Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Předzpracování a analýza biosignálu Michal Huptych Václav Chudáček.

Podobné prezentace


Prezentace na téma: "Předzpracování a analýza biosignálu Michal Huptych Václav Chudáček."— Transkript prezentace:

1 Předzpracování a analýza biosignálu Michal Huptych Václav Chudáček

2 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

3 Řetězec snímání a zpracování signálů •Zdroj signálu –Obecně u biosignálů člověk (zvíře) –Elektrická aktivita srdeční u EKG •Snímání signálu –Měřící elektrody –Způsob snímání a systémy umístění elektrod •Příjem a zpracování signálu –Požadavky na přijímací zařízení –Procesy úpravy signálu do požadované formy

4 Vznik a šíření srdeční aktivity •Šíření srdeční aktivity –SA uzel –Svalovina síní –Kontrakce síní –AV uzel –Hisův svazek –Tawarova raménka –Purkyňova vlákna –Kontrakce komor Jaakko Malmivuo,

5 Porovnání biosignálů názevAmplituda [mV]Frekvence [Hz] EKG0.05 – fEKG EEG0.002 – – 80 ECoG – 80 EMG≤ 5≤ •Součet velkého množství elektrických dipolů •Vzniká výsledný vektor udávající stav elektrického pole srdce

6 Snímání signálu •Snímání signálu je prováděno elektrodami Ag-AgCl •Nepolarizovatelný typ elektrod •Přechod kůže - elektroda přes vodivý gel

7 Systémy snímání EKG •12 svodový systém –Je základním svodovým systémem pro snímání srdečního potenciálu –Provádí se nejčastěji v leže po dobu desítek minut •Dlouhodobý záznam –Je nejčastěji prováděn v průběhu 24 hodin –Umožňuje sledovat vývoj srdeční aktivity v průběhu běžných činností •Více svodové systémy –Umožňuje snímat elektrické pole srdeční z oblasti hrudníku a zad –Podává komplexní pohled na vývoj srdeční aktivity

8 12 svodové snímání EKG •12-ti svodový systém je složen ze tří skupin svodů –Bipolárních končetinových podle Einthovena – 3 svody –Unipolárních končetinový svodů podle Goldbergera – 3 svody –Unipolárních hrudních svodů podle Wilsona – 6 svodů Jaakko Malmivuo,

9 Einthovenův trojúhelník •Výsledný elektrický vektor lze vynést v Einthovenově trojúhelníku Jaakko Malmivuo,

10 Dlouhodobé snímání EKG •Dlouhé záznamy hodin •Zjednodušený svodový systém •Rozdíly proti standardnímu 12-ti svodovému EKG: –Nevýhody •Méně kanálů •Více šumu •Pohybové artefakty •Velká dynamika RR-intervalů –Výhody •Větší časový záběr •Lepší detekce arytmií •Pokrytí běžných lidských činností

11 Více svodové snímání EKG •Používá se 24 – 512 elektrod umístěných na povrchu hrudníku •Systémy se dělí na úplné a neúplné –Neúplné systémy se dopočítávají –Úplné systémy měří potenciál ve všech bodech •Úplný systém 16x5 s výslednou potenciálovou mapou

12 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

13 Příjem a zpracování signálu •Galvanické oddělení z důvodu bezpečnosti •Realizováno optickým členem •Zdroj záření – LED dioda (IR záření, viditelné světlo) •Detekce záření – foto - tranzistor, tyristor, triak

14 Zesílení signálu •Základními parametry zesilovače jsou –Vstupní odpor [Ω] –Napěťové zesílení [dB]: –Diskriminační činitel CMRR [dB]: U d – rozdílové napětí, U s – souhlasné napětí •Parametry EKG zesilovače (předzesilovače) –Vysoký vstupní odpor (řádově 1 až 10 MΩ) –Vysoký napěťový zisk zesilovače (60  100dB) –Vysoký diskriminační činitel CMRR ≥ 100 dB

15 Filtrace •Filtrace = rozdělení signálu na základě jeho frekvenčních složek na propustné a nepropustné pásmo •Podle typu zpracování: –analogové filtry (odpor, kondenzátor, cívka) –číslicové filtry (signálové procesory, PC)

16 •Analogový signál – spojitý v čase a se spojitými hodnotami •Digitální signál – diskrétní v čase a s diskrétními hodnotami •Oba procesy – vzorkovaní a kvantování – prování A/D převodník Převod signálu do digitální formy

17 Vzorkování •Převod času do diskrétní podoby •Opakem vzorkovací periody je vzorkovací frekvence daná jako: •Je potřeba dodržet určité zásady při volbě vzorkovacího kmitočtu

18 Podmínka pro vzorkování signálu •Shannon-Kotělnikův teorém: podmínka pro vzorkovací frekvenci •Při nedodržení této podmínky dochází k nevratnému zkreslení signálu

19 Kvantování •Převod reálných čísel do kvantovaných hladin •Úpravy signálu na dané množství úrovní: –zaokrouhlovat –oseknout shora –oseknout zdola •Převodník převádějící na n-bitová čísla signál o vstupním rozsahu U q = 2 –n U chyba ε = < −q/2; q/2) SNR = 20log2 n

20 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

21 Spektrální reprezentace signálu •Fourierova transformace pro signály spojité v čase •Fourierova transformace pro signály diskrétní v čase

22 Spektrální reprezentace signálu •Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi •Na pravém obrázku je spektrum signálu

23 Spektrální reprezentace signálu •Levý obrázek je záznam EKG na pravém jeho spektrum •Obsahuje dvě rušivé frekvence –Síťový brum 50 Hz –Pomalé frekvence dýchání (do 0.66 Hz)

24 Typy filtrů podle funkce dolní propust (DP) horní propust (HP) pásmová propust (PP) pásmová zádrž (PZ)

25 •IIR filtry (infinite impulse response): •FIR filtry (finite impulse response): Typy filtrů podle impulsové odezvy

26 Filtry typu FIR vs. filtry typu IIR •počet koeficientů impulzové odezvy filtru řídí jeho strmost IIR  aproximace h    může být nestabilní  nízké řády (4 – 8)  mezní kmity – oscilace  nelineární fáze FIR  aproximace h[n] konečná  vždy stabilní  vysoké řády (50 – 100)  neosciluje  lineární fáze

27 Příklad filtrace EKG I •Superponování EKG signálu na pomalé frekvence •V EKG častý artefakt - frekvence dýchání (do 0.66 Hz)

28 Příklady filtrace EKG II •Rušení superponováním síťového signálu 50 Hz na signál EKG

29 Adaptivní filtrace •FIR filtr jehož koeficienty jsou průběžně přenastavovány nějakým algoritmem •Monitoruje vstupní a výstupní signál z filtru, z chybového signálu se snaží nastavit koeficienty filtru tak, aby chyba byla co nejmenší

30 Adaptivní filtrace - použití •Filtrace parazitního kmitočtu – S v čase měnícími se parametry – S časově stabilními, ale neznámými parametry •V tomto případě pak nelze navrhnout potřebný pevný filtr. •Dvě základní aplikace: – Odstranění neznámého harmonického časově málo proměnného signálu z užitečného žádaného signálu – Odstranění širokopásmového náhodného šumu (blízký bílému) z užitečného signálu s pomalými změnami v porovnání se šumem •EKG –Odstranění pohybových artefaktů –Pokročilejší metody pro odstranění síťového brumu

31 Algoritmy adaptivní filtrace •Koeficienty filtru mohou být řízeny některým z těchto algoritmů: •LMS (Least Mean Square) algoritmus •TV-LMS (Time-Varying LMS) algoritmus –LMS algoritmus s časově proměnným konvergenční koeficient •RLS (Recursive Least Squares) algoritmus –Oproti LMS rychlejší konvergence –Větší složitost

32 Vlnková trasformace •U Fourierovy transformace se pojem o čase ztratí –Víme, že se v nějakém časovém intervalu objevily nějaké frekvence, ale přesný okamžik jejich výskytu nemáme •U vlnkové transformace má signál časově-frekvenční reprezentaci –Dokážeme určit, v kterém okamžiku se nějaká frekvence v signálu objevuje –Možnost sledovat frekvenční změny v závislosti na časové poloze –Rozkladovou bázi tvoří vybraná vlnková funkce (wavelet) •Rozlišujeme spojitou a diskrétní vlnkovou transformaci

33 Filtrace a vlnková transformace •Protože v nízkých frekvencích signálu jsou obsaženy jeho hrubé rysy, nazývají se tyto složky aproximace •Naproti tomu ve vysokých frekvencích signálu jsou obsaženy jemné rysy, proto se tyto složky nazývají detaily •Diskrétní vlnková transformace je postupná filtrace signálu –Z dolních propustí (H 0 ) získáváme aproximace –Z horních propustí (H 1 ) získáváme detaily

34 Příklad dekompozice •Původní signál a čtyři jeho detaily

35 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

36 Vstupní technické parametry signálu •Vzorkovací frekvence –125Hz – 2kHz – 4kHz pro EKG –Různá úroveň možných, detekovatelných, detailů •Zesílení –Obvykle 1000 •Typ přístroje použitého k měření –Stolní dvanáctisvodové EKG –Holterovské –Multisvodové •Typ měřeného signálu –Krátký několika vteřinový záznam –Dlouhodobý záznam –Záznam při zátěži

37 Segmentace signálu •Segmentace bez vztahu k signálu –Typický příklad EEG –Strukturální analýza •Rozdělení signálu na stejně velké části – kategorizace jednotlivých segmentů •Rozdělení signálu na části podle pravidel navázaných na signál •Segmentace vztažená k charakteristice signálu –Rozměření EKG –Jasně definované vlny –Metody zpracování biologických signálů •Filtrace •Gradientní metody •Frekvenční transformace •Waveletová transformace

38 Segmentace signálu na příkladu EKG •Detekce QRS komplexu – vlna R, nejrychlejší náběžná hrana •Analýza rytmu •Detekce jednodušších vln –Q, S •Detekce složitějších vln –T, P, U •Výběr cyklu či zprůměrování •Podrobné rozměření –Detekce alternace –Sklon ST segmentu –…

39 Extrakce příznaků •Účel extrakce příznaků –Zjednodušení problému –Vzorky vs. Body pro aproximaci •Volba zájmové domény –Časová oblast –Frekvenční –Jiná •Mají být příznaky srozumitelné uživateli? •K jakým účelů se budou využívat –Diagnóza –Shlukování –Trénovací množina klasifikátoru

40 Extrakce příznaků (2) •EKG signál s možnými parametry z časové oblasti

41 Extrakce příznaků (3) •Detekce R-vlny –Filtrace signálu –Adaptivní nastavení prahu detektoru –Detekce vrcholu/nejstrmějšího bodu v QRS komplexu

42 Výběr příznaků •Příliš příznaků pro danou množinu dat •Výpočetně náročné •Zbytečné zvyšování chyb při používání vzájemně závislých signálů •PCA – Principal component analysis –Popisu dat vlastními čísly, vektory –Reprezentace dat komponentami s nejvyšší výpovědní hodnotou –Nezávislé komponenty - maximální informace

43 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

44 Automatická diagnostika •Výhody automatické diagnostiky –Lepší diagnostika než laická –Rychlejší zpracování velkých objemů dat –Ulehčení práce –Práce s neurčitostí •Různé typy diagnostiky –Rozhodovací stromy –Případové usuzování –Expertní systémy –Klasifikátory s učitelem –Klasifikátory bez učitele

45 Automatická diagnostika •Výhody automatické diagnostiky –Lepší diagnostika než laická –Rychlejší zpracování velkých objemů dat –Ulehčení práce –Práce s neurčitostí •Různé typy diagnostiky –Rozhodovací stromy –Případové usuzování –Expertní systémy –Klasifikátory s učitelem –Klasifikátory bez učitele

46 Automatická diagnostika •Výhody automatické diagnostiky –Lepší diagnostika než laická –Rychlejší zpracování velkých objemů dat –Ulehčení práce –Práce s neurčitostí •Různé typy diagnostiky –Rozhodovací stromy –Případové usuzování –Expertní systémy –Klasifikátory s učitelem –Klasifikátory bez učitele

47 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

48 Rozhodovací stromy •Cílem rozhodovacích stromů je identifikovat objekty, popsané různými diskrétními atributy do tříd •Příklad: Raná diagnostika komplikací po transplantaci ledviny [http://www.sin-italy.org/jnonline/VOL11N3/beyga/beyga.htm]

49 Rozhodovací stromy (2) - příklad •Roztřídění (clustering) beatů z holterovského EKG záznamu pomocí rozhodovacích stromů •Na základě změřených parametrů vypočítán medián •Cíl: Koherentní skupina pro další diagnostiku

50 Případové usuzování •V současnosti existuje ohromné množství dat bez využití •Jedna z možností využití dat – případové usuzování •Nový případ je porovnán se starými již ohodnocenými případy •V případě podobnosti se využijí výsledky stávajících případů •Jinak se obohatí databáze o nový výsledek •Velmi intuitivní přístup

51 Expertní systémy •Tři části –Báze dat –Báze znalostí –Inferenční mechanismus •Zajímavý problém získání znalostí od experta •Práce s neurčitostí •Možnost automatického rozšiřování báze znalostí pomocí učení •Vysvětlovací mechanismus

52 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

53 Učení s učitelem •Na základě příkladů natrénujeme klasifikátor •Příkladem jsou –Neuronové sítě –Nejbližší soused –Bayesovský klasifikátor –Případové usuzování –Rozhodovací stromy •Pro správnou funkci klasifikátoru nutná dostatečně velká a dostatečně reprezentativní trénovací množina •Množina se musí pomocí vhodně zvolených příznaků správně reprezentovat •Musíme si stanovit typ výstupu

54 Učení s učitelem (2) •Příklad: k-NN klasifikátor •Nové dato se klasifikuje na základě k nejbližších sousedů •V příkladě za použití 2-NN algoritmu bude nové dato (reprezentováno trojúhelníkem) klasifikováno jako kolečko

55 Učení s učitelem (3) •Neuronové sítě

56 Učení s učitelem (4) •Neuronové sítě (NN) •Důležité vlastnosti NN –Černá skřínka –Může být nejefektivnější klasifikátor –Velmi rychlá –Používá se v řízení, rozpoznávání –V medicíně zatím okrajově PLATÍ PRAVIDLO: Nesmyslný vstup -> Nesmyslný výstup!!!

57 Obsah přednášky •Předzpracování signálu –Snímání signálu •Vznik signálu •Způsoby snímání –Příjem a zpracování •Analogově-číslicový převod •Filtrace signálu –Furierova transformace –Waveletová transformace •Analýza signálu –Extrakce a selekce příznaků –Automatická diagnostika •Intuitivní metody •Obecné –Algoritmy pro učení s učitelem –Algoritmy pro učení bez učitele

58 Učení bez učitele •Klasifikátor se učí bez zásahů zvenčí – nedostává trénovací data •Pouze na základě vnitřní struktury dat •Výstupem jsou shluky dat s podobnými vlastnostmi •Příkladem jsou shlukovací techniky jako: –K-means –SOM Neuronové sítě - Self Organizing Maps (Kohonenova síť) •Výhodou je absence předem připravené trénovací množiny a množiny výstupů •Nevýhodou je potřeba následné klasifikace výstupu pro některé úlohy •Nevhodné pro úlohy, kde malá změna na vstupu změní třídu výstupu

59 Učení bez učitele (2) •Příklad: k-means algoritmus 1.krok: Zadej počet shluků2.krok: Vypočítej vzdálenosti k těžišti (centroidu) shluku. Urči příslušnost jednotlivých vzorků dat k centroidu na základě nejmenší vzdálenosti.

60 Učení bez učitele (3) •Příklad: k-means pokračování 3.krok: Přepočítej pozice centroidů4.krok: Pokračuj kroky 2 a 3 dokud data mění svojí příslušnost k centroidům

61 Učení bez učitele (4) •Kohonenovy mapy •Typ neuronových sítí •Mapují vstup na váhy v síti •Neuron s největší odezvou na vstupní data je posílen

62 Metody inspirované přírodou •Shlukování pomocí mravenčích kolonií •Shlukování, třídění obdobných objektů –Bylo pozorováno u druhů Messor sancta a Leptothorax unifasciatus

63 Metody inspirované přírodou •Shlukování pomocí mravenčích kolonií •Shlukování, třídění obdobných objektů –Bylo pozorováno u druhů Messor sancta a Leptothorax unifasciatus

64 Reference  V. Mařík, O. Štěpánková, J. Lažanský a kol.: Umělá Inteligence 1. – 4.díl Academia, Praha  J. Malmuvio and R. Plonsey, Bioelectromagnetism, Principles and Applications. of Bioelectric and Biomagnetic Fields, Oxford University Press, 1995 (přístupná on-line na

65 Děkujeme Vám za pozornost


Stáhnout ppt "Předzpracování a analýza biosignálu Michal Huptych Václav Chudáček."

Podobné prezentace


Reklamy Google