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.
Краткое сожержание материала:

Размещено на

Размещено на

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

(ФГБОУ ВПО «КубГУ»)

Физико-технический факультет

Кафедра теоретической физики и компьютерных технологий

ДИПЛОМНАЯ РАБОТА

Вейвлет-анализ электрокардиограмм

Работу выполнил

Полывьян Александр Андреевич

Специальность - Информационные системы и технологии

канд. физ.-мат. наук, доцент А.А. Мартынов

Краснодар 2013

Реферат

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.

Содержание

• Введение
• 1. Вейвлет-преобразование
• 1.1 Непрерывное вейвлет-преобразование
• 1.2 Дискретное вейвлет-преобразование
• 1.2.1 Один уровень преобразования
• 1.2.2 Каскадирование и банки фильтров
• 1.3 Достоинства и недостатки вейвлет-преобразований
• 1.4 Использование вейвлет-преобразования в алгоритме сжатия изображений
• 1.4.1 Базовый алгоритм сжатия изображений
• 1.4.2 Вейвлет-преобразование
• 1.4.3 Модифицированный алгоритм сжатия изображений JPEG с использованием вейвлет-преобразования
• 1.4.4 JPEG 2000
• 1.4.5 Выводы
• 1.5 Применение вейвлет-преобразования к обработке медицинских сигналов и изображений
• 1.5.1 Выявление коронарной болезни сердца
• 1.5.2 Турбулентный кровоток
• 1.5.3 Выявление нерегулярных сердечных сокращений
• 1.5.4 Вейвлеты в электроэнцефалографии (ЭЭГ)
• 1.5.5 Алкоголь и потомство
• 1.5.6 ЭЭГ в период приступа
• 1.5.7 Вейвлеты в цифровой маммографии
• 1.5.8 Сжатие медицинских изображений с помощью вейвлетов
• 2. Использование вейвлет - преобразования для анализа электрокардиограмм
• 2.1 Компоненты электрокардиограммы
• 2.2 Диагностика выделения признаков
• 2.3 Выделение признаков
• 2.4 Помехи при регистрации электрокардиограммы
• 2.5 Многоуровневая вейвлет-декомпозиция
• 2.6 Вейвлет-анализ с помощью Matlab
• 2.6.1 Перечень функций WaveletToolbox
• 2.6.2 Одномерное дискретное многоуровневое вейвлет- преобразование
• 2.7 Предлагаемый алгоритм выделения признаков PQRST
• Заключение
• Список используемой литературы

Введение

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. Вейвлет-преобразование

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:

(1)

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):

(2)

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, кото...