ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ IV. ELEKTROKARDIOGRAM III. FILTRACE DRIFTU IZOLINIE LINEÁRNÍ FILTRY þ horní propust s lineární fázovou charakteristikou s f[mez]= f[HR] ß třeba nejdřív zjistit HR LINEÁRNÍ FILTRACE DRIFTU þ filtry s NIO nelineární fázová charakteristika – kompenzace pomocí doplňkové filtrace v inverzním čase (šup sem, šup tam) F {g[n]} = F {h[n]*h[-n]} G(e^j^ω^T) = H(e^j^ω^T).H(e^-j^ω^T) |G(e^j^ω^T)| = |H(e^j^ω^T)|^2 arg(G(e^j^ω^T)) º 0 - další nevýhody tytéž jako u filtrace brumu LINEÁRNÍ FILTRACE DRIFTU þ filtry s KIO è Lynnovy filtry – už se o tom mluvilo, společné odstranění driftu s brumem è dlouhá impulsní odezva Þ vysoká výpočetní náročnost LINEÁRNÍ FILTRACE DRIFTU þ filtry s KIO filtrace s decimací vzorkovacího kmitočtu þ schéma blány FILTRACE DRIFTU · SPLAJNY splajn (spline) je po částech polynomická funkce, která má v každém aproximačním intervalu stupeň nejvýše r a její derivace jsou do řádu r-1 všude spojité (aproximace lomenou přímkou je splajn 1. řádu) FILTRACE DRIFTU · SPLAJNY interpolace signálu ze znalosti hodnot ve vybraných uzlových bodech(body v PQ intervalech) kubickým polynomem n(t) = n‘‘‘(0).t^3/6 + n‘‘(0).t^2/2 + n‘(0).t + n(0) postupným derivováním polynomu získáme soustavu lineárních rovnic, která je v diskrétní podobě n[i+1] = n[i] + n‘[i] + n‘‘[i]/2 + n‘‘‘[i]/6 n‘[i+1] = n‘[i] + n‘‘[i] + n‘‘‘[i]/2 n‘‘[i+1] = n‘‘[i] + n‘‘‘[i] n‘‘‘[i+1] = n‘‘‘[i] + n‘‘‘ þ nevýhoda – nutnost přesného nalezení uzlových bodů FILTRACE DRIFTU EXPERIMENTY FILTRACE DRIFTU ADAPTIVNÍ FILTRY MYOPOTENCIÁLY þ překrývání spekter rušení a užitečného signálu Þ lineární filtry ??? þ Draft IEC62D … f[mezDP]|[3dB ]Îá35; 45 Hz sklon amplitudové charakteristiky v ZP max. -6dB/okt. MYOPOTENCIÁLY ZPRŮMĚRŇOVÁNÍ MYOPOTENCIÁLY ZPRŮMĚRŇOVÁNÍ MYOPOTENCIÁLY ZPRŮMĚRŇOVÁNÍ MYOPOTENCIÁLY ZPRŮMĚRŇOVÁNÍ è rovnoměrné váhy è exponenciální váhy è adaptivní váhy podle obsahu šumu REDUKCE DAT REDUKCE DAT REDUKCE DAT ALGORITMY VRATNÉ REDUKCE þ odstranění deterministické složky signálu e(n) = f(n) – f[e](n) e(n) … hodnota n-tého vzorku nedeterministické složky signálu; f(n) … vzorek původního signálu; f[e](n) … odhad původní hodnoty signálu, představující hodnotu vzorku deterministické složky signálu REDUKCE DAT ALGORITMY VRATNÉ REDUKCE þ predikční odhad m³1…. řád prediktoru a[j] … váhový koeficient hodnoty f(n-j) původního signálu REDUKCE DAT ALGORITMY VRATNÉ REDUKCE þ interpolační odhad m = k + l (k ³ 1; l ³ 1) a[j], b[j] … váhové interpolační koeficienty REDUKCE DAT ALGORITMY VRATNÉ REDUKCE þ diferenční odhad zatímco funkci predikčního a interpolačního algoritmu určují řád i koeficienty, v případě diferenčního algoritmu jen řád REDUKCE DAT ALGORITMY VRATNÉ REDUKCE þ koeficienty a[j], b[j] závisí na statistických vlastnostech signálu þ určí se různě – např. dle kritéria minimální střední kvadratické chyby, které zajistí nalezení redukované zprávy s minimálním rozptylem (minimální entropií – maximální redundancí – je-li Gaussovo rozdělení) REDUKCE DAT ALGORITMY VRATNÉ REDUKCE þ řád … empiricky max. 2 e(n) = f(n) – a.f(n-1) – b.f(n-2) þ má-li být signál obnovitelný, pak a[j], b[j] musí být celé ß a = 2; b = -1 a = 1; b = 0 REDUKCE DAT ALGORITMY VRATNÉ REDUKCE redukční a rekonstrukční algoritmus REDUKCE DAT ALGORITMY VRATNÉ REDUKCE kódy s minimální redundancí Huffmanův kód REDUKCE DAT ALGORITMY VRATNÉ REDUKCE kódy s minimální redundancí Shannonův-Fanův kód REDUKCE DAT ALGORITMY NEVRATNÉ REDUKCE þ úsek signálu je nahrazen s určitou tolerancí funkcí, jejíž parametry reprezentují průběh reálných dat DETEKCE VLN V SIGNÁLU EKG þ komplex QRS þ vlna P; þ vlna T DETEKCE KOMPLEXU QRS DETEKCE KOMPLEXU QRS þ problémy detekce QRS: þ změny morfologie fyziologického původu; þ změny morfologie způsobené technickými artefakty è myopotenciály è přechodné artefakty způsobené elektrodami è síťové rušení þ vysoké vlny P a T DETEKCE KOMPLEXU QRS DETEKCE KOMPLEXU QRS PŘEDZPRACOVÁNÍ þ lineární metody souhlasná filtrace (matched filtering) … přizpůsobené filtry (filtrace systémem s impulsní charakteristikou, která má časově inverzní průběh, než detekovaný signálový prvek) DETEKCE KOMPLEXU QRS PŘEDZPRACOVÁNÍ þ lineární metody souhlasná filtrace DETEKCE KOMPLEXU QRS PŘEDZPRACOVÁNÍ þ lineární metody ?! možné změny průběhu komplexů QRS Þ nelze klást konkrétní požadavky na časově invariantní filtr Þ je třeba vycházet z obecných vlastností QRS – většina energie ve frekvenčním pásmu 5 ¸ 30 Hz, maximum v pásmu 10  15 Hz, minimum rušení v pásmu 5  20 Hz DETEKCE KOMPLEXU QRS PŘEDZPRACOVÁNÍ þ nelineární metody práce s jedním svodem x s více svody è jeden svod - menší výpočetní náročnost; menší množství informace; možnost selhání při upadnutí svodu • určitě více než jeden, v případě že existuje; • max. 3 vyjadřují-li prostorovou aktivitu DETEKCE KOMPLEXU QRS PŘEDZPRACOVÁNÍ þ nelineární metody vícesvodová detekce DETEKCE KOMPLEXU QRS PŘEDZPRACOVÁNÍ þ nelineární metody zvýraznění větších hodnot signálu a potlačení malých hodnot signálu è umocnění è z(nT) = y^2(nT)*h[e](nT), kde y(nT) je hodnota první diference nebo filtrovaného vstupního signálu DETEKCE KOMPLEXU QRS ROZHODOVACÍ KRITÉRIA þ základní prahová kritéria è srovnání signálu s pevným prahem è kombinace pevného strmostního kritéria a detektoru maxima (x[i ]– x[i-1]).(x[i+1 ]– x[i]) < 0 |x[i ]– x[i-1]| > K è detektor maxima s dvouprůchodovým detektorem prahovou úrovní DETEKCE KOMPLEXU QRS ROZHODOVACÍ KRITÉRIA þ adaptivní prahová kritéria è proměnný práh x proměnné zesílení signálu; è proměnný práh podle dlouhodobých změn v signálu x proměnný práh během srdečního cyklu a[1] pro n = +1, …, +D[1] Q(n) = f(n) pro n = +D[1]+1, …, +D[2] [ ]a[2 ]pro n = +D[2]+1, …, kde f(n) je monotónně klesající a [1 ]³[ ]f(n)  [2 ]; è logická pravidla; DETEKCE KOMPLEXU QRS ROZHODOVACÍ KRITÉRIA þ sekvenční prahové algoritmy è využívají znalosti vlastností signálu před i po okamžiku zpracování