WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаРізне → Тактика ведення хворих з хронічним сальпінгоофоритом при системному червоному вовчаку (автореферат) - Реферат

Тактика ведення хворих з хронічним сальпінгоофоритом при системному червоному вовчаку (автореферат) - Реферат

Уведення функцій з власними векторами підпростору шуму

дозволяє оцінити низькоамплітудні спектральні складові ЕКГ і виявити переваги ВЧ компонент при появі пізніх потенціалів передсердь.

Діагностичні ознаки ППП у просторі шуму визначаються при обчисленні співвідношення ВЧ та НЧ компонент електрокардіосигналів. Графічне зображення результатів розрахунку функцій PEV(f) при λmax ≥ λk ≥ λmin у випадку відсутності і наявності ППП подано на рис.4.

Рис. 4. Результати спектрального оцінювання Р-зубця ЕКГ при відсутності (1) та наявності (2) ППП

Розроблений модифікований метод власних підпросторів пропонується покласти в основу побудови алгоритмічного забезпечення системи ЕКГ ВР для виявлення низькоамплітудних ППП. Зі застосуванням базису власних векторів з'являється можливість настроїтися на тонкі індивідуальні особливості ЕАС пацієнта. Внаслідок цього, при відновленні ЕКГ виконується раціональний вибір кількості діагностичних ознак ППП - коефіцієнтів розкладу в підпросторі головних власних векторів, а також підвищується роздільна здатність спектрального оцінювання електрокардіосигналів із ППП у підпросторі шуму.

У четвертому розділі розроблено алгоритми пацієнт-адаптивної фільтрації, багатоканального стиснення і розпізнавання образів електрокардіосигналів із ППП, побудовані для системи ЕКГ ВР на основі методу власних підпросторів.

З метою якісного виділення ППП на фоні шумів при мінімальній деформації зубця Р и сегмента PQ (рис.3) пропонується алгоритм пацієнт-адаптивної цифрової фільтрації ЕКГ, який заснований на ортогональному перетворенні в координатний базис власних векторів коваріаційної матриці ансамблю електрокардіосигналів. Якщо оператором ортогонального перетворення Т є матриця власних векторів матриці FR=CE(CE + CWE)-1, де CE і CWEковаріаційні матриці корисного сигналу і шуму в області вхідних даних, то це обумовлює фільтрацію F=TFRT , яка являє собою діагональний фільтр

,

де λ = diag (λ12,...,λn) - матриця власних значень.

Процес адаптивної фільтрації полягає в декомпозиції ЕКГ в ортогональному координатному базисі власних векторів, що відбиває індивідуальні особливості електричної активності серця пацієнта, а також у настроюванні розмірності базису головних власних векторів з метою забезпечення необхідної похибки реконструкції електрокардіосигналу

З метою передачі даних у системі ЕКГ ВР розроблено алгоритм багатоканального стиснення електрокардіосигналів. Запропонований комбінований алгоритм являє собою послідовне застосування одновимірного ортогонального перетворення по стовпцях (за часом) у координатний базис головних власних векторів коваріаційної матриці ансамблю ЕКГ та одновимірного ортогонального сингулярного перетворення по рядках (по каналах)

YC= ACES , YR= YRCAR, ,

де YC, YR - матриці перетворених значень , YRC - матриця проміжних значень (головних власних векторів), ES - масив вихідних сигналів кожного каналу в обраному вікні спостереження; AC- оператор прямого перетворення по стовпцях; AR - оператор прямого перетворення по рядках.

При багатоканальному відновленні сигналів ЕКГ зворотне перетворення виконується послідовно по рядках (BR), а потім по стовпцях (BC)

YRC=BRY , E*=BCYRC,

де Y, YRC,, E*- матриці перетворених, проміжних і відновлених значень, відповідно; BR - оператор зворотного одновимірного сингулярного перетворення по рядках; BC- оператор зворотного одновимірного перетворення в координатному базисі головних власних векторів по стовпцях.

Похибка відновлення визначається за середньоквадратичним критерієм

де m - кількість відліків у вхідному ei та відновленому ei* ЕКГ сигналі.

Для діагностики в системі ЕКГ ВР розроблено алгоритми розпізнавання образів ППП на основі технології побудови власних підпросторів класів електрокардіосигналів. У перетвореному підпросторі сигналу як нові ознаки образів ППП у складі ЕКГ вибираються квадрати проекцій електрокардіосигналів на власні вектори. Зниження розмірності підпростору виконується за допомогою вибору головних власних векторів, що несуть основну інформацію щодо ЕКГ сигналу

Обчислені характеристики - сумарні проекції сигналів мають екстремальні властивості: при розкладанні в базисі головних власних векторів свого класу вони максимальні. Отже, критерієм класифікації є вираз

"якщо hkq = Hk – Hq > 0, q = 1,2,...,ν (q ≠ k), то K = k ".

Числові експерименти по обробці ЕКГ виконані в середовищі Matlab на тест-послідовностях, що моделюють електрокардіосигнали з наявністю ППП і без них (рис.5).

Рис.5. Класифікація усередненого Р-зубця з ППП (1- "Норма", 2 - "ППП1", 3 - "ППП2")

Дослідженню піддавалися Р-зубці сигналів ЕКГ, що відносяться до трьох класів: 1- "Норма", 2-"Наявність ППП1 з меншою затримкою", 3-"Наявність ППП2 з більшою затримкою". При експерименті для кожного класу будувалися навчальні вибірки з 30 нормованих реалізацій кардіосигналів, при цьому, досліджувані інтервали для виявлення ППП у системі ЕКГ ВР мали різну тривалість - останні 30 мс, 20 мс і 10 мс зубця Р. Відповідно до запропонованого алгоритму з обраних реалізацій складалися коваріаційні матриці ансамблів, знаходилися власні підпростори, а також знаходилися сумарні проекції на 3 головні власні вектори в "своїх" і "чужих" підпросторах.

Іншим підходом до розпізнавання ППП у системі ЕКГ ВР є нейронні мережі (НМ). Експеримент по навчанню НМ та розпізнаванню ППП у складі зубця Р реалізовано у середовищі Matlab, при цьому, для аналізу ЕКГ використано моделі, що відносяться до 3 класів (рис.5). Для порівняння виконано кілька алгоритмів формування навчальної вибірки для опису вхідних образів ППП у складі Р-зубця ЕКГ за таких умов: за 11 параметрами у часовій області, за 25 гармоніками у частотній області, за 3 проекціями у базисі головних власних векторів.

На підставі отриманих результатів експериментів можна зробити висновки, що застосування методу власних підпросторів дозволяє розпізнавати образи ППП за мінімальною кількістю ознак - сумарних проекцій у базисі головних власних векторів матриці коваріацій ансамблю ЕКГ. Крім того, запропонований алгоритм формування навчальної вибірки для НМ у базисі головних власних векторів дозволяє одержати мінімальну архітектурну реалізацію і помилку навчання, а також мінімальний розмір навчальної вибірки.

У п'ятому розділі виконано вибір і обґрунтування технічних засобів системи ЕКГ ВР, наведено розроблену структурну схему й узагальнений алгоритм роботи системи ранньої діагностики передсердних аритмій для виявлення низькоамплітудних ППП, а також подано результати клінічних досліджень.

При побудові системи ЕКГ ВР, структурна схема якої наведена на рис.6, використані сучасні технології аналого-цифрового перетворення на основі багаторозрядного сігма-дельта АЦП. Розроблений експериментальний зразок системи відповідає міжнародним вимогам до систем ЕКГ ВР. Крім того, застосування обраного 24-розрядного АЦП з роздільною здатністю за рівнем 1нВ і з частотою дискретизації 800 Гц дає можливість розширити діапазон досліджуваних сигналів ЕКГ.

Рис.6. Структурна схема системи ЕКГ ВР

Особливістю побудови алгоритмічного і програмного забезпечення системи ЕКГ ВР являється використання перетворення в координатний базис власних векторів. У перетвореній системі координат виконується обробка ЕКГ з метою фільтрації, стиснення й обчислення діагностичних параметрів для розпізнавання ППП. При цьому, раціональність координатного базису досягається вибором головних власних векторів матриці коваріацій ансамблю ЕКГ. Схема узагальненого алгоритму обробки електрокардіосигналів у розробленій системі ЕКГ ВР подана на рис. 7.

Рис.7. Узагальнений алгоритм роботи системи ЕКГ ВР

Попередня обробка ЕКГ полягає в усуненні трендів сигналів, фільтрації від мережної завади і синхронізації по P чи R - зубцям з наступним розподілом зареєстрованої ЕКГ на кардіоцикли. У системі передбачена можливість керувати режимами фільтрації і встановлювати параметри фільтрів, застосованих у стандартних електрокардіографах. Наступні процедури ранжування виконують вибір періодів ЕКГ, що відповідають нормальним серцевим скороченням. Для процесу усереднення і складання ансамблю сигналів ЕКГ приймаються кардіоцикли, які залишилися після програм ранжування з коефіцієнтом взаємної кореляції більшим ніж 0.97.

При перетворенні сигналів ансамблю ЕКГ у підпростори образів визначаються коефіцієнти розкладання - проекції всіх електрокардіосигналів на координатні осі. Отримані коефіцієнти розкладання використовуються в процедурах пацієнт-адаптивної фільтрації і розпізнавання образів ППП. Здійснюваний при фільтрації розподіл інформації на підпростори сигналу і шуму підвищує відношення сигнал/шум, а також дозволяє виконати спектральну оцінку складових ансамблю ЕКГ із метою виявлення ППП. Ухвалення загального рішення про наявність ППП виконується на підставі аналізу припустимих значень діагностичних ознак в обох перетворених підпросторах. При недостатній мірі розходження під час процесу розпізнавання в системі існує можливість зміни розмірностей аналізованих підпросторів, а також кількості циклів для усереднення.

Loading...

 
 

Цікаве