Úvod do medicínské informatiky pro Bc. studium. 6. přednáška

Úvod do medicínské informatiky pro Bc. studium

Metody zpracování biosignálů 6. přednáška

1


Biosignály Živé objekty produkují signály biologického původu. Tyto signály mohou být elektrické (např. elektrické potenciály vznikající při svalové činnosti), mechanické (např. zvuk doprovázející činnost srdečních chlopní) nebo chemické (např. změny koncentrace krevních plynů O2 nebo CO2).

Tyto biosignály mohou být zajímavé z hlediska diagnostiky, monitorování pacientů nebo biomedicínského výzkumu. 2


Zpracování biosignálů Živý organismus generuje značné množství signálů, které jsou skryté v jiných signálech nebo v šumu. Hlavním cílem zpracování biosignálů je zvýraznění užitečného signálu (tj. potlačení neužitečných složek) a následné získání relevantních parametrů pro interpretaci nebo klasifikaci (diagnostika).

3


Zpracování biosignálů Zpracování biosignálů lze obvykle členit na několik etap: snímání signálu, předzpracování signálu sloužící k získání co nejčistší užitečné složky signálu, rozměření signálu ke zjištění hodnot relevantních parametrů, interpretace (tj. popis signálu) nebo klasifikace (začlenění do určité třídy signálů). 4


Snímání signálu Jsou používány snímače, které snímají přímo elektrický signál (např. elektrokardiogram, elektroencefalogram), nebo převádějí neelektrický (např. mechanický) signál na elektrický (např. při měření krevního tlaku).

Při snímání je nutné vytvořit vhodné podmínky k dosažení maximálního poměru signál/šum. Pro další zpracování biosignálu počítačem je nutné signál digitalizovat.

5


Předzpracování signálu Předzpracování signálu je především filtrace k potlačení všech složek obsažených v sejmutém signálu, které považujeme za rušivé. Cílem filtrace je v maximální míře potlačit rušení, ale současně minimální poškození užitečné složky signálu. Tyto požadavky jdou často proti sobě – např. spektrum užitečného signálu se často prolíná se spektrem aditivního rušení. 6


Rozměření signálu Rozměření signálu poskytuje hodnoty parametrů pro následnou interpretaci či klasifikaci signálu. Přesné automatické rozměření může být velmi obtížné. Nesprávné hodnoty parametrů mohou vést k chybné interpretaci či klasifikaci.

7


Rozměření signálu

8


Rozměření signálu EKG Základními vlnami a kmity signálu EKG jsou: vlna P, kmity Q,R,a S tvořící tzv. komplex QRS a vlna T.

Úspěšnost rozměření je závislá na správné lokalizaci 5 klíčových bodů: začátku a konce vlny P, začátku a konce komplexu QRS a konce vlny T.

Žádná z existujících metod není v tomto případě jednoznačně spolehlivá. Možná korekce těchto lokalit lékařem. Není bez zajímavosti, že dokonce ani dva různí lékaři se nemusí jednoznačně shodnout na poloze těchto bodů. 9


Rozměření signálu EKG P

QRS

T

isolinie

Ponset Poffset

Toffset QRSonset

QRSoffset

10


Interpretace nebo klasifikace signálu Interpretace či klasifikace biosignálu může být realizována na počítači, ale poslední slovo musí mít vždy lékař. Často se jedná o velmi nesnadný problém a počítačové modelování rozhodování zkušeného lékaře může být problematické.

11


Typy biosignálů Biosignály jsou chápány jako veličiny proměnné v čase. Biosignály můžeme rozdělit do dvou velkých skupin: deterministické signály, stochastické signály.

Žádný z těchto typů biosignálů se nevyskytuje v čisté podobě, vždy jde o směs deterministické a náhodné složky. 12


Deterministické signály Biologické procesy, které mají charakter opakování (např. činnost srdečního svalu, dýchání) generují signály repetiční. Takové signály jsou považovány za deterministické.

13


Deterministické signály Deterministické signály dělíme na: periodické – periodické signály se mezi biosignály nevyskytují; kvaziperiodické – do této skupiny se zařazují signály repetičního charakteru, jednotlivé repetice nejsou ekvidistantní a obvykle také kolísá jejich tvar (např. EKG); jednorázové – jedná se o signály přechodné či pomíjející, např. odezva buňky na elektrický podnět nebo evokované potenciály (odezvy mozku na světelný či akustický stimul). 14


Stochastické signály Stochastické signály jsou signály náhodného charakteru. Příkladem jsou signály generované skupinami buněk depolarizovaných více či méně nahodile: mohou to být svalové buňky generující elektromyogram (EMG) nebo nervové buňky kortexu (šedé kůry mozkové) generující signál EEG.

15


Stochastické signály V závislosti na biologickém procesu dělíme tyto signály na: stacionární – střední hodnota signálu, rozptyl (případně autokorelační funkce) stacionárního signálu se nemění v čase; nestacionární - nemají takové časově neměnné charakteristiky.

16


Stacionarita Stacionarita v širším smyslu je charakterizována časově neměnnou střední hodnotou signálu (a také rozptylem) V užším smyslu je neměnná autokorelační funkce signálu. Posuzování stacionarity je složité, protože uvedené charakteristiky jsme schopni pouze odhadovat z konečných úseků signálu. Příkladem stacionárního signálu jsou tzv. αvlny obsažené v signálu EEG Příkladem nestacionárního signálu jsou signály EEG nebo EMG. 17


Digitalizace biosignálů Všechny biosignály jsou spojité v čase a před jejich zpracováním počítačem je nezbytné jejich vzorkování, tj. diskretizace v čase a kvantování hodnot vzorků.

Vzorkovací kmitočet musí vyhovovat vzorkovacímu Shannonovu teorému – musí být vyšší než dvojnásobek kmitočtu nejvyšší harmonické složky obsažené v signálu. 18


Diskretizace v čase V signálu je často obsaženo rušení před vzorkováním je nutné použít antialiasingový filtr. Obvykle se požaduje splnění vzorkovacího teorému s určitou rezervou, protože analogově-číslicový převod není ideální. Např. doporučený vzorkovací kmitočet pro signál EKG je 500 Hz, přestože kmitočtové pásmo užitečného signálu sahá přibližně do 150 Hz. 19


Kvantování Vzorkovaný signál (diskrétní signál) je ekvidistantní posloupností přesných hodnot vzorků signálu. Diskrétní signál je nutné převést na signál číslicový - reprezentovat vzorky čísly o zvolené délce N bitů. Rozsah hodnot signálu je A a kvantovací krok je q, pak potřebný počet kvantovacích kroků je m≥A/q. V praxi se volí počet kvantovacích kroků m=2N, tj. nejblíže vyšší binární číslo k A/q o N bitech. Kvantováním hodnot vzorků signálu vzniká kvantizační šum - stochastický signál s 20 rovnoměrným rozložením.


Digitalizace biosignálů

21


Parametry biosignálů signál

šířka pásma [Hz]

elektrokardiogram (EKG)

0,15 - 150

10 mV

10 – 12

0,2 - 50

600 µV

4–6

elektromyogram (EMG)

20 - 8000

10 mV

4–8

elektrookulogram (EOG)

0,2 - 15

10 mV

4–6

krevní tlak

0 - 60

400 mm Hg

8 - 10

spirogram

0 - 40

10 litrů

8 – 10

5 - 2000

80 dB

8 – 10

elektroencefalogram (EEG)

fonokardiogram (fonoKG)

rozsah délka slova hodnot [bit]

22


Aplikace analýzy biosignálů Některé aplikace analýzy biosignálů: funkční analýza prováděná (obvykle v režimu off-line) v diagnostických jednotkách pro analýzu signálů, jako jsou EKG, EEG, EMG, fonoKG, spirogramy, atd., screening obyvatel, analýza v reálném čase při monitorování pacientů nebo při řízení protéz, základní fyziologický výzkum.

23


Aplikace analýzy biosignálů Analýzu biosignálů můžeme členit do následujících kategorií: zkoumání signálů generovaných biologickým procesem, u kterého máme málo poznatků týkajících se příčin vzniku signálu, např. u signálů EEG; zkoumání evokovaných signálů, jako je odezva mozku na světelné či akustické podněty (tzv. evokované potenciály mozku) nebo odezva na mechanickou či elektrickou stimulaci buněk, svalů či nervů; 24


Aplikace analýzy biosignálů Analýzu biosignálů můžeme členit do následujících kategorií: zkoumání změn stavu při zátěži pacienta, např. zátěžové EKG (sledování změn v segmentu ST-T v signálu EKG při fyzické zátěži pacienta, které může odhalit přítomnost ischemické srdeční choroby) nebo analýza signálu EEG při anestezii. modelování – v případech, kdy máme dostatečné znalosti o zkoumaném objektu, jsme schopni vytvořit jeho model s možností využití ve výzkumu nebo výuce. 25


Metody zpracování biosignálů Metod je celá řada, např.: lineární filtrace, kumulační metody a zvýrazňování signálu v šumu, adaptivní filtrace, časově-frekvenční filtrace, nelineární filtrace, umělé neuronové sítě.

26


Lineární filtrace Lineární filtrace základními filtry: dolní propust – potlačení kolísání nulové linie (isolinie) signálu („plavání“), horní propust – potlačení vf rušení (šum), pásmová propust – kombinace výše uvedených filtrů, pásmová zádrž – potlačení síťového rušení.

27


Lineární filtrace Lineární filtry realizované rekurzivně a nerekurzivně.

Vlastnosti filtrů jednoznačně vyjádřené přenosovou funkcí, frekvenčními charakteristikami, popř. impusní charakteristikou.

U nerekurzivních filtrů jsme schopni zajistit (po částech) lineární fázovou frekvenční charakteristiku – konstantní zpoždění. 28


Filtrace isolinie 1 0.8

impulsní odezva h

0.6 0.4 0.2 0 0

50

100

150

200

250

300

350

400

450

500

400

450

500

1 0.8 0.6

impulsní odezva h2=h∗h

0.4 0.2 0

0

50

100

150

200

250

300

350

29


Filtrace isolinie amplitudová frekvenční charakteristika H

1

0.8

amplitudová frekvenční charakteristika H2

0.6

0.4

0.2

0

0

1

2

3

4

5

6

7

8

9

10

30


Kumulační metody Kumulace je vhodná pro repetitivní signály. „Sečítání“ jednotlivých repetic lze modifikovat s rovnoměrnými vahami, s exponenciálními vahami, s filtrací rezidua.

31


Kumulační metody

FP detektor

Σ

průměrování

+

−

Σ

dolní propust

32


Kumulační metody 1, nezprůměrovaný a 26 zprůměrovaných akčních potenciálů

1 0.5 0 -0.5

0

0.05

0

0.05

1

0.1

0.15 0.2 čas [sec] 26 zprůměrovaných potenciálů

0.25

0.3

0.25

0.3

0.5 0 -0.5

0.1

0.15 čas [sec]

0.2

33


Adaptivní filtrace Adaptivní filtraci lze s výhodou využít pro zpracování biologických signálů s proměnnými vlastnostmi nebo v proměnném prostředí.

Adaptivní systémy nabízí možnost samo-navrhování. Typickými aplikacemi je potlačení širokopásmového rušení, potlačení síťového rušení, oddělení dvou biologických signálů. 34


Adaptivní filtrace

35


Adaptivní filtrace

36


Časově-frekvenční filtrace Rozšiřuje možnosti lineární filtrace. Umožňuje selektivní filtraci ve frekvenční oblasti ale i v časové oblasti. S výhodou se využívá pro nestacionární signály. Často se využívá vlnková transformace.

1 C (a, b ) = a

∞

⎛t −b⎞ ∫−∞x (t )g ⎜⎝ a ⎟⎠ *

37


Spojitá vlnková transformace

tvarové rozdíly 38

Komplexní vlnková transformace


P-vlna 39


Dyadická vlnková transformace

tvarové rozdíly 40

Úvod do medicínské informatiky pro Bc. studium. 6. přednáška

Recommend Documents