CC BY
116
Список литературы / References
1. Давыдов М.И., Абдихакимов А.Н., Полоцкий Б.Е. и др. К вопросу о роли хирургии в лечении местнораспространенного и диссеминированного рака желудка // Анналы хирургии, 2002. № 2. С. 33-41.
2. Брехов Е.И., Привезенцев С.А., Кулешов И.Ю. и др. Хирургическое лечение местнораспространенного рака желудка с послеоперационной лучевой терапией // Российский онкологический журнал, 2003. № 4. С. 24-26.
3. Абдихакимов А.Н. Результаты хирургического лечения местнораспространенного рака желудка T4N2M0 // Анналы хирургии, 2003. № 1. С. 23-27.
4. Карачун А.М. Непосредственные и отдаленные результаты комбинированных хирургических вмешательств по поводу местно-распространенного рака желудка // Сибирский онкологический журнал, 2011. № 1 (43). С. 51-55.
5. Скоропад В.Ю. Рациональная тактика лечения местно-распространенного рака желудка: место лучевой терапии // Практическая онкология, 2009. Т. 10. № 1. С. 28-35.
6. Стилиди И.С., Неред С.Н. Современные представления об основных принципах хирургического лечения местнораспространенного рака желудка // Практическая онкология, 2009. Т. 10. № 1. С. 20-27.
7. Carboni F., Lepiane P., Santoro R. et al. Extended multiorgan resection for T4 gastric carcinoma: 25-year experience // J. Surg. Oncol., 2005. Vol. 90 (2). P. 95-100.
8. Kobayashi A., Nakagohri T., Konishi M. et al. Aggressive surgical treatment for T4 gastric cancer // J. Gastrointest. Surg., 2004. Vol. 8 (4). P. 464-470.
9. Давыдов М.И., Аксель Е.М. Заболеваемость злокачественными новообразованиями населения России и стран СНГ в 2006 г. // Вестник РОНЦ им. Н.Н. Блохина РАМН, 2008. Т. 19. № 2 (прил. 1). С. 52-90.
10. Петельникова Е.С., Ким Т.В., Ким Е.Г. Непосредственные результаты хирургического лечения рака желудка // Вопросы онкологии, 2003. Т. 49. № 3. С. 373-374.
АЛГОРИТМ ИЗВЛЕЧЕНИЯ ПРИЗНАКОВ И УДАЛЕНИЯ ШУМА ЭЛЕКТРОКАРДИОСИГНАЛА НА ОСНОВЕ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ Кыздарбeкова К.С1, Каcымбeкова К.Б.2, Дутбайeва Д.М.3, Кыздарбeк Y.C.4 Email: Kyzdarbekova1789@scientifictext.ru
1Кыздарбекова Айдана Садвакасовна — магистр технических наук; 2Касымбекова Куралай Байтемиркызы — магистр технических наук; 3Дутбайева ДанаМуратбековна — магистр технических наук, кафедра нанотехнологии и материаловедения, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, г. Санкт-Петербург; 4Кыздарбек Улбосын Cадвакаcовна - бакалавр, кафедра биотехнологии и микробиологии, Евразийский национальный университет им. Л.Н. Гумилева, г. Астана, Республика Казахстан
Аннотация: в статье предложен алгоритм анализа и синтеза первичной обработки кардиосигналов с использованием вейвлет-преобразования. Применение вейвлетов в задачах, связанных с обработкой сигнала. Алгоритм извлечения признаков ЭКГ представлен на основе Вейвлеты Добеши. DB4 вейвлетов выбрано из-за сходства его функции масштабирования к формам сигнала ЭКГ. При исследовании сигналы представлены в виде совокупности последовательных приближений грубой (аппроксимирующей) Am(t) и уточненной (детализирующей) Dm(t) составляющих. При использовании вейвлет-преобразования для анализа и синтеза мы можем, путем последовательного огрубления (или уточнения) сигнала выявлять его локальные особенности (ударение в речи или характерные детали изображения) и подразделять их по интенсивности. Во-вторых, таким образом обнаруживается динамика изменения сигнала в зависимости от масштаба.
Ключевые слова: ЭКГ, декомпозиция, реконструкциия, декомпозиция, дерево разложения.
FEATURE EXTRACTION ALGORITHM AND NOISE REMOVAL ELECTROCARDIOSIGNAL BASED ON WAVELET-TRANSFORMATION Kyzdarbekova A.S.1, Kassymbekova K.B.2, Dutbayeva D.M.3, Kyzdarbek U.S.4 Email: Kyzdarbekova1789@scientifictext.ru
'Kyzdarbekova Aydana Sadvakasovna — Master of Engineering;
2Kassymbekova Kuralay Baytemirkyzy — Master of Engineering; 3Dutbayeva Dana Muratbekovna—Master of Engineering, NANOTECHNOLOGY AND MATERIALS DEPARTMENT, ITMO UNIVERSITY, SAINT-PETERSBURG; 4Kyzdarbek Ulbosyn Sadvakasovna - bachelor, DEPARTMENT OF BIOTECHNOLOGY AND MICROBIOLOGY, EURASIAN NATIONAL UNIVERSITY. L.N. GUMILYOV, ASTANA, REPUBLIC OF KAZAKHSTAN
Abstract: the article proposed preprocessing algorithm for analysis and synthesis of cardio using wavelet transform. The use of wavelets in problems related to signal processing. ECG feature extraction algorithm is presented based on wavelet Daubechies. DB4 wavelet chosen because of its similarity to the shape of the zoom function of the ECG signal. In the study of signals in representation of a set of consecutive rough approximations (approximating) Am (t) and refined (detailing) Dm (t) components. The use of wavelet transform for analysis and synthesis, we can, by sequentially coarsening (or refine) signal to identify its local features (emphasis in speech or specific details of the image) and subdivide their intensity. Secondly, the thus detected dynamic signal changes depending on the scale.
Keywords: ECG, decomposition, reconstruction, decomposition, the decomposition tree.
УДК 537.8
Работа представляет одну из методику для обработки ЭКГ сигналов, основанных на вейвлет-приобразовании.
При исследовании сигналов полезно их представление в виде совокупности последовательных приближений грубой (аппроксимирующей) Am(t) и уточненной (детализирующей) Dm(t) составляющих
5 ( t)=Am ( t)+Z£1Dj( t), (1)
с каждым последующим их уточнением [4].
Разложение сигнала детализирующих и аппроксимирующих состовляющих дает нам возможность тонко иследовать сигнал. Каждый шаг уточнения соответствует определенному масштабу am (т.е. уровню m ) анализа (декомпозиции) и синтеза (реконструкции) сигнала [4].
Имеется непрерывный сигнал S(t). Сигнал S(t) декомпозируется на две составляющие:
s(t) = A±(t) + D^t)
Алгоритм вейвлет-преобразования может быть представлен, как передача сигнала через пару фильтров: низкочастотный и высокочастотный. Низкочастотный фильтр выдает грубую форму исходного сигнала(а). Высокочастотный фильтр выдает сигнал разности или дополнительной детализации (d) [5].
Декомпозиция сигнала осуществляется при движении по «дереву» сверху-вниз, а реконструкция снизу-вверх [6].
При восстановлении (реконструкции) сигнала по его вейвлет-коэффициентам процесс идет от крупных масштабов к мелким [6].
Секция анализа Секция синтеза
(декомпозиции) (реконструкции)
(Hi _ D ->4. 2 -> cDm , , -> cDm ->i 2 -> Hi _ R
8 -Ь, : Я - 2 - ел: 1 т 1 - са1^2-Ю\П- ^ - 5 (2)
Обратимся к формуле 2. Сигнал Б подается на низкочастотный (нижняя часть схемы) и высокочастотный фильтры декомпозиции Lo D_ и Н D_.В них вычисляется свертка (цифровая фильтрация) [6].
Так как фильтры пропускают только половину всех частотных компонентов сигнала, то не попавшие в полосу прозрачности составляющие могут быть удалены. Поэтому во вторых блоках схемы выполняется децимация | 2, т.е. прореживание в два раза.
Правая часть схемы рис. осуществляет вейвлет-реконструкцию сигнала. Эта процедура использует операции интерполяции и фильтрации фильтрами реконструкции L o_R и iH _R. Операция интерполяции | 2, обратная децимации j 2, осуществляется путем увеличения в два раза числа. При сложении сигналов (A и D), полученных на выходе фильтров Lo R_ и Hi R_, будем иметь сигнал S(k),близкий к исходному S(k), т.е. произойдет его реконструкция на начальном уровне. Для последующей итерации m используются значения alk с предыдущей и т.д. до m= MMAX.
Стадия предварительной обработки заключается в удалении шумов (электромиографические потенциалы мышц, артефакты взаимодействия электродов с кожей, электронный шум усилителей и фоновый шум сети) [7 - 9]. Удаление шума дает нам возможность сжать и сглаживать ЭКГ-сигнала. При вейвлет-анализе сигнал раскладывается на аппроксимирующие коэффициенты, которые представляют сглаженный сигнал, и детализирующие коэффициенты, описывающие колебания. Следовательно, шумовая компонента лучше отражается в детализирующих коэффициентах [7]. С использованием процедуры обнуления (трешолдинг) или пересчета коэффициентов детализации можно удалить значения, которые меньше по сравнению со значением порога. Графические инструменты интерфейса имеют вариант de-noise предопределенного порогового значения. Это дает возможность очень легко удалить шум из сигнала. Качество шумоподавления сигнала и, следовательно, степень увеличения отношения сигнал/шум зависят не только от вида функции трешолдинга, но также от способа ее применения. В зависимости от этого трешолдинг делится на глобальный и локальный, а локальный в свою очередь на общий и многоуровневый [10, 11]. Согласно полученным результатам, наилучшим вейвлет-носителем для фильтрации сигнала от шумов является вейвлет «db4» на втором уровне разложения, а лучшим методом вейвлет-трешолдинга является мягкий трешолдинг с использованием метод Штейна (рис. 1). Красным исходный сигнал, а результат обработки ЭКГ-сигнала.
> у
-aJ А—Ч \ U lj Г
Рис. 1. Результат обработки ЭКГ-сигнала
Методы обнаружения и оценку амплитуд Алгоритм извлечения признаков ЭКГ представлен на основе Вейвлеты Добеши. Выделение признаков кардиосигнала (Выделение зубца QRST). Обнаружения R пики является ядром этого извлечения признаков алгоритма.
Большинство способов анализа сигналов ЭКГ были основаны на временном интервале. Но это не всегда достаточно, чтобы изучить все особенности ЭКГ сигналов во временной области. Таким образом, частота представление сигнала в равной степени важно и его обработка является более привлекательным. Текущее исследование вдохновлен алгоритмом выделения признаков ЭКГ, предложенной Mahmoodabadi и др. [12]. Добеши семейство вейвлету используется для анализа и разложения сигнала [11]. Основная цель исследования является добыча первичных признаков не зашумленных и разложившихся сигналов ЭКГ. Посредством извлечения этих особенностей первичной ЭКГ, полагают, что некоторые основные параметры, такие как амплитуд волн и их длительностей, таких как ЛК QRS и интервалы PR могут быть легко получены, затем используется для последующего автоматического анализа.
Амплитуда нормальной ЭКГ волны Продолжительность нормальной ЭКГ волны
P волна 0,25 мВ Р- Я интервал 0,12 до 0,20 сек
Я волна 1.60 мВ Q-Т интервал 0,35 до 0,44 сек
Q волна 25% Я волны S-Tсегмент 0,05 до 0,15 сек
Т волна 0.1 до 0.5 мВ интервал Р волны 0.11 сек
QRS интервал 0.09 сек
Для проверки алгоритма извлечения предложенного, используется М1Т-В1Н Аритмия базы данных. Это стандартный и общедоступный набор данных, который разработан для тестирования и оценки научно-исследовательских работ на детекторах аритмий и сердечной динамики [12]. В настоящее время работа в значительной степени использует существенное выделение признаков из ЭКГ сигналов, базы данных МТТ-ВЩ был выбран на основе его пригодности для этой роли.
Оригинальный сигнал ЭКГ Декомпозиция сигнала (рЬ4)
1 г
Найти любой близкий, но более Трешолдинг (для Нахождение К
крупной выборки пика)
Найти К. пик в исходном сигнале
Рис. 2. Алгоритм извлечения ЭКГ
Как и регистрируемых сигналов ЭКГ загрязнены с шумом, исходный сигнал сначала разлагается, разглаживают ее, удалив загрязняющие шумы и выбор соответствующих коэффициентов аппроксимации. Процесс разложения вейвлет вниз выборку сигнала путем преобразования выборок в гораздо меньшей частотой, чем исходный сигнал. Следовательно детали уменьшается и сохраняется QRS комплекс. Обнаружение облегчается с уменьшенными деталями. Обнаружение облегчается с уменьшенными деталями. Тщательное изучение с участков показывает, что полосы частот разделяют и реконструкция коэффициентов разложения 1 до 2 (рис. 3) являются более гладкими и чище по сравнению с исходным сигналом, показанным на таблице 1. Тем не менее, по мере увеличения уровня разложения, они будут иметь меньшее число образцов, чем исходного сигнала из-за вниз выборки. Можно видеть, что первый сигнал напоминает оригинальный сигнал, но имеет ровно один вперед число образцов, так как сигнал раскладывается на 2-х уровнях. 2-й уровень имеет ровно половину числа образцов (1-го уровня и 3-го уровня имеет ровно половину числа образцов 2-го уровня и так далее).
В исследовании подход обнаружения ЭКГ волн сосредоточена на извлечении R-Пик. Поэтому, увеличивая точность обнаружения этой волны является очень важным. Это говорит о том, что все другие волны ЭКГ сигнала, Q и Б волн можно легко найти со ссылкой на R-пика и с предположением, что волновые интервалы и длительности сегмента известны как на таблице 1.
Это означает, что начальные пики R извлекаются из дискретизированных с понижением частоты сигнала. Тем не менее, конечная цель состоит в том, чтобы обнаружить R пики в исходном сигнале. Таким образом, стратегия здесь - сначала обнаружить пики R в нижней дискретизации сигнала, а затем проверки этих точек в реальном сигнале. Так как используется второй уровень вейвлет-разложения, обнаруженные волны R в нижнем дискретном сигнале могут быть отображены в исходном сигнале путем умножения 4 на их индексы местоположения.
▼ R-waves ■ S-wauc s
A л л / л л л д л д / Д
u / - KJ 0 f V Г ~ f f
I
—t 1 ! i т................ 1 ................ ................
ECG Signal
I !
Рис. 3. Обнаружение зубцов
Вывод
В этой статье мы описали нашу реализацию и оценку алгоритма выделения признаков ЭКГ с использованием Вейвлеты Добеши. Сигнал ЭКГ сначала сглажен разлагая и опуская большую часть деталей, сохраняя при этом коэффициенты аппроксимации 2-го уровня. Пики R затем извлекают из чистого сигнала ЭКГ. За этим следует определение местоположения обнаруженных пиков R в исходном сигнале, который позволил позиционирование других пиков (Р, Т, Q и В) со ссылкой на идентифицированные пики R. Алгоритм обнаружения обнаруживает очень низкую ошибку отклонения, путем сравнения извлеченных интервалов ЛЛ с реальными и оригинальными времени записи соответствующих записей в базе данных.
Список литературы / References
1. Moody G.B. and Mark R.G. The impact of the MIT-BIH arrhythmia database, Engineering in Medicine and Biology Magazine. IEEE. Vol. 20. P. 45-50, 2001.
2. Усовершенствование методов анализа ЭКГ-сигналов на основе вейвлет-преобразования в системе электрокардиографии высокого разрешения. Дубровин В.И., Твердохлеб !OSSN 1607-3274. Радюелектронжа, гнформатика, управлгння, 2011. № 1.
3. Киселев А. Основы теории вейвлет-преобразования.
4. Анализ экспериментальных геодинамических сигналов. Авторы Афанасьев О.А. Выпуск № 2, 2010.
5. Saraswathy J., Hariharan M., Vijean V., Yaacob S. and Khairunizam W. Performance comparison of Daubechies wavelet family in infant cry classification, in Signal Processing and its Applications (CSPA), 2012 IEEE 8th International Colloquium on, 2012. P. 451-455.
6. Практика использования вейвлет-анализа в дефектоскопии: учебное пособие / Г.А. Петров, Е.В. Шуранов; Балт. гос. техн. ун-т. СПб., 2012. 65 с. ISBN 978-5-85546-709-3.
7. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB / М.: ДМК Пресс, 2008. 448 с.
8. Алексеев К.А. Очерк «Вокруг CWT».
9. Martinez J.P. A wavelet-based ECG delineator: evaluati-on on standard databases / Martinez J.P., Almeida R., La-guna P. // IEEE Transactions on Biomedical Engineering, 2004. Vol. 51. P. 570-581.
10. ХанМ.Г. Быстрый анализ ЭКГ / М.Г. Хан. М.: Би-ном, 1999. 230 с.
11. Хэмптон Дж. Атлас ЭКГ: 150 клинических ситуаций / Дж. Хэмптон. М.: Медицинская литература, 2007. 320 с.
12. Mahmoodabadi S., Ahmadian A. and Abolhasani M. "ECG feature extraction using Daubechies wavelets," in Proceedings of the fifth IASTED International conference on Visualization, Imaging and Image Processing, 2005. P. 343-348.
