Experimentación con Bases de Datos de Señales Cardiológicas (Powerpoint) (página 2)
Enviado por Pablo Turmero
Filtrado de la deriva de la base line La deriva de la base line con la respiración puede ser representada por una componente senoidal a la frecuencia respiratoria que se suma a la señal ECG.
La amplitud y la frecuencia de la componente senoidal será variable. Las variaciones pueden ser reproducidas por modulación de amplitud de la ECG mediante una componente senoidal sumada a la base line.
Estas componentes pueden influir tanto en la interpretación visual del ECG, como en su análisis. Como este ruido son variaciones de baja frecuencia de la línea de base, podría pensarse que con un filtro pasa-alto se soluciona dicho problema.
Pero esto podría influir en el diagnóstico del ECG, ya que afectaría a las componentes de baja frecuencia, como es el caso del segmento ST.
El contenido en frecuencias de estas perturbaciones suele rondar los 0.5 Hz.
Filtrado de la deriva de la base line Para este filtrado se utilizan las funciones wavedec y waverec.
Filtrado de la deriva de la base line El principio del filtrado es descomponer la señal hasta un cierto nivel, y luego reconstruir la señal para remover las bajas frecuencias.
Para nuestro análisis se utiliza una descomposición hasta el nivel 8, lo que corresponde hasta alcanzar una frecuencia de aproximadamente 1.4 Hz.
En el gráfico que sigue, queda explicito el árbol correspondiente a los niveles considerados.
La frecuencia inicial es igual a la frecuencia de muestreo, que en nuestro caso es de 360 Hz.
Filtrado de la deriva de la base line
Filtrado de la deriva de la base line Este algoritmo se hizo usando las etapas de abajo: % Se obtiene la señal ECG de Physionet r = rdsamp('mitdb/106', 'maxt', ':60'); r1=r(:,2);B=r1(1:2^13); plot(B)
% Descomposición wavelet de nivel 8 mediante Daubechies 6 [C,L] = wavedec(B,8,'db6'); % Se eliminan los Coeficientes Aproximación del ultimo nivel for i=1:L(1);C(i)=0; end % Se recompone la señal X = WAVEREC(C,L,'db6'); % Se grafica i=1:2^13;plot(i,B(i),i,X(i)+2) Filtrado de la deriva de la base line
Denoising de la señal ECG La teoría wavelet ha probado su habilidad en descomponer una señal y ruido en el dominio wavelet.
Recientemente, investigadores desde la comunidad de procesamiento biomédico de señal han aplicado la teoría wavelet en compresión de señal, extracción de características y denoising.
El procesamiento de señal basado en wavelet ofrece claras ventajas sobre las técnicas convencionales. Estos potenciales inherentes de la WT han sido desarrollados en gran escala para compresión y recuperación de datos médicos.
La capacidad de compresión de datos convierte a los wavelets en muy útiles en el ECG, esto es debido a la razón que estos requieren enorme cantidad de memoria para ser almacenados.
Por ejemplo, una señal ECG muestreada a 1 kHz requiere en promedio 100 MB por día.
Denoising de la señal ECG
Para la aplicación de telemedicina en tiempo real se necesita la compresión de datos de la señal ECG para que sea exitosa y eficiente la transmisión de la misma en su tránsito a un centro de diagnóstico remoto.
En un latido ECG la parte más importantes es el breve complejo QRS.
El intervalo RR (tiempo entre sucesivos picos de la onda R) de la señal ECG es un parámetro patológico importante ya que provee la tasa cardíaca instantánea.
También, la información pertinente a la detección del pico R, el intervalo QT, la naturaleza de las ondas S y T son considerados como importantes parámetros de diagnóstico.
Actualmente. los expertos están usando la base de datos Physionet para evaluar el comportamiento de los algoritmos de procesamiento de señal.
Aunque la base de datos ayuda al usuario, en la práctica puede haber posibilidad de variaciones en los resultados debido al ruido sobrelapado con las señales de ECG.
Denoising de la señal ECG
Por lo expuesto, resulta de gran importancia la atenuación “inteligente” de los ruidos contenidos en la señal.
Por “inteligente” se quiere indicar que se elimine el ruido en alguna medida que no ponga en peligro las características destacadas de la señal que servirán, en última instancia, para determinar los parámetros adecuados para diagnósticos automatizados.
Coeficientes Wavelet y umbralización La energía de una señal ECG está principalmente distribuida en las ondas P y T y el segmento QRS.
Cuando la señal se contamina de ruido térmico, éste se modela como un ruido randómico (aleatorio) cuya energía está distribuida en una amplia gama de frecuencias.
Denoising de la señal ECG
Matlab permite realizar este filtrado en forma eficiente mediante la función wdwn.
Wden: Supresión de Ruido automático 1-D usando wavelets. Sintaxis: [XD,CXD,LXD] = wden(X,TPTR,SORH,SCAL,N,'wname')
Descripción: wden realiza un proceso de de-noising automático de una señal 1-D usando wavelets. Retorna una versión de-noised XD de la señal de entrada X, obtenida por umbralamiento de los coeficientes wavelet.
El string TPTR contiene las reglas de selección de umbral: 'rigrsure' usa el principio de Riego Insesgado de Stein. 'heursure' es una variante heuristica de la primera opción. 'sqtwolog' utiliza el umbral universal [sqrt(2*log(n))]. 'minimaxi' para umbralamiento minimax.
Denoising de la señal ECG
SORH ('s' or 'h') define umbralamiento soft o hard
SCAL define reescalamiento multiplicativo de umbral: 'one' sin reescalamiento. 'sln' para reescalamiento usando una única estimación del nivel de ruido basado en coeficientes de primer nivel. 'mln' para reescalamiento hecho usando estimación nivel-dependiente del nivel de ruido. La descomposición wavelet es realizada al nivel N y 'wname' es un string conteniendo el nombre de wavelet ortogonal deseado.
El modelo subyacente para la señal ruidosa es básicamente de la siguiente forma: En el modelo más simple, se supone que e(n) es un ruido blanco Gaussiano N(0,1) con un nivel de ruido s determinado.
Denoising de la señal ECG Finalmente para eliminar el ruido:
% Se obtiene la señal ECG de Physionet r = rdsamp('mitdb/106', 'maxt', ':60'); r1=r(:,2);X=r1(1:2^10); xd = wden(X,'heursure','s','one',2,'db6'); i=1:1000;plot(i,xd(i),i,X(i)+2)
| Página siguiente |