Documente Academic
Documente Profesional
Documente Cultură
diagrama
Rezumat - Semnalele fonocardiogramei (PCG) sunt adesea corupte prin diferite tipuri de
artefacte care fac analiza computerizata bazată pe semnalul sonor cardiac mai dificilă. Necesită
intervenția umană pentru a selecta o calitate decentă a semnalului subsecvență care să fie lipsită
de artefacte. În această lucrare, noi am propus o nouă tehnică automată de eliminare a
artefactelor si selectarea ulterioară a semnalului PCG de către aplicație de a Pachetelor de
transformate Wavelet Discrete (DWPT) și a cvasi-periodicitații -proprietatea semnalului sonor
cardiac fără artefacte. DWPT este utilizata pentru a identifica acele părți ale semnalului, unde
artefactele sunt proeminente. După aceasta, proprietatea cvasi-periodicității semnalului PCG este
utilizată ca măsură de calitate pentru a selecta fără artefacte subsirurile. Algoritmul arată
rezultate bune atunci când este testat sunetul cardiac normal și cinci semnale care apar frecvent.
I.INTRODUCERE
Auscultația este procesul prin care un medic ascultă sunetele cardiace (HS), folosind
stetoscopul, pentru a studia hemodinamica ,caracteristica inimii. Cu toate acestea, este nevoie de
ani de experiență pentru a înțelege indicațiile relevante pentru un diagnostic corect. Aceste
sunete înregistrate prin stetoscopul electronic alcătuiesc fonocardiograma (PCG). Se constată
adesea că PCG semnalele sunt contaminate de diferite tipuri de artefacte, care apar în timpul
achiziției semnalului.Artefactele afectează performanța sistemului. Artefactul poate fi definit ca
orice variație de semnal nedorită datorită oricărei sursă, alta decât sursa de semnal dorită. Aceste
artefacte inclusiv zgomotul instrumentelor, zgomotul din sunetele corpului, zgomotul datorat
mișcării corpului și mișcării diafragmelor stetoscopului. Artefactele apar la întâmplare în timp și
de obicei au valori ridicate amplitudine și durează pentru o durată mică de timp.
Semnalul PCG corupt de artefacte dă rezultate eronate în diferite aplicații, cum ar fi biometria
sunetului cardiac, detectarea bolilor sonore cardiace etc. Există două abordări referitoare la
această problemă. Unul este de a elimina artefactele în timp, păstrarea semnalului în ansamblu și
celălalt este de a elimina segmentul afectat de artefacte.
Filtrarea adaptivă, analiza componentelor independente (ICA), Analiza corelatiei canonice
(CCA), Analiza componentelor morfologice (MCA) și Wavelet ICA sunt câteva dintre tehnicile
raportate în contextul eliminării de artefacte din semnale fiziologice. Aceste tehnici suferă de
cerință de senzori suplimentari și semnal de referință, adaptabilitate și funcționare on-line. Din
aceasta rezultă și eliminarea artefactelor și pierderea informațiilor din cauza suprapunerii de
frecvență între semnal și artefact PCG așa cum se arată în figura 1, care conduce la un diagnostic
impropriu. Se vede adesea că medicii au pentru a selecta o bună parte din subsecvența
semnalului PCG (4-5) cicluri) manual pentru diagnostic suplimentar și al doilea abordarea este
influențată de acest lucru. Se elimină artefactul afectat segment și care reduce volumul de date;
dar această voință nu afectează diagnosticul suplimentar, fără artefacte 4-5 consecutiv, ciclurile
sunt suficiente pentru analize suplimentare din semnalul acvat. În Analiza sunetului cardiac bazat
pe computer în timp real, este foarte important pentru a renunța automat la segmentul de semnal
înregistrat care este afectat de artefacte. În acest sens, Beritelli și Colab au analizat calitatea
semnalului PCG pentru aplicarea automată în biometrie. Au propus un indice de calitate masura
bazata pe distanta cefalica intre sunetele cardiace (sunete S1 și S2).
Cu toate acestea, observăm că schema lor necesită o etapă de preprocesare, adică
segmentarea semnalelor sonore ale inimii, care este adesea inexactă și face schema lor doar
parțial automată. În medicină aplicată, s-a descoperit că transformarea de undă este una singură
dintre transformările preferate pentru analiza tranzitorie și nonstaționară semnale, cum ar fi
semnalul PCG. Acest lucru se datorează faptului că wavelet oferă o rezoluție rezonabilă atât în
timp și domeniul frecvenței.
Figura 1. Ciclul normal al sunetului cardiac în domeniul timp (a) și frecvența acestui
spectru (b), artefact în domeniul timp (c) și spectrul său de frecvență (d)
unde 𝑛 este sub-banda, s este numărul de descompunere pe nivel sau parametru de scară, 𝑝 este
parametrul de traducere,𝜓𝑛 (𝑡) este coeficientul wavelet, iar 𝐿 este nivelul maxim de
descompunere. După descompunerea semnalului 𝑥 (𝑡) prin DWPT, 2𝐿 sub-benzi sunt produse la
nivelul al treilea. coeficienții pachetului de undă la diferite scări și poziții ale unui semnal sunt
calculate în mod eficient după cum urmează:
Figura 2. Descompunerea pe două tipuri filtre a pachetelor de transformate pentru undele discrete
ℎ (𝑛) și 𝑔 (𝑛) sunt filtre de trece-jos și respectiv de trece-sus, astfel încât 𝑔 (𝑘) = (−1) 𝑘ℎ (1 - 𝑘).
Două nivele ale pachetelor de descompunere wavelet cu cu filtru trece sus și trece jos au fost
ilustrate în figura 2. Această structură se poate repeta în continuare pentru a obține aproximarea
ulterioară și coeficienții de detaliu până la atingerea unui nivel adecvat, care este bun pentru
caracterizarea semnalului PCG și a artefactelor ,separat.
Pentru a ilustra acest lucru, noi am înregistrat semnalul PCG al unui subiect ,apoi am
curățat semnalul și segmentele contaminate cu artefacte. Figura 3 ilustrează funcția de
autorecorelare a semnalului energetic cu cel al semnalului PCG curat și artefactul contaminat.
Liniile punctate verticale reprezintă periodicitatea semnalului sunetului inimii. În caz de artefact,
periodicitatea nu este vizibilă ca în cazul anterior, deși, semnalul a fost preluat de la același
subiect. Utilizăm această proprietate de cvasi-periodicitate împreună cu DWPT pentru detectarea
automată a subsecvenței care este explicată mai târziu.
Figura 4. (a) și (b) sunt semnale PCG normale și bolnave din bazele de date
I și II, (c) este semnalul normal cu artefacte din baza de date III
V. METODOLOGIE
Obiectivul acestui studiu este de a selecta subsecvența fără artefacte de la semnalul original
PCG. Semnalul PCG este format din Sunetul S1 urmat de perioada sistolei, urmat sunetul S2 pe
o perioadă de diastolă ,care completează un ciclu întreg de periodicitate. Folosim această
proprietate pentru a evalua calitatea segmentului PCG. Algoritmul propus se bazează pe pachetul
de transformate discrete wavelet. Algoritmul este descris în diagrama de bloc prezentată în figura
5 și detalii ale fiecărui bloc sunt prezentate în continuare.
A. Preprocesare
Preprocesarea include filtrarea cu filtrul trece-jos, reasamblarea, normalizarea
amplitudinii. Banda de frecvență a sunetelor primare ale inimii, inclusiv diferite tipuri de
murmur sunt mai mici de 1000 Hz, prin urmare, filtrul Butterworth de tip trece-jos de
ordinul 10 , cu frecvența de întrerupere de 1000 Hz este aplicat semnalului HS. După
filtrare, semnalul este prelevat de la 8 kHz la 2 kHz. Normalizarea amplitudinii se face
odată cu semnlul pentru a minimiza variația amplitudinii datorată variației factorului de
câștig datorită instrumentului de înregistrare sau a compoziției corpului subiectului.
Tabelul I
SUBBANDA GRUPEI DE FRECVENȚĂ LA AL 5-lea NIVEL DE WPT
C. Algoritmul de selecție de subsecvență (ASS) fără artefacte
Calculăm două măsuri energetice diferite pentru fiecare subbandă la al cincilea nivel de
descompunere; unul variază în timp energia pachetului de undă dată de ecuația 3 și cealaltă este
energia totală a fiecărei sub-benzi reprezentată de ecuația 4.
Aici 𝐸𝑝 (𝑛) este un semnal de energie care variază în timp din a treia sub-bandă. Această
cantitate oferă informații utile despre locația în timp a artefactelor din semnal. 𝑛 este numărul
eșantionului, 𝑊 (𝑛) este semnalul sub-benzii după reconstrucție, 𝑁 este lungimea ferestrei, care
în acest caz este de 150 de probe, 𝐸𝑡𝑜𝑡𝑎𝑙, 𝑝 este energia totală a a treia sub-bandă. Energia totală
este utilizată împreună cu energia care variază în timp detectați partea zgomotoasă a semnalului
PCG.
Pașii sunt după cum urmează:
1) Calculul energiei totale a fiecărei sub-benzi 𝐸𝑡𝑜𝑡𝑎𝑙, 𝑝.
2) Normalizarea energiei totale care este prezentată în Figura 6 și dată ca:
Subbandele inferioare au lărgime mare, 𝑝 mai datorită sunetelor inimii și subbandele superioare
au 𝐸𝑛𝑜𝑚𝑟, 𝑝 mic din cauza artefactelor. Figura 7 arată reconstrucția semnalelor cu filtru trece-
jos pe planul stâng și timpul corespunzător
semnalului de energie din dreapta.
3) Este prezentată o însumare ponderată a energiilor care variază în timp
în următoarea ecuație: