AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie

Transkrypt

1 AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Detekcja i synchronizacja reprezentacji uderzenia serca (zespołu QRS). Spis treści: 1. ABSTRAKT WSTĘP KONCEPCJA PROPONOWANEGO ROZWIĄZANIA REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA DODATEK A: OPIS OPRACOWANYCH NARZĘDZI I METODY POSTĘPOWANIA DODATEK B: REALIZACJA PROPONOWANEGO ROZWIĄZANIA... 9 Wykonali: Grzegorz Wojciechowski, Kacper Zieliński V rok IS Wersja 1.1. Kraków, grudzień

2 1. Abstrakt Zespół QRS jest najbardziej charakterystycznym i wymownym elementem elektrokardiogramu. Odzwierciedla aktywność elektryczną serca w czasie skórczu komory serca. Morfologia zespołu dostarcza niezbędnych informacji o stanie serca. Identyfikacja zespołu QRS jest elementem prawie każdego algorytmu zajmującego się automatyczną analizą elektrokardiogramu. Sprawozdanie zawiera opis projektu realizującego detekcje oraz synchronizację zespołu QRS w sygnałach EKG. Zaprezentowany algorytm wykorzystuje zmodyfikowaną definicję zbocza sygnału EKG jako funkcje wykrywania zespołu QRS. W celu ekstrakcji zboczy używane są transformacje sygnału podstawowego oraz przefiltrowanego. Dwie funkcje składowe połączone są w celu uzyskania docelowego QRS. Pierwsza z nich zajmuję się lokalizacją regionów gdzie występuje zespół QRS. W tym celu wykorzystywanych jest wiele progów kwantyzacji amplitudy. Odpowiedni próg zostaje automatycznie wybrany i wykorzystany do wyznaczenia QRS. 2. Wstęp a) Cele i założenia projektu. Celem projektu jest detekcja oraz synchronizacja zespołu QRS w sygnale elektrokardiograficznym. Problem ten rozwiązywaliśmy już w podobnym projekcie, który również analizował EKG pod kątem, chorób występujących u pacjentów badanych metodą Holterowską i wykorzystujący sieć neuronową do oceny parametrów sygnału i zakwalifikowania ich do odpowiedniej choroby. Proponowane przez nas rozwiązanie zostało już stworzone i sukcesywnie wdrożone w wielu aplikacjach do automatycznej analizy EKG. Detekcja zespołu jest bardzo powszechna, dlatego istnieje wiele algorytmów, które zajmują się rozwiązaniem tego problemu. Jednym z nich jest użycie sieci neuronowych lub metody przejść przez zero. Pierwsza z nich jednak jest mało efektywna, gdyż często morfologia zespołów QRS jest bardzo zbliżona do siebie i żadna sieć neuronowa nie jest w stanie odróżnić ich od siebie. Druga natomiast cechuje się wysoką wydajnością. b) Zarys ogólny proponowanego rozwiązania. Przedstawimy poniżej wybrany algorytm detekcji QRS. Jest to prosta, ale zarazem skuteczna metoda wykorzystująca przetwarzanie sygnałów, oraz statystykę matematyczną. Detekcja QRS odbywa się w kilku krokach o których będzie mowa w tym dziale. -2-

3 c) Dyskusja alternatywnych rozwiązań. Jednym z licznych rozwiązań problemu detekcji QRS jest algorytm przejść przez zero. Każde element elektrokardiogramu cechuje się odmienną nie tylko amplitudą ale również częstotliwością, która jest zauważalnie mniejsza w przypadku zespołu QRS. Metoda ta oblicza lokalną częstotliwość sygnału i na jej podstawie określa, gdzie występuje zespół QRS. W celu uzyskania prawidłowego wyniku, sygnał jest początkowo poddawany transformacjom, które pozwalają na ekstrakcje odpowiednich cech. W pierwszej kolejności sygnał jest przesuwany tak aby oscylował wokół zera. Następnie do sygnału dodawana jest składowa o wysokiej częstotliwości w celu podkreślenia cech sygnału. Taki sygnał badany jest pod kątem częstotliwości lokalnej. Poruszające się okno o zadanej szerokości, zapisuje wartość częstotliwości. Powstaje wykres w którym spadki częstotliwości są bardzo zauważalne. Ostatnim krokiem jest dobór odpowiedniego progu, który informuje o tym w którym miejscu prawdopodobnie zaczyna się QRS. Algorytm generuje wyniki bardzo wysokiej jakości, rzędu 99%. 3. Koncepcja proponowanego rozwiązania W projekcie został użyty algorytm detekcji QRS z progiem adaptacyjnym. Jest to stosunkowo prosty, a zarazem skuteczna metoda detekcji zespołów QRS, wykorzystująca statystykę matematyczną w celu zwiększenia skuteczności działania. Detekcja QRS odbywa się w kilku etapach, których kolejność jest ściśle określona. Na samym początku sygnał wejściowy poddawany jest filtracji, podczas której usuwane są zakłócenia. Po odfiltrowaniu szumów, sygnał poddawany jest przekształceniom mającym na celu wykrycie i oznaczeniu miejsca największych wychyleń. Na koniec przy użyciu standardowego odchylenia, oraz mediany wybierane są najlepsze rozwiązanie, oraz liczba wykrytych zespołów. Poniżej przedstawiamy kolejne kroki omawianego algorytmu: I. Transformacja sygnału. 1. Sygnał S(n) należy podnieść do kwadratu: TS1(n) = S(n) * S(n), n=0,1,2 signallength 2. Na sygnał nakładamy okno prostokątne w o długości 11 próbek od n-5 do n+5, gdzie środkowym elementem jest n i przesuwamy wzdłuż sygnału obliczając dla każdej próbki: G1(n) = TS1(w) max TS1(w) min 3. Sygnał G1 poddajemy działaniu filtru uśredniającego: FG1(n) = n i= n 5 11 G 1( i) -3-

4 4. Obliczamy znormalizowane sygnały S, TS1, G1, FG1, dzieląc każdy z nich przez maksymalną wartość każdego z sygnałów. Rys 1.1 Znormalizowane wartości a) sygnału S, b) Sygnału TS1 kwadrat sygnał S, c) gradient G1 sygnału TS1 d) FG1 czyli przefiltrowanego gradientu G1 5. Sygnał S przekształcamy obliczając TS2: 2S ( n) TS2(n) = 1 (2 / e + 1) 6. Dla sygnału TS2 powtarzamy, punkt 2: G2(n) = TS2(w) max TS2(w) min 7. A następnie ponownie dla G2 stosujemy filtr uśredniający jak w punkcie 3. FG2(n) = n i= n 5 11 G 2( i) 8. Obliczamy znormalizowane wartości dla sygnałów TS2, G2, FG2-4-

5 Rys 1.2 Znormalizowane wartości a) sygnału S b) sygnału TS2 powstałego z nałożenia sigmoidy na sygnał S, c) G2 gradientu TS2, d) FG2 przefiltrowanego sygnału G2 9. Obliczamy sygnał TS3 mnożąc sygnały znormalizowane S i FG2: TS3(n) = FG2(n)*S(n) 10. Dla sygnału TS3 ponownie wykonujemy punkt 2 otrzymując G3: G3(n) = TS3(w) max TS3(w) min 11. Dla sygnału G3 ponownie wykonujemy punkt 3: FG3 = n i= n 5 11 G 3( i) 12. Obliczamy znormalizowane wartości sygnałów TS3, G3 i FG3. -5-

6 Rys 1.3 Znormalizowane wartości a) sygnału S, b) Iloczynu sygnałów FG oraz S, c) gradientu TS3, d) przefiltrowanego gradientu G Obliczamy sumę sygnałów FG1 oraz FG3: TS4(n) = FG1(n) + FG3(n) 13.2 Znajdujemy medianę m sygnału i odejmujemy ją od sygnału TS4: TS4m(n) = TS4(n) m 13.3 Normalizujemy sygnał TS4m Tworzymy sygnał FQ korzystając ze znormalizowanego sygnału TS4m: F Q TS4m, TS4m> ( n) = 0 Taka ekstrakcja cech sygnału pozwala na zastosowanie algorytmu detekcji kandydatów na QRS. II. Detekcja QRS Po filtracji sygnału możemy przystąpić do analizy sygnału pod kątem detekcji zespołów QRS. Pierwszym zadaniem jest wyszukanie wierzchołków o wartościach amplitud pozwalających zakwalifikować je jako kandydatów na QRS. 1. Wytyczamy Fq, który jest wektorem o długości odpowiadającej ilości próbek, w którym oznaczamy impulsem jednostkowym miejsce w sygnale, spełniające warunki funkcji: -6-

7 Wyznaczony Fq reprezentuje kandydata, na zespół QRS. 2. Definiujemy progi t21, t24, t27, t30, t33, t36, t39, t42, t45, t48,t51, t54, t57, t60 odpowiadające kolejno 21%, 24%, 27%, 30%, 33%, 36%, 39%, 42%, 45%, 48%, 51,% 54%, 57%. 60% maksymalnej wartości impulsu w znormalizowanym sygnale Fq, a następnie sprawdzamy je pod kątem poprawności. 3. Analizujemy każdy z progów tx osobno. Wyszukujemy w wyznaczonych wcześniej obszarach kandydujących do miana zespołu QRS największą amplitudę, a następnie porównujemy ją z wartością t otrzymaną poprzez wymnożenie progu przez maksymalną amplitudę całego sygnału. Gdy wartość kandydata przekracza próg oznaczamy to wpisując w tablicy Dq wartość jeden, pozostałe pozycje zerujemy. Liczba progów t może zostać zmniejszona dzięki czemu można przyspieszyć działanie algorytmu, jednak kosztem skuteczności. 4. Wyznaczony w taki sposób Dq dla wszystkich analizowanych kanałów sumujemy, zliczając ilość wystąpień wartości 1 w tablicy. Wynik otrzymany dla każdego kanału odpowiadać będzie liczbie wykrytych zespołów QRS. Mając te dane wykorzystujemy statystykę w celu selekcji najlepszego rozwiązania. Liczymy kolejno: a) Medianę (m1) i Standardowe Odchylenie (sd1) dla liczby wykrytych zespołów dla każdego kanału. b) Medianę (m2) i Standardowe odchylenie (sd2) dla mediany wykrytych zespołów (m1) c) Medianę (m3) i Standardowe odchylenie (sd3) dla standardowego odchylenia wykrytych zespołów (sd1) mediana i odchylenie sd1 dla wszystkich progów Ti. Ostatnim krokiem jest porównanie otrzymanych rezultatów, oraz wybór tego kanału i progu, dla którego odchylenie standardowe wynosi 0, w przypadku nie spełnienia tego warunku wybierany jest ten z najmniejszą wartością odchylenia. Mediana informuje o ilości wykrytych zespołów QRS dla danego kanału. Algorytm nie wydaje się być skomplikowany, jednak to jest jego główną zaletą. Skuteczność została potwierdzona na podstawie ręcznej weryfikacji wyników dla 125 próbek sygnałów z bazy -7-

8 CSE DataSet-3. Wnioski pokazały, że błąd w detekcji zespołów QRS dla podanego algorytmu znajduje się w granicy 1 procenta. 4. Rezultaty i wnioski Po implementacji i przetestowaniu poprawności algorytmu przeprowadzone zostały testy mające na celu sprawdzenie jego skuteczności. Na potrzeby projektu została udostępniona baza sygnałów, w której skład wchodziło 10 plików 3-kanałowych zapisów hotlerowskich. Każdy z nich o długości 15, 30, lub 60 min, częstotliwości próbkowania 128Hz i skali amplitudowej 1mV = 45 LSB. Dla każdego z podanych sygnałów dostarczone były także pliki z poprawnie wykrytymi punktami synchronizacji zespołów QRS, dzięki czemu można było porównać wyniki otrzymane przez nas. Dla większości sygnałów były one zadowalające, za wyjątkiem jednego 29_1. Naszym zdaniem jest to wynikiem bardzo dużej ilości artefaktów występującym w sygnale, lub błędnym pomiarem. Dodatkowo algorytm dla pierwszych 200 próbek zachowywał się niedeterministycznie i zdarzało się, że pomijał jeden lub dwa początkowe zespoły albo wykrywał takie, które faktycznie nie istaniały. Jeśli chodzi o jakoś wykrytych punktów synchronizacji algorytm sprawdzał niemal bezbłędnie. Występowały niewielkie przesunięcia względem wzorca (w granicach +- 2 próbki) jednak nie jest to próg błędu który nawet dla doświadczonego lekarza jest nie do wychwycenia. Podczas testów próbowaliśmy wprowadzać zmiany w algorytmie, mając na celu poprawienie skuteczności oraz efektywności. Ostatecznie udało nam się jedynie znaleźć wąskie gardło związane z szybkością działania, którym okazał się algorytm sortowania wykorzystany w liczeniu mediany. W celu sprawdzenia poprawności otrzymanych wyników względem danych referencyjnych, przeanalizowaliśmy ręcznie QRSów. Procent poprawnego wykrycia QRS jest bardzo wysoki i wynosi 98,72%. Poprawnie zostało wykrytych QRSów. W sumie błędnych QRSów było 199 w tym 132 wykryte QRS nie miały miejsca w sygnale a 67 nie zostało w ogóle wykrytych. Liczba QRSów True positive False Nagative False Positive Total Errors Procent FN Procent FP Detection Rate ,64% 1,268% 98,72% -8-

9 5. Podsumowanie Opisany algorytm doskonale znajduje zespoły QRS w sygnale EKG. Jego skuteczność jest bardzo wysoka i wynosi prawie 99%. Algorytm ten jest doskonałym wsparciem dla lekarzy w czasie stawiania diagnozy. Istnieje wiele rozwiązań opisanego problemu odnajdowania uderzeń serca, jednakże, prezentowany algorytm cechuje się niezwykle wysoką skutecznością. 6. Literatura [1] Lyons, Richard G., Wprowadzenie do cyfrowego przetwarzania sygnałów, Wydawnictwa Komunikacji i Łaczności, W-wa [2] B.-U. KÖHLER, C. HENNIG, R. ORGLMEISTER., QRS Detection Using Zero Crossing Counts, Biomedical Electronics Group, Department of Electrical Engineering, Berlin University of Technology, Berlin, Germany. [3] Department of Electronics & Communication Engineering Department of Electrical Engineering J.N. Vyas University, Jodhpur, India Mehta Detection of QRS Complexes using Adaptive Quantized Threshold 7. DODATEK A: Opis opracowanych narzędzi i metody postępowania 1. Format danych wynikowych. Algorytm detekcji QRS jest częścią programu realizującego również wyznaczenie morfologii qrs i klasyfikacji ich, detekcji arytmii czy analizy odcinka ST. W celu integracji danych z pozostałymi częściami została użyta poniższa struktura przechowywania danych. struct QRS_ATTR { int DetPt; //punkt detekcji char AMax; //wartosc korekcji maksimum zalamka R short localrr; //lokalna wartosc interwalu miedzyuderzeniowego [ms] Uchar HR; //wartosc HR (heart rate) char MorfT; //typ morfologii (wypelniany po klasyfikacji) short cl; //numer klasy morfologii char str[2*3]; // rezultat obliczen ST }; 8. DODATEK C: opis informatycznych procedur Funkcja: Opis: Data readdatafromfile(char* filepath) Metoda wczytuje parametry zapisane w pliku. -9-

10 Parametry: Char* filepath ścieŝka do pliku z danymi Return: Funkcja zwraca strukturę o nazwie Data, przechowującą sygnał i jego parametry. Funkcja: int countqrs(double *tablewithqrs, int length) Opis: Funkcja zliczająca wystąpienia WRS w sygnale podanym jako parametr Parametry: tablewithqrs tablica zawierająca dane sygnału. length długośc tablicy Return: Ilość wystapień QRS Funkcja: Qrs findqrs(qrs qrs) Opis: Główna funkcja implementująca prezentowany algorytm, wyliczająca wszystkie niezbędne parametry potrzebne do wykrycia zespołów w jednym kanale. Parametry: Qrs qrs struktura przechowująca wszystkie niezbędne informacje o zespole QRS Return: Zwracana jest struktura QRS z wykrytymi parametrami zespołu. -10-