifikace Ukázka diagnostiky spirometrie rozhodovací pravidla FVC usilovná vitální kapacita FEV1 expirační sekundová kapacita FEF 25-75 průměrná rychlost toku ve střední polovině FVC

Příznakové rozpoznávání Objekt typu A a objekt typu B jsou popsány množinou příznaků 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. závislost příznaků z množiny objektů typu A a z množiny objektů typu B.

Příznakové rozpoznávání Graficky se tato závislost dá znázornit takto: p2 Objety typu A Objety typu B p1

Klasifikace Úkolem je nalézt mechanismus jak oddělit obě množiny od sebe - v našem případě lze oddělení provést proložením (rozdělením) prostoru přímkou. p2 p1

Klasifikace Jaký způsobem tuto přímku definovat? Rovnice přímky je y = k*x Pro více vstupů y = w x x 1 x 2 w 1 w 2 y Parametry w 1 a w 2 se nazývají váhy a udávají sklon výsledné 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)

Přístup k analýze Homogenní datová základna (vytěžování signálu) Chceme získat maximum informace z analýzy signálu Do procesu klasifikace (diagnózy) nevstupují žádné jiné údaje 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)

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 následnou analýzu 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