EKG jelek analízise waveletekkel Fazekas Andrea January 7, 2009
Typeset by FoilTEX
EKG jelek analízise waveletekkel
Bevezetés
A szív összehúzódása egy elektromos inger hatására jön létre, mely normális esetben a sinuscsomóból indul el és a szív sajátságos ingerületvezet® rostjain keresztül a szívizomsejtekhez jut. Elektrokardiográa:
•
Non-invazív eljárás
•
Szívizom-összehúzódásakor keletkez® elektromos feszültséget regisztrálja
•
A feszülséget a test felszínére helyezett elektródokkal fel lehet jegyezni, az elektródák között fellép® potenciálkülonbségb®l.
Typeset by FoilTEX
Bevezetés
EKG jelek analízise waveletekkel
•
Az igy feljegyzett jel, az elektrokardiogram (EKG görbe) egy idoben-változó jel.
Typeset by FoilTEX
Bevezetés
EKG jelek analízise waveletekkel
Az EKG görbe
Egységes, nemzetközi megállapodás szerint egy szívciklus 6 különböz® hullámra bontanak: P, Q, R, S, T, U. Minden hullám a szív egy meghatározott részének depolarizációját (elektromos Typeset by FoilTEX
Az EKG görbe
EKG jelek analízise waveletekkel
kisülést) vagy repolarizációját (elektromos újratölt®dést) jelenti.
A klinikailag
értékes információk nagy része az hullámok intervallumaiból és amplitúdóiból meghatározhatók. Az automatikus EKG tulajdonság-elemz® algoritmusokat els®sorban a hosszú ideig regisztrált minták (pl. Holter monitor) teszik szükségessé. Az egyes hullámok, és átmenetek:
•
P-hullám (pitvari hullám): pozitív amplitúdójú (1-2 mm), az ingerület pitvari terjedésének felel meg (0,06-0,11 s)
•
P-Q távolság: átvezetési id® a pitvar és kamra között (0,04-0,1 s)
•
QRS-komplexus (kamrai hullám):
a kamrák depolarizációját jelöli (gyors
lefolyású), kis negatív Q-hullámból (nem mindig észleljük), magas pozitív Typeset by FoilTEX
Az EKG görbe
EKG jelek analízise waveletekkel
R-hullámból (kamraizomzat f® tömegének ingerületbe jutása, 10 mm) és negatív S-hullámból áll.
amplitúdója
Ez id® alatt megy végbe a kamra
teljes munkaizomzatának depolarizációja.
(0.06-0,1 s,
amib®l 0,03 s az
interventricularis septum depolarizációja, 0,055 s a jobb kamra és 0,068 s a bal kamra depolarizációja.)
•
ST-szakasz: a kamrák lassú repolarizációs szakasza
•
T-hullám:
elnyújtott
közepes
amplitúdójú
hullám,
a
kamrák
teljes
repolarizációját jelzi (0,20 s).
•
Q-T távolság: kamraizomzat depolarizációjának és repolarizációjának együttes id®tartama.
•
U-hullám:
eredete
bizonytalan,
de
jelezheti
az
interventricularis
septum
repolarizációját vagy a kamrák lassú újratölt®dését (0,1-0,2 s). Typeset by FoilTEX
Az EKG görbe
EKG jelek analízise waveletekkel
A mintavételezés nem tökéletes, a jelre különböz® forrásokból kerülhet zaj:
•
Az elektróda-b®r érintkezés impedancia-egyenetlensége
•
Izommozgás
•
Elektromos vezetékek által keltett interferencia
•
Baseline wandering
Typeset by FoilTEX
Az EKG görbe
EKG jelek analízise waveletekkel
A Wavelet transzformáció
•
Folytonos Wavelet transzformáció
•
Diszkrét Wavelet transzformáció
•
Wavelet Packet dekompozíció
Typeset by FoilTEX
A Wavelet transzformáció
EKG jelek analízise waveletekkel
Folytonos Wavelet Transzformáció
Ha egy jel szerkezetében jelent®s nagyságbeli különbségek vannak, akkor annak elemzéséhez az id®-frekvencia atomok taróinak mérete is különböz® kell, hogy legyen.
A wavelet transzformáció eltolással és nyújtással kapott waveleteket
használ a jel felbontásához.
Anyawaveletnek
nevezzük az olyan
ψ ∈ L2 (R)
függvényeket, melyekre igaz, hogy:
+∞ Z ψ (t) dt = 0,
(1)
−∞
továbbá
kψk = 1.
Typeset by FoilTEX
Folytonos Wavelet Transzformáció
EKG jelek analízise waveletekkel
A
ψ
anyawaveletb®l kiindulva megszerkeszthetjük az id®-frekvencia atomok egy
ψsu (t)
t−u 1 √ ψ = s s
ψ normáltsága miatt szintén normáltak: kψsuk = 1. Ennek f ∈ L2 (R) függvény u id®pillanatbeli, s felosztáshoz tartozó
családját, melyek a segítségével az
wavelet transzformáltját
a következ®képp deniáljuk:
+∞ Z 1 t−u f (t) √ ψ Wψ f (u, s) = dt = hf, ψsui . s s −∞
Typeset by FoilTEX
Folytonos Wavelet Transzformáció
EKG jelek analízise waveletekkel
Diszkrét Wavelet Transzformáció
Egy
x[n]
jel diszkrét wavelet transzformáltja: lterek sorozatának alkalmazása.
Egy lépésben a
• ylow [n] =
g
low-pass és a
P+∞
• yhigh[n] =
h
k=−∞ x[k]g[2n
P+∞
high-pass ltereket alkalmazzuk:
− k] →
k=−∞ x[k]h[2n
durva közelítés
− k] →
nom részletek
A dekompozícióval a frekvenciatartományt két félre bontottuk, igy a két mintát átskálázhatjuk az
(y ↓ k)[n] = y[kn] Typeset by FoilTEX
Diszkrét Wavelet Transzformáció
EKG jelek analízise waveletekkel
skálázási
operátorral.
Az
így
kapott
durvaközelítésre
ugyanezt
a
lépést
alkalmazzuk. Egy 3 szint¶ felbontás (lter bank):
Typeset by FoilTEX
Diszkrét Wavelet Transzformáció
EKG jelek analízise waveletekkel
Wavelet Packet Dekompozíció
A
diszkrét
wavelet
transzformáció
kiterjesztése:
nom
részletekhez
tartozó
együtthatókat is tovább bontja. Typeset by FoilTEX
Wavelet Packet Dekompozíció
EKG jelek analízise waveletekkel
A dekompozíció eredménye redundáns
→
a céltól függ® legjobb reprezentációt
kell kiválasztani ("best tree") Rugalmasabb elemzést tesz lehet®vé.
Typeset by FoilTEX
Wavelet Packet Dekompozíció
EKG jelek analízise waveletekkel
Alkalmazások
•
Baseline wander eltávolítás
•
Zajsz¶rés
•
Minta felismerés
•
Tömörítés
Typeset by FoilTEX
Alkalmazások
EKG jelek analízise waveletekkel
Baseline wander eltávolítás
Baseline wander artifact:
a tulajdonságok kiértékelésében zavaró (pl.
S-T
szegmens) Feltevés: a baseline wander és az EKG független jelek. Wavelet packet dekompozíció segítségével:
•
A j. lépésben dekompozíció után a magasabb energiával rendelkez® ágat osztja tovább a j+1. lépésben
Ej,low =
∞ X m=−∞
Typeset by FoilTEX
2
|cj,m| ,
Ej,high =
∞ X
2
|dj,k |
k=−∞ Baseline wander eltávolítás
EKG jelek analízise waveletekkel
•
A felosztás vége: A két energiaszint különbsége meghalad egy küszöbértéket
→
az EKG jel
energiája majdnem elt¶nt, a baseline wander-t azonosítottuk
•
A baseline wander wavelet együtthatóit kihagyva végezzük el az inverz wavelet transzformációt.
Typeset by FoilTEX
Baseline wander eltávolítás
EKG jelek analízise waveletekkel
Zajsz¶rés
Cél: Signal-to-noise arány javítása az EKG jel eredeti alakjának minél pontosabb megtartásával.
SN R =
Psignal Poriginal = Pnoise Poriginal − Preconstructed
Diszkrét wavelet transzformációval j. lépés:
•
Dekompozíció
Typeset by FoilTEX
→ Cj
közelítések és
Dj
részletek Zajsz¶rés
EKG jelek analízise waveletekkel
•
Küszöbérték meghatározása:
q T HRj = 2log kDj k •
•
A részletegyütthatók módosítása:
Dj (t) = sgn(Dj (t))(|x| − T HRj ),
Dj (t) > T HRj
Dj (t) = 0,
Dj (t) ≤ T HRj
Rekonstrukció az új együtthatókkal
Typeset by FoilTEX
Zajsz¶rés
EKG jelek analízise waveletekkel
Minta felismerés
Daubechies D6 wavelet: hasonlóság a QRS komplex-el; az energiája az alacsony frekvenciák körül koncentrálódik.
Typeset by FoilTEX
Minta felismerés
EKG jelek analízise waveletekkel
Typeset by FoilTEX
Minta felismerés
EKG jelek analízise waveletekkel
•
R-hullám felismerés:
•
23 − 25
szintek együtthatóit tartjuk meg
az így kapott jelet négyzetre emeljük (így mégjobban kiemelkednek a csúcsok) a 0.25 s-en belüli pseudo-csúcsokat eltávolítjuk
Q-S felismerés:
•
a
a Q és S hullámok az R-hullám 0.1 s-es környezetében vannak a
25
szintek együtthatóit tartjuk meg
a már ismert R-csúcsok körüli széls®értékeket keressük meg
0-szint felismerés:
a
21 − 25
szintek együtthatóit tartjuk meg
a Q hullám el®tt és az S hullám után találunk 0-pontokat
Typeset by FoilTEX
Minta felismerés
EKG jelek analízise waveletekkel
•
P és T hullám felismerés:
a
24 − 28
szintek együtthatóit tartjuk meg
az R hullám körüli 0-szint átlépések határozzák meg a P és T hullámok egyik végét a következ® 0-szint átlépések határozzák meg a P és T hullámok másik végét
Typeset by FoilTEX
Minta felismerés
EKG jelek analízise waveletekkel
Typeset by FoilTEX
Minta felismerés
EKG jelek analízise waveletekkel
QRS vezérelt röntgenfelvétel
Typeset by FoilTEX
QRS vezérelt röntgenfelvétel
EKG jelek analízise waveletekkel
Typeset by FoilTEX
QRS vezérelt röntgenfelvétel
EKG jelek analízise waveletekkel
Tömörítés
250 Hz, 12 bit, 3 csatorna, 24 óra
→
100MB
Tömörítés jellemzése:
•
Compression Ratio (CR)
•
Percentage Root-mean-square Dierence
sP P RD = (
Typeset by FoilTEX
n 2 (x − y ) i i 1 P ) n 2 (x ) i 1
× 100%
Tömörítés
EKG jelek analízise waveletekkel
Direkt módszerek
•
Dierential pulse code modulation (DPCM): megbecsüli a minta következ® elemét és a valóságnak a becslést®l való eltérését tárolja
•
Amplitude zone time epoch coding (AZTEC): vízszintes vonalakká (amplitúdót és hosszát tárolja) és lejt®kké (, ha a len(vízszintes vonal)<3: hosszát és végs® amplitúdót tárolja) alakítja a görbét
•
Turning point: 2:1 arány, 3 pontból 2-t tart meg, amib®l a 2.-t a következ® lépésben felhasználja
•
Coordinate reduction time encoding system (CORTES): TP és AZTEC ötvözése (QRS körüli lejt®k TP-vel, hosszú vízszintesek AZTEC-el)
Typeset by FoilTEX
Direkt módszerek
EKG jelek analízise waveletekkel
Transzformációs módszerek
•
Fourier transzformáció
•
Diszkrét cosinus transzformáció (JPEG)
•
Wavelet transzformáció alapú:
JPEG 2000 Wavelet-Based Pattern Matching Set Partitioning in Hierarchical Trees (SPIHT)
Typeset by FoilTEX
Transzformációs módszerek
EKG jelek analízise waveletekkel
Preprocessing
A tömörítést megel®z® el®feldolgozás javíthat a tömörítés min®ségén vagy a tömörítéshez szükséges formátumra hozza a mintát
•
Baseline wander
•
Noise sz¶rés
•
Szegmentálás (pl. szívciklusonként (RR intervallum)), normalizáció
Typeset by FoilTEX
Preprocessing
EKG jelek analízise waveletekkel
JPEG2000
•
Szegmentálás az R hullámok alapján: 1 szegmens = 1 szívciklus
•
Intervalummhossz normalizálás
•
1D
•
A 2D mátrixra alkalmazzuk a JPEG2000 tömörítést (Cohen-Daubechies-
→
2D transzformáció: a sorok az egyes normalizált szívciklusok
Feauveau wavelet)
Typeset by FoilTEX
JPEG2000
EKG jelek analízise waveletekkel
Wavelet-Based Pattern Matching
•
Standard Period (SP) meghatározása a kezdeti ciklusokból
•
Szegmentálás az R hullámok alapján: 1 szegmens = 1 szívciklus
•
Intervalummhossz normalizálás SP alapján
•
Amplitúdó normalizáció
•
Szegmensek wavelet transzformációja
Typeset by FoilTEX
→
→
Period dierence tárolása
Amplitude scale factor tárolása
Wavelet-Based Pattern Matching
EKG jelek analízise waveletekkel
•
Adott szegmens együtthatói becsülhet®k:
•
megel®z® együtthatókkal egy el®re deniált együthatóhalmazzal
Csak a különbséget tároljuk
Typeset by FoilTEX
→
rövidebb ábrázolás
Wavelet-Based Pattern Matching
EKG jelek analízise waveletekkel
SPIHT
A wavelet transzformáció során kapott együtthatók kódolására.
Az algoritmus
lényege az együtthatók fontossága szerinti részleges rendezés.
•
A diadikus wavelet transzformáció során kapott együtthatókat fába rendezi (temporal
orientation
tree):
az
i.
szint
minden
pontjához
2
pontot
feleltethetünk meg az i+1. szinten
Typeset by FoilTEX
SPIHT
EKG jelek analízise waveletekkel
•
Minden lépésben megvizsgáljuk az egyes halmazok (a particionálás közös a kódoló, dekódoló algoritmusokban) szignikanciáját: egy halmaz az n. lépésben szignikáns, ha
max|ci| ≥ 2n
•
Eltároljuk a szignikancia információkat
•
Az n. lépésben szignikáns együtthatók n. bitjét tároljuk el
•
Csökkentjük n-t 1-el
El®nye: a kimenetét bármikor elvágva a kapott mérethez tartozó legjobb közelítést kapjuk (megszakad a kommunikáció vagy adott leméret).
Typeset by FoilTEX
SPIHT
EKG jelek analízise waveletekkel
1D vs 2D
Az egyes szívciklusok között 2 féle korreláció:
•
intrabeat: az egymás után követez® minták közti
•
interbeat: az egymás után követez® szívciklusok közti
Az 1D csak az els®t, míg a 2D mindkett®t hasznosítja 2D
pl.:
Modied
vector
quantization:
az
együtthatók
tulajdonságait gyelembe vev® hierarchikus fába rendezhet®k
a
transzformáció
→
codebook, ami
alapján a kvantálás történik Typeset by FoilTEX
1D vs 2D
EKG jelek analízise waveletekkel
Typeset by FoilTEX
1D vs 2D
EKG jelek analízise waveletekkel
Irodalomjegyzék
References
[1] Behzad
Mozaary,
Mohammad
A.
Elimination using Wavelet Packets,
Tinati:
ECG Baseline Wander
PROCEEDINGS
OF
WORLD
ACADEMY OF SCIENCE, ENGINEERING AND TECHNOLOGY VOLUME 3 JANUARY 2005 ISSN 1307-6884, [14]
[2] Ali Bilgin, Michael W. Marcellin, Maria I. Altbach:
Wavelet Compression
of ECG Signals by JPEG2000, Proceedings of the Data Compression Conference (DCC'04) 1068-0314/04 2004 IEEE Typeset by FoilTEX
Irodalomjegyzék
EKG jelek analízise waveletekkel
[3] Yanyan
Hao,
Pina
AN EFFICIENT WAVELET-BASED
Marziliano:
PATTERN MATCHING SCHEME FOR ECG DATA COMPRESSION
[4] Zhitao
Lu,
Dong
Youn
Kim
∗
and
William
A.
Pearlman:
Wavelet
Compression of ECG Signals by the Set Partitioning in Hierarchical Trees (SPIHT) Algorithm, 2000
[5] Xingyuan Wang, Juan Meng:
A 2-D ECG compression algorithm based
on wavelet transform and vector quantization, Digital Signal Processing 18 (2008), [179188]
[6] S. Z. Mahmoodabadi, A. Ahmadian, M. D. Abolhasani, M. Eslami, J. H. Bidgoli:
ECG Feature Extraction Based on Multiresolution Wavelet
Transform, Proceedings of the 2005 IEEE, Engineering in Medicine and Biology 27th Annual Conference, Shanghai, China, September 1-4, 2005 Typeset by FoilTEX
Irodalomjegyzék
EKG jelek analízise waveletekkel
[7] S. Z. Mahmoodabadi(MSc), A. Ahmadian (Phd), M. D. Abolhasani(Phd):
ECG FEATURE EXTRACTION USING DAUBECHIES WAVELETS, Proceedings of the Fifth IASTED International conference, VISUALIZATION, IMAGING AND IMAGE PROCESSING, September 7-9., 2005, Benidorm, Spain, [343-348]
[8] Zoltán Germán-Salló:
WAVELET TRANSFORM BASED ECG SIGNAL
DENOISING, INTERDISCIPLINARITY IN ENGINEERING, SCIENTIFIC INTERNATIONAL CONFERENCE, TG. MURES ROMANIA, 15 -16 November 2007., [IV-16-1 - IV-16-7]
[9] M. Kania,
M. Fereniec,
R. Maniewski:
Wavelet Denoising for Multi-
lead High Resolution ECG Signals, MEASUREMENT SCIENCE REVIEW, Volume 7, Section 2, No. 4, 2007, [30-33]
Typeset by FoilTEX
Irodalomjegyzék