Вейвлет-анализ электрокардиограмм - Программирование, компьютеры и кибернетика дипломная работа

Применение вейвлет-преобразования для сжатия и обработки медицинских сигналов и изображений. Разработка алгоритма автоматизированного выделения PQRST-признаков в сигнале электрокардиограмм с помощью вейвлет-инструментария математического пакета Matlab.


посмотреть текст работы


скачать работу можно здесь


полная информация о работе


весь список подобных работ


Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное бюджетное образовательное учреждение
высшего профессионального образования
«КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
Кафедра теоретической физики и компьютерных технологий
Специальность - Информационные системы и технологии
канд. физ.-мат. наук, доцент А.А. Мартынов
Полывьян А.А. ВЕЙВЛЕТ-АНАЛИЗ ЭЛЕКТРОКАРДИОГРАММ
Дипломная работа: рис. 18, табл. 2, использованных источников 23.
ЭКГ, ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЕ, PQRST-ПРИЗНАКИ, MATLAB, АНАЛИЗ БИОЛОГИЧЕСКИХ СИГНАЛОВ, ПОМЕХИ ПРИ АНАЛИЗЕ ЭКГ, БОЛЕЗНИ СЕРДЦА
Основным результатом работы является разработка алгоритма автоматизированного выделения PQRST-признаков в сигнале ЭКГ с помощью вейвлет-инструментария математического пакета Matlab. В ходе работы решены задачи изучения теоретических основ и практических применений вейвлет-преобразования, изучения характеристических особенностей сигнала ЭКГ, используемых при диагностировании заболеваний, а также изучения инструментария Matlab для работы с вейвлетами.
На сегодняшний день одним из самых распространенных методов диагностики и распознавания сердечнососудистых заболеваний является электрокардиография. Сигнал ЭКГ характеризуется набором зубцов на кардиограмме по временным и амплитудным параметрам которых ставится диагноз. До недавнего времени процедуру нахождения характеристик зубцов выполнял врач-кардиолог, используя при этом только чертежные принадлежности. Такая схема достаточно проста и надежна, но требует много времени, и она работала в течение долгого времени из-за отсутствия альтернативных подходов к решению данной задачи.
В настоящее время ни одна область экспериментальной, клинической или профилактической медицины не может успешно развиваться без широкого применения электронной медицинской аппаратуры. Инструментальные методы исследований и контроля используются в космической и подводной физиологии, спортивной и экстремальной медицине, сложных видах хирургического вмешательства. Задачи инженерно-психологической экспертизы при проектировании сложных управляющих комплексов, связанные с текущей диагностикой состояния организма человека-оператора, также не могут решаться без использования электронной диагностической аппаратуры.
Сравнение эффективности различных диагностических методов показывает, что наиболее полезная информация о функционировании внутренних органов и физиологических систем организма содержится в биоэлектрических сигналах, снимаемых с различных участков под кожным покровом или с поверхности тела. Прежде всего, это относится к электрической активности сердца, электрическому полю головного мозга, электрическим потенциалам мышц.
Обобщенно любое электрофизиологическое исследование представляется тремя последовательными этапами: съем, регистрация и обработка сигналов биоэлектрической активности. Специфические особенности, присущие конкретному методу реализации каждого из этапов, определяют комплекс требований и ограничений на возможную реализацию остальных. На протяжении нескольких десятилетий достоверность получаемых результатов ограничивалась техническими возможностями средств регистрации и отображения информации. Это сдерживало развитие методов автоматической обработки биоэлектрических сигналов. Последнее десятилетие, характеризующееся бурным развитием микроэлектроники и средств вычислительной техники, позволяет, с одной стороны, практически исключить инструментальные искажения, а с другой - применять методы цифровой обработки сигналов, реализация которых была ранее невозможна.
Особое место среди электрофизиологических методов диагностики занимает измерение и обработка электрокардиосигнала. Это связано с тем, что электрокардиограмма является основным показателем, который в настоящее время позволяет вести профилактический и лечебный контроль сердечнососудистых заболеваний. Эффективности электрокардиографических методов диагностики способствует развитая и устоявшаяся система отведений и широкое использование количественных показателей ЭКГ.
С развитием компьютеров стали появляться специализированные комплексы, позволяющие выявлять сердечные заболевания, на основе автоматизированного анализа временных параметров ЭКГ. На сегодняшний день известны разработки фирм MedIT, Innomed Medical Co. Ltd. и другие. Кардиографы этих компаний выполняют основные операции, необходимые для работы в реальных условиях. Программное обеспечение является одной из частей кардиографической системы. Оно обеспечивает фильтрацию сигналов, анализ данных и постановку диагноза на основе временных параметров ЭКГ.
Целью дипломной работы является разработка алгоритма для автоматизированного выделения PQRST-признаков в сигнале ЭКГ с помощью вейвлет-инструментария математического пакета Matlab.
В ходе дипломной работы решались следующие задачи:
1. Изучение теоретических основ и практических применений вейвлет-преобразования.
2.Изучение характеристических особенностей сигнала ЭКГ, используемых при диагностировании заболеваний.
3. Изучения инструментария Matlab для работы с вейвлетами.
4. Построение алгоритма для автоматизированного выделения PQRST-признаков в сигнале ЭКГ с помощью Matlab.
1.1 Непрерывное вейвлет-преобразование
Важнейшим средством анализа стационарных непрерывных сигналов является преобразование Фурье непрерывного времени (CTFT). При этом сигнал раскладывается в базис синусов и косинусов различных частот. Количество этих функций - бесконечно большое. Коэффициенты преобразования находятся путем вычисления скалярного произведения сигнала с комплексными экспонентами:
где f(x) означает сигнал, а - его преобразование Фурье. С практической точки зрения CTFT имеет ряд недостатков. Во-первых, для получения преобразования на одной частоте требуется вся временная информация. Это означает, что должно быть известно будущее поведение сигнала. Далее, на практике не все сигналы стационарны. Пик в сигнале во временной области распространится по всей частотной области его преобразования Фурье. Для преодоления этих недостатков CTFT вводится кратковременное, или оконное преобразование Фурье (STFT):
в котором применяется операция умножения сигнала на окно перед применением преобразования Фурье. Окном w(x-b) является локальная функция, которая сдвигается вдоль временной оси для вычисления преобразования в нескольких позициях b. Преобразование становится зависимым от времени, и в результате получается частотно-временное описание сигнала. В качестве окна часто выбирается функция Гаусса, и в этом случае обратное преобразование тоже будет выполняться с использованием оконной функции Гаусса. Используются также многочисленные другие окна, в зависимости от конкретного приложения.
Недостаток STFT состоит в том, что при его вычислении используется фиксированное окно, которое не может быть адаптировано к локальным свойствам сигнала.
Вейвлет-преобразование, рассматриваемое далее, решает эту и некоторые другие проблемы. Непрерывное вейвлет-преобразование (CTWT) есть скалярное произведение f (x) и базисных функций
Базисные функцииявляются вещественными и колеблютсявокруг оси абсцисс. Они определены на некотором интервале. Данные функции называются вейвлетами (в переводе - короткие волны) и могут рассматриваться как масштабированные и сдвинутые версии функции-прототипа . Параметр b показывает расположение во времени, а а - параметр масштаба. Большие значения а соответствуют низким частотам, малые -высоким. Операция умножения на окно как бы содержится в самой базисной функции, которая позволяет сужать и расширять это окно. Отсюда появляется возможность адаптивного к сигналу выбора параметров окна.
На рисунке 1 показано разбиение частотно-временного плана для STFT и для CTWT. В соответствии с принципом неопределенности сужение окна анализа во временной области вызывает расширение его в частотной. Таким образом, площадь окна остается постоянной.
Рисунок 1 - Разбиение частотно-временного плана при STFT (a) и при CTFT (б)
Для того чтобы было возможно обратное получение f(x) из результата CTWT, функция должна удовлетворять следующему условию:
где через обозначено преобразование Фурье . Если - локальная функция, то из (5) следует, что ее среднее значение равно нулю:
Тогда формула реконструкции имеет вид:
Как видно из (7), f (x ) может быть выражена через сумму базисных
Параметры а и b меняются непрерывно, и поэтому множество базисных функций избыточно. Необходима дискретизация значений а и b при сохранении возможности восстановления сигнала из его преобразования. Можно показать, что дискретизация должна осуществляться следующим образом:
Возможен произвольный выбор параметра b 0 . Без потери общности выберем b 0 = 1. Из (8) видно, что параметр местоположения зависит от параметра масштаба. С увеличением масштаба увеличивается размер шага сдвига. Это интуитивно понятно, так как при анализе с большим масштабом детали не так важны.
Для дискретных значений а и b вейвлет-функции представляются в виде:
Иногда дискретизированное преобразование называется вейвлет-преобразованием. Однако нам кажется более правильным ввести по аналогии с терминологией преобразований Фурье название рядов вейвлетов непрерывного времени (CTWS), так как мы имеем дело с дискретным представлением непрерывного сигнала. CTWS определяется путем дискретизации CTWT:
Восстановление f (x ) из последовательности возможно в том случае, если существуют числа A > 0 и B , где «пропустить» является количеством пропускаемых нулей, а «число» - значение, которое необходимо поставить в следующую ячейку.
В блоке «сжатие по Хаффману» происходит свертывание получившихся пар кодированием по Хаффману с фиксированной таблицей.
Процесс восстановления изображения в этом алгоритме полностью симметричен.
Вейвлеты представляют собой математические функции, позволяющие анализировать различные частотные компоненты данных. Вейвлеты обладают существенными преимуществами по сравнению с преобразованием Фурье, потому что вейвлет-преобразование позволяет судить не только о частотном спектре сигнала, но также о том, в какой момент времени появилась та или иная гармоника. С их помощью можно легко анализировать прерывистые сигналы, либо сигналы с острыми всплесками. Кроме того, вейвлеты позволяют анализировать данные согласно масштабу, на одном из заданных уровней. Уникальные свойства вейвлетов позволяют сконструировать базис, в котором представление данных будет выражаться всего несколькими ненулевыми коэффициентами. Это свойство делает вейвлеты очень привлекательными для упаковки данных, в том числе видео- и аудио-информации. Вейвлеты нашли широкое применение в цифровой обработке изображения, обработке сигналов и анализе данных. Существует два класса вейвлет-преобразований: непрерывные и дискретные. Непрерывное вейвлет-преобразование (CTWT) есть скалярное произведение f ( x ) и базисных функций
Базисные функции являются вещественными и колеблются вокруг оси абсцисс. Они определены на некотором интервале. Данные функции называются вейвлетами и могут рассматриваться как масштабированные и сдвинутые версии функции-прототипа . Параметр b показывает расположение во времени, а а - параметр масштаба. Большие значения а соответствуют низким частотам, малые - высоким.
Алгоритм вейвлет-преобразования может быть представлен, как передача сигнала через пару фильтров: низкочастотный и высокочастотный. Низкочастотный фильтр выдает грубую форму исходного сигнала. Высокочастотный фильтр выдает сигнал разности или дополнительной детализации.
На практике вейвлет-преобразование должно применяться к сигналам конечной длины. Таким образом, его необходимо модифицировать, чтобы из сигнала конечной длины получать последовательность коэффициентов той же длины.
Алгоритм дискретного вейвлет-преобразования можно представить как субполосное преобразование с фильтрацией и последующим прореживанием в два раза. Так как в данном случае имеется два фильтра Hи G, то банк фильтров - двухполосный и может быть изображен, как показано на рисунке 6.
Рисунок 6 - Схема двухполосного банка фильтров
В нижней ветви схемы выполняется низкочастотная фильтрация. В результате получается некоторая аппроксимация сигнала, лишенная деталей - низкочастотная (НЧ) субполоса. В верхней части схемы выделяется высокочастотная (ВЧ) субполоса. Отметим, что при обработке сигналов константа 2 1/2 всегда выносится из банка фильтров и сигнал домножается на 2. Схема делит сигнал уровня j=0 на два сигнала уровня j=1. Далее, вейвлет-преобразование получается путем рекурсивного применения данной схемы к НЧ части.
В обработке изображений используется двумерное дискретное вейвлет-преобразование, которое представляет собой одномерное вейвлет-преобразование по очереди применяемое к столбцам, а затем к строкам. Можно представить вейвлет-преобразование изображения следующей структурой на основе банков фильтров представленной на рисунке 7.
Рисунок 7 - Вейвлет декомпозиция изображения на основе банков фильтров
На этом рисунке НЧНЧ - это низкочастотные составляющая для столбцов и строк, НЧВЧ - низкочастотные составляющие для строк и высокочастотные для столбцов, ВЧНЧ - высокочастотные составляющие для строк и низкочастотные для столбцов, ВЧВЧ - высокочастотные составляющие для строк и столбцов. Можно применить данное преобразование еще раз к низкочастотной составляющей. Таким образом, уровень декомпозиции будет равен 2. Примеры изображений после применения вейвлет-преобразования представлены ниже на рисунке 8(а, б, в).
Рисунок 8а - оригинальное изображение
Рисунок 8б - результат декомпозиции первого уровня
Рисунок 8в - результат декомпозиции второго уровня.
Сравнение с другими алгоритмами сжатия изображений. Преимущество применения вейвлет-преобразования вместо ДКП (шаг 3 в алгоритме JPEG) состоит в том, что вейвлет-преобразованию подвергается изображение целиком, а не его отдельные фрагменты. Также применение вейвлет-преобразования позволяет реализовать функции предварительного просмотра и масштабирования изображения. В левом верхнем углу преобразованного изображения хранится уменьшенная копия исходного изображения (см. рисунок5). Для реализации режима предварительного просмотра изображения достаточно передать лишь эти данные.
Алгоритм JPEG2000 также использует wavelet-преобразование в качестве базового, но по сравнению с JPEG является более трудоемким в реализации и требует значительно большей вычислительной мощности системы. Производительность предлагаемого алгоритма не отличается от JPEG.
1.4.3 Модифицированный алгоритм сжатия изображений JPEG с использованием вейвлет-преобразования
В модифицированном алгоритме JPEG вместо ДКП использовано дискретное вейвлет-преобразование. В качестве элементной базы рассматривался цифровой сигнальный процессор TMS320VC5510 компании TexasInstruments. Данный микропроцессор обладает высокой производительностью при низком энергопотреблении. Библиотека обработки изображений состоит из более чем 20 подпрограмм, оптимизированных для ядра C55x. Библиотека включает в себя стандартные функции обработки изображений, такие, как сжатие, обработка видеосигнала, машинное зрение и медицинские задачи обработки изображений. В частности, библиотека включает в себя функции, реализующие вейвлет-преобразование, квантование и процедуру сжатия по Хаффману, которые используются в разработанной модификации алгоритма.
Блок-схема программы, реализующей модифицированный алгоритм JPEG, в котором вместо ДКП использовано вейвлет-преобразование, представлена на рисунке 9.
После инициализации микропроцессора начинается ожидание команды «старт». После получения команды происходит прием несжатого изображения с камеры в формате RAW размером 640х480 точек. Далее происходят интерполяция RAW в RGB и преобразование цветовых пространств из RGB в YCbCr. К каждой компоненте применяется вейвлет-преобразование. Полученные коэффициенты разбиваются на блоки 8х8 точек, которые квантуются и сжимаются процедурами группового кодирования и кодирования по Хаффману, применяемыми в JPEG. После завершения обработки всех блоков происходит посылка сжатого изображения конечному адресату.
С помощью разработанной программы были сжаты тестовые изображения. Степень сжатия составила 5-10 раз, т.е. меньше, чем при использовании дискретного косинусного преобразования. При замене дискретного косинусного преобразования на вейвлет-преобразование применение группового кодирования перед сжатием по Хаффману не обеспечивает должного сжатия. Это объясняется тем, что при разложении дискретным косинусным преобразованием большинство высокочастотных коэффициентов в матрице 8х8 после квантования равны нулю, что при групповом кодировании дает большой коэффициент сжатия. При использовании вейвлет-преобразования такого эффекта не наблюдается. Матрицы коэффициентов после квантования имеют примерно одинаковые значения, что при групповом кодировании не даёт уменьшения в размере. Степень сжатия можно увеличить путем замены группового кодирования на иной алгоритм сжатия.
В процессе работы алгоритма необходимо хранить в памяти матрицу исходного изображения и матрицу цветовой компоненты, которая обрабатывается в данный момент. Также необходимо зарезервировать область памяти для хранения сжатого изображения. Таким образом, для работы алгоритма необходимо около 800 Кбайт памяти. В микропроцессоре TMS320VC5510 доступно около 300 Кбайт внутренней памяти, поэтому была использована внешняя память SDRAM. Производительность алгоритма составляет 2 кадра в секунду.
Вейвлет преобразование нашло применение в методе JPEG 2000.
Метод разработан той же группой
Вейвлет-анализ электрокардиограмм дипломная работа. Программирование, компьютеры и кибернетика.
Реферат по теме Создание отчетов СУБД Access
Реферат: Биоценоз, как часть биосферы
Реферат: Концепция разделения властей Дж. Локка
Кодекса Диссертация
Реферат: Подводные лодки типа "Нарвал"
Декабрьское Сочинение 2022 2022 Сколько Времени Дается
Отчет По Практике На Тему Система "1с: Предприятие"
Курсовая Работа На Тему Особливості Роботи Соціального Педагога З Молодіжними Організаціями І Неформальними Об’Єднаннями
Реферат: Эмоциональная регуляция деятельности. Скачать бесплатно и без регистрации
Социальная Защита Беженцев Реферат
Реферат: Соловецкие юнги
Курсовая работа: Особенности производства кисломолочных напитков. Скачать бесплатно и без регистрации
Дипломная работа: Учет и анализ и аудит текущих обязательств на материалах ОАО СЗКО Мо
Произведения На Тему Любви Для Сочинения
Курсовая работа: Особливості цивільного права
Курсовая Работа На Тему Стимулювання Збуту На Підприємстві Філія "Черкаська Дед" Дп "Черкаський Облавтодор"
Реферат: Актуальность темы исследования. На рубеже XX xxi веков Россией переживается глубокий духовный кризис, связанный, в первую очередь, с нарушением преемственност
Реферат по теме Сталинизм и цивилизационный подход в ХХ веке
Дипломная работа по теме Проект строительства одноквартирного двухэтажного четырехкомнатного жилого дома
Реферат по теме История конфликта в Таджикистане
Разработка механизма эффективной мотивации персонала в фирме "Балтмоторс" - Менеджмент и трудовые отношения курсовая работа
Военная политика и военное строительство - Военное дело и гражданская оборона реферат
Коллективизация сельского хозяйства - История и исторические личности курсовая работа