Upload
lacey
View
48
Download
7
Embed Size (px)
DESCRIPTION
Předzpracování a analýza biosignálu. Michal Huptych Václav Chudáček. Obsah přednášky. Předzpracování signálu Snímání signálu Vznik signálu Způsoby snímání Příjem a zpracování Analogově-číslicový převod Filtrace signálu Furierova transformace Waveletová transformace Analýza signálu - PowerPoint PPT Presentation
Citation preview
Předzpracování a analýza biosignálu
Michal HuptychVáclav Chudáček
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
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
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, http://butler.cc.tut.fi/~malmivuo/bem/bembook/
Porovnání biosignálů
název Amplituda [mV] Frekvence [Hz]
EKG 0.05 – 5 0.01 - 150
fEKG 0.01 - 0.3 0.01 - 150
EEG 0.002 – 0.3 0.1 – 80
ECoG 0.01 - 5 0.1 – 80
EMG ≤ 5 ≤ 10000
• Součet velkého množství elektrických dipolů • Vzniká výsledný vektor udávající stav elektrického
pole srdce
Snímání signálu
• Snímání signálu je prováděno elektrodami Ag-AgCl• Nepolarizovatelný typ elektrod • Přechod kůže - elektroda přes vodivý gel
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
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, http://butler.cc.tut.fi/~malmivuo/bem/bembook/
Einthovenův trojúhelník
• Výsledný elektrický vektor lze vynést v Einthovenově trojúhelníku
Jaakko Malmivuo, http://butler.cc.tut.fi/~malmivuo/bem/bembook/
Dlouhodobé snímání EKG
• Dlouhé záznamy 24-48 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
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
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
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
Zesílení signálu
• Základními parametry zesilovače jsou– Vstupní odpor [Ω]– Napěťové zesílení [dB]:
– Diskriminační činitel CMRR [dB]:
Ud – rozdílové napětí, Us – souhlasné napětí
• Parametry EKG zesilovače (předzesilovače)– Vysoký vstupní odpor (řádově 1 až 10 MΩ)– Vysoký napěťový zisk zesilovače (60100dB) – Vysoký diskriminační činitel CMRR ≥ 100 dB
2u
1
UA =20log
Ud
s
UCMRR=20log
U
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)
+
t=-
y(t)= x(τ)h(t-τ)dτ pro signál spojitý v čase
+
i=- y(k)= x(i)h(k-i) pro signál diskrétní v čase
• 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
Vzorkování
• Převod času do diskrétní podoby
• Opakem vzorkovací periody je vzorkovací frekvence daná jako:
• Je potřeba dodržet určité zásady při volběvzorkovacího kmitočtu
vzvz
1 f
T
Podmínka pro vzorkování signálu
• Shannon-Kotělnikův teorém: podmínka pro vzorkovací frekvenci
• Při nedodržení této podmínky dochází k nevratnému zkreslení signálu
maxvz f2 f
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–nU chyba ε = < −q/2; q/2) SNR = 20log2n
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
Spektrální reprezentace signálu
• Fourierova transformace pro signály spojité v čase
• Fourierova transformace pro signály diskrétní v čase
)sin()cos()()()( tjttsdtetsS tj
( ) ( ) ( ) cos( ) sin( )j k
k
S s k e s k k j k
Spektrální reprezentace signálu
• Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi
• Na pravém obrázku je spektrum signálu
sin( ) sin(2 ) sin(8 ), 2 , 5 y ωt ωt ωt ω πf f Hz
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)
Typy filtrů podle funkce
dolní propust (DP) horní propust (HP)
pásmová propust (PP) pásmová zádrž (PZ)
• IIR filtry (infinite impulse response):
• FIR filtry (finite impulse response):
Typy filtrů podle impulsové odezvy
N
i ii
iii
zazazbzbb
zH0
22
11
22
110
1)(
M
kkkk zbzbbzH
1
22
110 )()(
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
Příklad filtrace EKG I
• Superponování EKG signálu na pomalé frekvence• V EKG častý artefakt - frekvence dýchání (do 0.66 Hz)
Příklady filtrace EKG II
• Rušení superponováním síťového signálu 50 Hz na signál EKG
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
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
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
N
n
N
n
nynN
neN
E0
2
0
2 )()(1
)(1
)1()1()1()( nxnenbnb kkk
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
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 (H0) získáváme aproximace
– Z horních propustí (H1) získáváme detaily
Příklad dekompozice
• Původní signál a čtyři jeho detaily
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
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
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
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– …
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
Extrakce příznaků (2)
• EKG signál s možnými parametry z časové oblasti
Extrakce příznaků (3)
• Detekce R-vlny
– Filtrace signálu
– Adaptivní nastavení prahu detektoru
– Detekce vrcholu/nejstrmějšího bodu v QRS komplexu
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
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
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
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
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
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
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]
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
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
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
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
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
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
Učení s učitelem (3)• Neuronové sítě
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!!!
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
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
Učení bez učitele (2)
• Příklad: k-means algoritmus
1.krok: Zadej počet shluků 2.krok: Vypočítej vzdálenosti k těžišti (centroidu) shluku. Urči příslušnost jednotlivých vzorků dat k centroidu na základě nejmenší vzdálenosti.
Učení bez učitele (3)
• Příklad: k-means pokračování
3.krok: Přepočítej pozice centroidů 4.krok: Pokračuj kroky 2 a 3 dokud data mění svojí příslušnost k centroidům
Učení bez učitele (4)
• Kohonenovy mapy • Typ neuronových sítí• Mapují vstup na váhy v síti• Neuron s největší odezvou na vstupní data je posílen
Metody inspirované přírodou
• Shlukování pomocí mravenčích kolonií
• Shlukování, třídění obdobných objektů– Bylo pozorováno u
druhů Messor sancta a Leptothorax unifasciatus
Metody inspirované přírodou• Shlukování pomocí
mravenčích kolonií• Shlukování, třídění
obdobných objektů– Bylo pozorováno u druhů
Messor sancta a Leptothorax unifasciatus
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 http://butler.cc.tut.fi/~malmivuo/bem/bembook/)
Děkujeme Vám za pozornost