RAPORT KOŃCOWY 3. KONCEPCJA PROPONOWANEGO ROZWIĄZANIA DODATEK A: OPIS OPRACOWANYCH NARZĘDZI I METODY POSTĘPOWANIA... 14
|
|
- Grażyna Pietrzak
- 6 lat temu
- Przeglądów:
Transkrypt
1 AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Określenie obecności i długości załamków EKG. QRS_WAVES Spis treści: RAPORT KOŃCOWY 1. ABSTRAKT WSTĘP KONCEPCJA PROPONOWANEGO ROZWIĄZANIA REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA DODATEK A: OPIS OPRACOWANYCH NARZĘDZI I METODY POSTĘPOWANIA DODATEK B: REALIZACJA PROPONOWANEGO ROZWIĄZANIA DODATEK C. OPIS INFORMATYCZNY PROCEDUR DODATEK D. SPIS ZAWARTOŚCI DOŁĄCZONYCH NOŚNIKÓW (DYSKIETEK, CD ROMU) Wykonali: Michał Styczeń, Mateusz Stawowiak V rok IS konsultant: dr hab. inż. Piotr Augustyniak Wersja 1.2. Kraków, styczeń
2 1. Abstrakt Wyznaczenie obecności załamków P i T w sygnale EKG oraz określenie ich rozmiarów stanowi nietrywialne zadanie. W projekcie tym spróbujemy się z tym zmierzyć. Moduł przez nas tworzony jest częścią dużego projektu dotyczącego analizy sygnału EKG, dlatego wejście dla naszego programu stanowią wyniki innych grup. W projekcie załamki P i T będą wyznaczane przy użyciu funkcji detekcyjnej, progowania oraz wykorzystania znanych faktów na temat sygnału EKG i właściwości załamków. Jakość detektora będzie testowana z użyciem baz Common Standards for Electrocardiography (CSE). -2-
3 2. Wstęp CEL PROJEKTU: Celem projektu jest zaimplementowanie algorytmu detekcji charakterystycznych punktów EKG: załamków T i P oraz wyznaczenie ich rozmiarów w badanym sygnale EKG. Algorytm ten będzie stanowił moduł większego projektu zajmującego się kompleksową analizą sygnału EKG. Komunikacja z pozostałymi modułami odbywać się będzie poprzez pliki. Dodatkowo projekt musi być kompatybilny ze strukturami opisu sygnału EKG i sterującymi. Celem projektu jest implementacja algorytmu dającego jak najlepsze rezultaty dla różnych typów sygnałów, dlatego jakość tego detektora będzie testowana z użyciem baz Common Standards for Electrocardiography (CSE). Poprawne wyznaczenie załamków P i T oraz ich rozmiarów, jest niezbędne do dalszej analizy sygnału EKG i wykrywania ewentualnych nieprawidłowości. Naszym celem jest zaprojektowanie detektora, który będzie dawał wyniki o jak najlepszej jakości, które to mogą być ocenione na podstawie następujących czynników: niezależność rezultatów od morfologii oraz kształtu zespołu QRS brak wpływu amplitudy sygnału na rezultaty Wyjaśnienie kluczowych pojęć dotyczących projektu zacznijmy od wykresu EKG: Rysunek 1: Wykres EKG z zaznaczonymi załamkami i zespołami Załamek T wychylenie krzywej zapisu EKG powstające na skutek repolaryzacji mięśnia komór serca. -3-
4 W prawidłowym zapisie EKG załamek T pojawia się po zespole QRS, w czasie ok. 80 ms (czas ten odpowiada odcinkowi ST). Prawidłowy czas trwania załamka T powinien wynosić ms a jego amplituda nie powinna przekraczać 6 mm w odprowadzeniach kończynowych oraz 10 mm w odprowadzeniach przedsercowych. Załamek P w terminologii medycznej określenie fragmentu zapisu elektrokardiograficznego odpowiadającego depolaryzacji przedsionków serca. W warunkach prawidłowych załamek P występuje na schemacie zapisu elektrokardiograficznego przed zespołem QRS, od którego oddzielony jest odcinkiem PQ. Prawidłowo czas trwania depolaryzacji obrazowanej załamkiem P jest mniejszy niż 0,12 s, a jego amplituda nie przekracza 3 mm w odprowadzeniach przedsercowych. Załamek ma zazwyczaj wychylenie dodatnie we wszystkich odprowadzeniach, z wyjątkiem avr, gdzie fizjologicznie powinien być ujemny. Załamek P może nie występować w sygnale EKG. Dzieje się tak w przypadku migotania przedsionków, czyli zaburzeń rytmu serca prowadzących do zmiany morfologii załamków P. Zamiast załamka P w sygnale możemy zaobserwować nieregularne, zmiennokształtne wychylenia linii izoelektrycznej zwane falą f. Zarys ogólny proponowanego rozwiązania: Nasze rozwiązanie opierać się będzie o wcześniej przygotowany sygnał detekcji oraz wyliczenia dotyczące zespołu QRS. Kroki postępowania w zaproponowanym rozwiązaniu: 1) Ustalenie wartości progu detekcji względem funkcji detekcji. 2) Wyznaczenie załamka P. 3) Wyznaczenie załamka T. 4) Wyliczenie odcinków PQ oraz ST. 5) Zapisanie wyników do pliku. -4-
5 Opis rozwiązań alternatywnych dostępnych w literaturze: Detekcja załamków w sygnale EKG jest niezwykle ważna i niezbędna do analizy tego sygnału. W związku z tym, w literaturze można spotkać wiele algorytmów dotyczących tego problemu. Największą część stanowią algorytmy wyznaczania zespołu QRS. Dla załamków P i T, tych rozwiązań jest zdecydowanie mniej. Znalezione rozwiązania detekcji załamków P i T dostępne w literaturze były oparte o: dyskretną Transformatę Fouriera (DTF) dyskretną Transformatę Cosinusową (DCT) filtry adaptacyjne transformację falkową (wavelet transform) sieci neuronowe z asymetryczną funkcją bazową do wyodrębniania załamka P zagnieżdżony filtr medianowy do detekcji załamka T EMD (Empirical Mode Decomposition) -5-
6 3. Koncepcja proponowanego rozwiązania Profesjonalne algorytmy stosowane w analizie sygnałów EKG, między innymi w wyznaczaniu załamków P i T są pilnie strzeżone przez firmy informatyczne działające w branży medycznej. Poświęcają one też dużo pieniędzy i czasu na ich ulepszanie i ciągły rozwój. Dlatego poznanie takich algorytmów przez zwykłego człowieka graniczy z cudem. Z powodu ograniczonych możliwości (w pewnym sensie) w naszym projekcie skupiliśmy się na rozwiązaniu znalezionym w artykule Instytutu IEEE opracowanym przez indyjskich uczonych opisanym w [2]. Sygnał wejściowy dla naszego modułu stanowi sygnał z bazy CSE, będący 12-kanałowym zapisem badania rytmu serca. Oznacza to że plikiem wejściowym jest oryginalny sygnał, który należy poddać filtracji, aby uwydatnić w nim szukane cechy i pozbyć się szumów, mających negatywny wpływ na detekcję. W wyniku takich przekształceń otrzymujemy funkcję detekcyjną istniejącą na tej samej dziedzinie (próbek) co wejściowy sygnał EKG. Funkcja ta powinna mieć jak największe wartości w obrębie zespołów załamków P i T a jak najmniejsze poza nim. Wiedza o lokalizacji zespołów QRS, będzie bardzo przydatna, bo pozwoli nam na wyznaczenie odcinków, w których potencjalnie znajdują się załamki P i T. Wykonanie progowania na tych odcinkach pozwoli nam znaleźć punkty (maksima lokalne) leżące w obrębie szukanych załamków. Korekta wartości progu będzie przydatna w przypadku niedużej amplitudy i innych problemów z wykryciem punktów detekcji Kolejność wyznaczania punktów charakterystycznych załamków będzie następująca: koniec załamka T (oznaczane jako T-end) początek załamka P (oznaczane jako P-onset) koniec załamka P (oznaczane jako P-end) przy czym może się zdarzyć, że załamek P nie istnieje, więc wyznaczany wtedy będzie tylko załamek T, co do którego mamy pewność, że zawsze istnieje. Jest to konsekwencją repolaryzacji, która następuje zaraz przed fazą rozkurczu przedsionków. Należy wspomnieć, że niezwykle ważne dla jakości detektora będzie wyznaczenie zespołów QRS przez moduły poprzedzające projektowany tutaj moduł. (Jest to niezależne od naszego zespołu i poprawne dane wejściowe są niezbędne do prawidłowego wykrycia załamków P i T) -6-
7 Jednym ze sposobów poszukiwania załamków P i T jest wstępny podział sygnału na regiony zawierające zespoły QRS oraz na te, które są do nich wolne. W tym celu niezbędnym jest posiadanie zarówno informacji o całym sygnale, jak i o wcześniej wyliczonych zespołach QRS. Początkowo algorytm zakłada ekstrakcję cech poza zespołem QRS, zwanych "Non-QRS Feature". Zgodnie z algorytmem pierwszą część rozwiązania to ekstrakcja cech poza zespołem QRS, czyli wyliczenie tzw. "Non-QRS Feature", które później będą stanowiły podstawę do szukania załamków P i T. Mają one na celu wzmocnienie tych części sygnału, gdzie znajdują się potencjalnie szukane załamki. "Non-QRS Feature" to 5 wektorów: fc1, fc2,..., fc5. Są one wyliczane na podstawie pochodnej sygnału, funkcji sigmoidalnej, filtrowania przy pomocy okna o szerokości 11 punktów, gradientu. Szczegóły i wzory znajdują się w artykule [2]. Odpowiednio przefiltrowana suma cech "Non-QRS Feature" stanowi naszą funkcję detekcyjną oznaczaną jako F_NQ. (otrzymaną funkcje detekcyjną) Po dokonaniu wstępnego wyodrębnienia cech "Non-QRS Feature" następuje etap wykorzystania prostokątnych znaczników impulsów C_NQ w celu zawężenia obszaru poszukiwań załamków P i T. Wcześniej uzyskany wektor cech Non-QRS Feature, nazywany później funkcją detekcyjną, filtrujemy, odrzucając te próbki, których wartość nie przekracza 2% maksimum próbek tejże funkcji. Wspomniane filtrowanie odbywa się poprzez oznaczenie wartościami 0 albo 0.5 kolejnych wartości wektora znaczników C_NQ. Następnie, wykorzystując informację na temat położenia zespołów QRS, rozpoczynamy poszukiwanie wszystkich "kandydatów" T oraz P. Algorytm w tym momencie wyróżnia 2 sytuacje: przeszukiwanie sygnału przed wystąpieniem pierwszego zespołu QRS oraz po jego wystąpieniu. Ważnym aspektem całego algorytmu są tzw. interwały. Są to te części sygnału wejściowego, które zawierają się pomiędzy kolejnymi zespołami QRS. W literaturze można odnaleźć 2 sposoby określania wspomnianych interwałów. Pierwszy z nich zakłada, że interwałem jest odcinek pomiędzy dwoma zakończeniami zespołów QRS - oznaczony na Rys.2 a jako RR. Drugi natomiast zakłada, że interwałem jest ta część sygnału pomiędzy końcem wcześniejszego zespołu QRS, a początkiem aktualnego (na Rys. a oznaczony, jako RR1). W naszym rozwiązaniu korzystamy z obu tych definicji. -7-
8 Rysunek 2: Wykres prezentujący działanie zastosowanego algorytmu Algorytm wyboru załamków P oraz T, spośród kandydatów, określonych wektorem C_NQ (zapisany w pseudo-kodzie): 1) Dla próbek, przed pierwszym wystąpieniem QRS (znacznik Q_count==1): if (Q_count == 1) if (CNQ == 0.5) & (abs(cnq_end QRS_end) >= 0.66*rr1_av) & (QRS_begin > CNQ_end) & (FNQ > 0.10) set T(i) = 0.6; elseif (CNQ == 0.5) & (abs(cnq_end QRS_end) <= 0.33*rr1_av) & (QRS_begin > CNQ_end) & (FNQ > 0.05) set P(i) = 0.3 end end gdzie: i - indeks próbek pomiędzy CNQ_begin, a CNQ_end CNQ - wektor znaczników, FNQ - funkcja detekcyjna, abs(x) - wartość bezwzględna z x, rr1_av - wartość średnia interwału RR1, QRS_begin, QRS_end - początek oraz koniec danego zespołu QRS, CNQ_begin, CNQ_end - początek oraz koniec wektora znaczników, P(i) - wektor załamków P, T(i) - wektor załamków T 2) Dla kolejnych wyrazów sygnału wejściowego: if (CNQ == 0.5) & (abs(cnq_end QRS_end) <= 0.66*rr1_av)& (QRS_end < CNQ_end) &(FNQ > 0.10) set T(i) = 0.6; elseif (CNQ == 0.5) & (abs(cnq_begin QRS_end) >=0.66*rr1_av) & (QRS_end < CNQ_end) -8-
9 set P(i) = 0.3; end Podczas trawania interwału w sygnale powinno pojawić się pojedyncze wystąpienie zarówno sygnału P, jak i sygnału T. Pozostaje więc, dla każdego interwału, sprawdzić poprawność dotychczasowych wyników pod względem ilości znalezionych załamków. Tutaj również należy rozpatrzeć rózne typy sytuacji. Początkową weryfikację przeprowadzamy dla interwału przed pierwszym wystąpieniem zespołu QRS. Poniższy algorytm obrazuje kolejne kroki działania: if (wp1 > 0) & (wp2 > 0) if (wp1 + wp2 + pp1 <= 100) & ((min(fnq(j)) >= 0.3) OR (min(abs(s(j))) >= 0.5)) set p(j) = 0.3; end end gdzie: i - indeks próbek pomiędzyp1_end, a P2_begin, wp1, wp2 - szerokości załamków P pp1 interwał Podobnie wyznacza się wystąpienia załamków T. Zmienie ulegają jedynie wartości progów. Kolejne iteracje wyszukiwania pojedynczych wystąpień załamków opierają się na warunku: if (wq1> 0) & (wq2 > 0) gdzie wq1 i wq2 to szerokości dwóch następujących po sobie zespołów QRS Reszta algorytmu pozostaje taka jak w przypadku weryfikacji przed wystąpieniem pierwszego zespołu QRS. Podobna sytuacja ma miejsce dla 3 możliwości, tzn. po wystąpieniu ostatniego kompleksu QRS. Z tym jednym wyjątkiem, iż jest ona identyfikowana przez warunek: if (Q_count = = Q_No) Obliczenie odcinków PQ oraz ST opiera się na wcześniejszym wyliczeniu odpowiednich załamków. Wyniki zostaną zapisane do pliku w odpowiednim, o wcześniej ustalonym formacie. -9-
10 4. Rezultaty i wnioski Zaproponowany algorytm został w pełni zaimplementowany zgodnie z artykułem [2]. Walidacja wykrywania i wyznaczania załamków P i T odbyła się za pomocą danych testowych pochodzących z bazy CSE (Common Standards for Electrocardiography). Baza CSE to wynik kilkuletniego europejskiego programu badawczego i zawiera kilkaset rejestracji sygnału EKG. Są to zapisy krótkie i wielokanałowe. Sygnały te zawierają prawidłowe przebiegi EKG a także różnorodne zaburzenia. Do konkretnych zapisów EKG dostępne są pliki referencyjne z wynikami detekcji i diagnozami. Część sygnałów została oceniona przez lekarzy, a reszta przez oprogramowanie referencyjne. Użyta przez nas dane z bazy CSE stanowią 10 sekundowe zapisy 12-odprowadzeniowego badania EKG. Próbkowanie sygnału wynosi 500 próbek na sekundę, więc każdy rekord z bazy danych ma długość 5000 próbek. Nie posiadaliśmy niestety wyników referencyjnych bazy CSE. Brak wyników referencyjnych spowodował, że w celu przygotowania danych wejściowych niezbędnych do działania naszego algorytmu (pliku z wyznaczonymi zespołami QRS) musieliśmy zastosować do tego moduł przygotowany przez inną grupę. Przez co nie było pewności, że dane wejściowe na temat QRS są tak naprawdę właściwe. Aczkolwiek udało nam się przeprowadzić kilka testów, które pozwoliły nam według nas skutecznie wykryć załamki P i T. Przedstawimy tutaj efekty działania algorytmu na podstawie sygnału wejściowego 'MA1_001.DCD' oraz plik wejściowego z danymi na temat zespołu QRS: 'MA1_001-QRS.txt'. Pierwszą część to wyznaczenie na podstawie sygnału funkcji detekcyjnej, została ona obliczona przy użyciu ekstrakcji cech poza zespołem QRS tzw. "Non-QRS Feature". Oto niektóre z nich: Rysunek 3: Wektor cech' fc1' -10-
11 Rysunek 4: Wektor cech 'fc5' Odpowiednio ważona suma wektorów "Non-QRS Feature" wyznaczyła następującą funkcję detekcyjną: Rysunek 5: Wyznaczona funkcja detekcyjna Funkcja detekcyjna pozwala nam na zawężenie obszarów poszukiwań i wyznaczenie prostokątnych znaczników impulsów C_NQ, z których opisanym algorytmem wyznaczane są załamki P i T: -11-
12 5. Podsumowanie W pracy tej zmierzyliśmy się z niebanalnym problemem wykrywania załamków P i T w sygnale EKG. Detekcja załamków stanowi nieodzowny etap analizy EKG i wymagane jest uzyskanie jak najdokładniejszego rezultatu. Zgodnie z naszymi przewidywaniami zadanie to okazało się trudne i wbrew pozorom skomplikowane. Autorzy pracy [2] we wnioskach swojej pracy napisali, że zaimplementowany przez nich algorytm daje skuteczność ok. 96% przy wykrywaniu załamków. Nam oczywiście nie udało się uzyskać takiej skuteczności. Wynikać to może z faktu, że nasza wiedza na ten temat nie jest na tyle bogata, jak w przypadku ludzi zajmujących się tego typu problemami na co dzień. Dlatego implementacja naszego algorytmu wymaga dopracowania i właśnie tutaj widzimy możliwość modyfikacji naszego rozwiązania. Dobrym kierunkiem byłoby też wykorzystanie wyników z plików referencyjnych bazy CSE, których nie udało się nam uzyskać. Praca nad tym problemem była dla nas ciekawym doświadczeniem i zdecydowanie poszerzyła naszą wiedzę z zakresu medycyny i informatki. -12-
13 6. Literatura [1] Augustyniak P., Przetwarzanie sygnałów elektrodiagnostycznych, Akademia Górniczo- Hutnicza, Kraków 2001 [2] V.S. Chouhan and S.S. Mehta, Threshold-based Detection of P and T-wave in ECG using New Feature Signal International Journal of Computer Science and Network Security,, [3] Abed Al Raoof Bsoul, Soo-Yeon Ji, Kevin Ward, and Kayvan Najarian, Detection of P, QRS, and T Components of ECG Using Wavelet Transformation IEEE, [4] K. F. Tan, K. L. Chan, and K. Choi, Detection of the QRS complex, P wave, T wave in electrocardiogram Department of Electronic Engineering, City University of Hong Kong, Hong Kong 2009 [5] Md. Abdullah Arafat, Md. Kamrul Hasan, Automatic detection of ECGWave boundaries using empirical mode decomposition, Bangladesh University of Engineering and Technology, Dhaka, Bangladesh
14 7. DODATEK A: Opis opracowanych narzędzi i metody postępowania PTDetector Główna część aplikacji stanowi detektor załamków P i T. Na podstawie pliku wejściowego, będącego sygnałem EKG z bazy CSE (Common Standards for Electrocardiography), a także pliku z wyznaczonymi zespołami QRS, dokonuje detekcji załamków P i T. Wynik zwracany jest do odpowiednio sformatowanego pliku o nazwie: results.txt Aplikację uruchamia się z konsoli systemowej: PTDetector <ecgfilename> <qrsdetectfilename> gdzie: <ecgfilename> - nazwa pliku z sygnałem wejściowym EKG <qrsdetectfilename> - nazwa pliku z wyznaczonymi zespołami QRS dla zadanego sygnału EKG Przykład: PTDetector MA1_001.DCD MA1_001-QRS.txt Dane testowe: Dane testowe pochodzą z bazy CSE (Common Standards for Electrocardiography). Powinny znajdować się w folderze 'test', w głównym katalogu aplikacji. Mają one format: MA1_XXX.DCD, gdzie XXX to kolejny numer pliku testowego (np. MA1_001.DCD). ECGChart Dodatek stanowi mini-aplikacja do rysowania wykresów EKG na podstawie pliku tekstowego w odpowiednim formacie. Posiada ona GUI, dzięki, któremu możemy wybrać plik źródłowy, oglądnąć wykres, a także zapisać go do formatu.png. Wykresy zapisywane są do folderu 'chart' w głównym katalogu aplikacji. -14-
15 8. DODATEK B: Realizacja proponowanego rozwiązania Aplikacja została napisana w języku C z elementami języka C++ oraz zbudowana w środowisku Microsoft Visual Studio Przygotowana została też wersja Release aplikacji w postaci pliku.exe Program została podzielony na moduły odpowiedzialne za poszczególne części implementacji algorytmu: nonqrsfunctions.c - zbiór funkcji odpowiedzialnych za wyliczenie cech sygnału poza zespołami QRS, tzw. "nonqrs Feature" detectionfunctions.c - zbiór funkcji opowiedzialnych za detekcję załamków P i T PTDetecor.cpp - główny moduł programu, odpowiedzialny za wczytanie i zapis danych oraz ze realizację algorytmu przy pomocy zaimplementowanych funkcji -15-
16 9. DODATEK C. Opis informatyczny procedur Oto opis najważniejszych procedur: Procedury do wyznaczania komponentów (wektorów cech) opisujących sygnał poza zespołem QRS (tzw. Non-QRS Feature) : Wyliczenie funkcji sygnału wejś ciowego na podstawie pierwszej pochodnej oraz zastosowaniu okna o szerokości 11 punktów. float *signal - sygna ł wejściowy EKG float *F1 wyliczona funkcja sygnału F1 void extractfeaturesignal(float *signal, float *F1); Wyliczenie wektora komponentu fc1 na podstawie pierwszej pochodnej float *F1 - funkcja sygnału float *FQ - wektor z wyznaczonymi zespołami QRS float *fc1 komponent wyjściowy fc1 void derivefirstfeaturecomp(float *F1, int *FQ, float *fc1); Wyliczenie i przefiltrowanie gradientu sygnału oknem o szerokoś ci 11 punktów float *signal - sygna ł wejściowy EKG float *FG wyjściowy przefiltrowany gradient sygnału void filtergradient(float *signal, float *FG); Wyliczenie wektora komponentu fc2 na podstawie przefiltrowanego gradientu float *FG przefiltrowany gradient sygnału float *FQ - wektor z wyznaczonymi zespołami QRS float *fc2 komponent wyjściowy fc2 void derivesecondfeaturecomp(float *FG, int *FQ, float *fc2); Wyliczenie wektora komponentu fc3 na podstawie produktu (FG*S) (przefiltrowany gradient sygnału * sygna ł) float *FG przefiltrowany gradient sygnału float *signal - sygna ł wejściowy EKG float *FQ - wektor z wyznaczonymi zespołami QRS float *fc3 komponent wyjściowy fc3 void derivethirdfeaturecomp(float *FG, float *signal, int *FQ, float *fc3); Wyliczenie wektorów komponentu fc4 i fc5 jako kombinacji trzech pierwszych komponentów i wartości bezwzględnej sygnału float *signal - sygna ł wejściowy EKG float *fc1 komponent fc1 float *fc2 komponent fc2-16-
17 float *fc3 komponent fc3 float *FQ - wektor z wyznaczonymi zespołami QRS float *fc4 komponent wyjściowy fc4 float *fc5 komponent wyjściowy fc5 void derive4and5featurecomp(float *signal, float *fc1, float *fc2, float *fc3, int *FQ, float *fc4, float *fc5); Wyznaczenie wektora FNQ, będącego wektorem z kandydatami na zał amki P i T, wektor ten jest sum ą komponentów fc1,fc2,...,fc5 float *Pre_FNQ wektor z kandydatami w pierwotnej, nie przetworzonej formie float *FNQ wyjściowy funkcja detekcyjna void derivedesiredfeaturefnq(float *Pre_FNQ, float *FNQ); Procedury odpowiedzialne za detekcję załamków P i T : Znajduje wektor CNQ, z kandytatami na załamki P i T float *f1_fnq wyznaczona wcześniej funkcja detekcyjna float *fl_cnq wyjściowy wektor z kandydatami void findcnq(float *fl_fnq, float *fl_cnq); Znajduje załamki P oraz T float *Signal wejściowy sygnał int **QRSFeature wyznaczone zespoły QRS float *f1_fnq wyznaczona wcześniej funkcja detekcyjna float *fl_cnq wyznaczony wektor z kandydatami float *P wyznaczony załamek P float *T wyznaczony załamek T void findpandtpeaks(float *Signal, int **QRSFeature, float *fl_fnq, float *fl_cnq, float *P, float *T); 10. DODATEK D. Spis zawartości dołączonych nośników W poszczególnych katalogach projektu znajdują się: SRC - postacie źródłowe stworzonych modułów - functions.h, detectionfunctions.c, nonqrsfunctions.c, PTDetector.cpp EXE program exe gotowy do uruchomienia DOC raport w formacie PDF LIT literatura użyta w powyższej pracy -17-
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Określenie
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. PR04307 Temat projektu:
Bardziej szczegółowo1.ABSTRAKT REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA...5 DODATEK C. OPIS INFORMATYCZNY PROCEDUR... 7
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Klasyfikacja
Bardziej szczegółowoDetekcja zespołów QRS w sygnale elektrokardiograficznym
Detekcja zespołów QRS w sygnale elektrokardiograficznym 1 Wprowadzenie Zadaniem algorytmu detekcji zespołów QRS w sygnale elektrokardiograficznym jest określenie miejsc w sygnale cyfrowym w których znajdują
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Obliczenie
Bardziej szczegółowoZastosowanie Informatyki w Medycynie
Zastosowanie Informatyki w Medycynie Dokumentacja projektu wykrywanie bicia serca z sygnału EKG. (wykrywanie załamka R) Prowadzący: prof. dr hab. inż. Marek Kurzyoski Grupa: Jakub Snelewski 163802, Jacek
Bardziej szczegółowoAutomatyczna klasyfikacja zespołów QRS
Przetwarzanie sygnałów w systemach diagnostycznych Informatyka Stosowana V Automatyczna klasyfikacja zespołów QRS Anna Mleko Tomasz Kotliński AGH EAIiE 9 . Opis zadania Tematem projektu było zaprojektowanie
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów. Temat projektu: Klasyfikacja zespołów QRS Spis treści: 1.
Bardziej szczegółowo3. KONCEPCJA PROPONOWANEGO ROZWIĄZANIA...6 7. DODATEK A: OPIS OPRACOWANYCH NARZĘDZI I METODY POSTĘPOWANIA...10
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. ST_ANA Temat projektu:
Bardziej szczegółowoTom 6 Opis oprogramowania
Część 9 Narzędzie do wyliczania wskaźników statystycznych Diagnostyka Stanu Nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 31 maja 2012 Historia dokumentu Nazwa dokumentu Nazwa
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoPodstawy elektrokardiografii część 1
Podstawy elektrokardiografii część 1 Dr med. Piotr Bienias Klinika Chorób Wewnętrznych i Kardiologii WUM Szpital Kliniczny Dzieciątka Jezus w Warszawie ELEKTROKARDIOGRAFIA metoda rejestracji napięć elektrycznych
Bardziej szczegółowoTom 6 Opis oprogramowania
Część 4 Narzędzie do wyliczania wielkości oraz wartości parametrów stanu Diagnostyka stanu nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 30 maja 2012 Historia dokumentu Nazwa
Bardziej szczegółowoImplementacja filtru Canny ego
ANALIZA I PRZETWARZANIE OBRAZÓW Implementacja filtru Canny ego Autor: Katarzyna Piotrowicz Kraków,2015-06-11 Spis treści 1. Wstęp... 1 2. Implementacja... 2 3. Przykłady... 3 Porównanie wykrytych krawędzi
Bardziej szczegółowo1. ABSTRAKT REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA DODATEK C: OPIS INFORMATYCZNY PROCEDUR...
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Wyznaczanie
Bardziej szczegółowoTom 6 Opis oprogramowania Część 8 Narzędzie do kontroli danych elementarnych, danych wynikowych oraz kontroli obmiaru do celów fakturowania
Część 8 Narzędzie do kontroli danych elementarnych, danych wynikowych oraz kontroli Diagnostyka stanu nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 21 maja 2012 Historia dokumentu
Bardziej szczegółowoz zapisu EKG 1. WSTĘP CELE PROJEKTU KONCEPCJA PROPONOWANEGO ROZWIĄZANIA... 8
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Dedykowane algorytmy diagnostyki medycznej. QRS_AX Temat projektu: Określenie osi
Bardziej szczegółowo(L, S) I. Zagadnienia. 1. Potencjały czynnościowe komórek serca. 2. Pomiar EKG i jego interpretacja. 3. Fonokardiografia.
(L, S) I. Zagadnienia 1. Potencjały czynnościowe komórek serca. 2. Pomiar EKG i jego interpretacja. 3. Fonokardiografia. II. Zadania 1. Badanie spoczynkowego EKG. 2. Komputerowa rejestracja krzywej EKG
Bardziej szczegółowoDetekcja zmienności rytmu serca
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Temat projektu: Przetwarzanie sygnałów w systemach diagnostyki medycznej PR04307
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Detekcja
Bardziej szczegółowoElektrokardiografia: podstawy i interpretacja
Elektrokardiografia: podstawy i interpretacja Podstawy EKG 1887 rok- Waller dokonał bezpośredniego zapisu potencjałów serca. 1901 rok- galwanometr strunowy Einthovena pozwolił na rejestrację czynności
Bardziej szczegółowoAlgorytm grupowania danych typu kwantyzacji wektorów
Algorytm grupowania danych typu kwantyzacji wektorów Wstęp Definicja problemu: Typowe, problemem często spotykanym w zagadnieniach eksploracji danych (ang. data mining) jest zagadnienie grupowania danych
Bardziej szczegółowoWykrywanie twarzy na zdjęciach przy pomocy kaskad
Wykrywanie twarzy na zdjęciach przy pomocy kaskad Analiza i przetwarzanie obrazów Sebastian Lipnicki Informatyka Stosowana,WFIIS Spis treści 1. Wstęp... 3 2. Struktura i funkcjonalnośd... 4 3. Wyniki...
Bardziej szczegółowoSystem detekcji i analizowania osobliwości w sygnale cyfrowym
System detekcji i analizowania osobliwości w sygnale cyfrowym Wydział Informatyki, Politechnika Białostocka dr hab. inż. Waldemar Rakowski, prof. ndzw. dr inż. Paweł Tadejko inż. Michał Januszewski /4/20
Bardziej szczegółowoDariusz Kozłowski, Krzysztof Łucki Klinika Kardiologii i Elektroterapii Serca, II Katedra Kardiologii, Gdański Uniwersytet Medyczny
Akademia Medycyny POGADANKI O ELEKTROKARDIOGRAFII/SPEECHES ABOUT ELECTROCARDIOGRAPHY Wpłynęło: 13.09.2009 Zaakceptowano: 13.09.2009 Elektrokardiografia w schematach (część 3) zaburzenia rytmu serca (częstoskurcze)
Bardziej szczegółowoAKADEMIA GÓRNICZO HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE. Międzywydziałowa Szkoła Inżynierii Biomedycznej. Raport końcowy projektu
AKADEMIA GÓRNICZO HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE Międzywydziałowa Szkoła Inżynierii Biomedycznej Raport końcowy projektu Detekcja i synchronizacja reprezentacji uderzeń serca (zespołu QRS)
Bardziej szczegółowoEKG (Elektrokardiogram zapis czasowych zmian potencjału mięśnia sercowego)
6COACH 26 EKG (Elektrokardiogram zapis czasowych zmian potencjału mięśnia sercowego) Program: Coach 6 Projekt: na ZMN060c CMA Coach Projects\PTSN Coach 6\EKG\EKG_zestaw.cma Przykład wyników: EKG_wyniki.cma
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoSYMULATOR EKG. Bartłomiej Bielecki 1, Marek Zieliński 2, Paweł Mikołajaczak 1,3
SYMULATOR EKG Bartłomiej Bielecki 1, Marek Zieliński 2, Paweł Mikołajaczak 1,3 1. Państwowa Wyższa Szkoła Zawodowa w Chełmie 2. Państwowy Szpital im. Ludwika Rydygiera w Chełmie 3. Uniwersytet Marii Curie-Skłodowskiej
Bardziej szczegółowoElektrokardiografia dla informatyka-praktyka / Piotr Augustyniak. Kraków, Spis treści Słowo wstępne 5
Elektrokardiografia dla informatyka-praktyka / Piotr Augustyniak. Kraków, 2011 Spis treści Słowo wstępne 5 1. Wprowadzenie 15 1.A Przetwarzanie sygnałów elektrodiagnostycznych profesjonalizm i pasja 15
Bardziej szczegółowoAnaliza i Przetwarzanie Biosygnałów
Analiza i Przetwarzanie Biosygnałów Sygnał EKG Historia Luigi Galvani (1737-1798) włoski fizyk, lekarz, fizjolog 1 Historia Carlo Matteucci (1811-1868) włoski fizyk, neurofizjolog, pionier badań nad bioelektrycznością
Bardziej szczegółowo2.2 Opis części programowej
2.2 Opis części programowej Rysunek 1: Panel frontowy aplikacji. System pomiarowy został w całości zintegrowany w środowisku LabVIEW. Aplikacja uruchamiana na komputerze zarządza przebiegiem pomiarów poprzez
Bardziej szczegółowoQRS_WAVES. AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie. WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki.
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Dedykowane algorytmy diagnostyki medycznej QRS_WAVES Temat projektu: Określenie
Bardziej szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
Bardziej szczegółowoAlgorytm. a programowanie -
Algorytm a programowanie - Program komputerowy: Program komputerowy można rozumieć jako: kod źródłowy - program komputerowy zapisany w pewnym języku programowania, zestaw poszczególnych instrukcji, plik
Bardziej szczegółowoAby mieć możliwość przeglądania danych z 12 kanałów rejestrator powinien być ustawiony na 12-kanałowy tryb pracy. Dostępne tryby 12-kanałowe to:
Dane 12-kanałowe Oprogramowanie Holter LX umożliwia przeglądanie i edycję 12-kanałowego zapisu zarejestrowanego za pomocą rejestratora DR-180+ przy użyciu jednego z trybów rejestracji 12-kanałowej. Dane
Bardziej szczegółowoFIZJOLOGICZNE I PATOFIZJOLOGICZNE PODSTAWY INTERPRETACJI EKG. Aleksandra Jarecka
FIZJOLOGICZNE I PATOFIZJOLOGICZNE PODSTAWY INTERPRETACJI EKG Aleksandra Jarecka CO TO JEST EKG? Graficzne przedstawienie zmian potencjałów kardiomiocytów w czasie mierzone z powierzchni ciała Wielkość
Bardziej szczegółowoPrzekształcenia kontekstowe. Filtry nieliniowe Typowy przykład usuwania zakłóceń z obrazu
Definicja Przekształcenia kontekstowe są to przekształcenia które dla wyznaczenia wartości jednego punktu obrazu wynikowego trzeba dokonać określonych obliczeń na wielu punktach obrazu źródłowego. Przekształcenia
Bardziej szczegółowoMiędzyplatformowy interfejs systemu FOLANessus wykonany przy użyciu biblioteki Qt4
Uniwersytet Mikołaja Kopernika w Toruniu Wydział Matematyki i Informatyki Wydział Fizyki, Astronomii i Informatyki Stosowanej Agnieszka Holka Nr albumu: 187396 Praca magisterska na kierunku Informatyka
Bardziej szczegółowoII KATEDRA KARDIOLOGII CM UMK
II KATEDRA KARDIOLOGII CM UMK 2014 6 elektrod przedsercowych V1 do V6 4 elektrody kończynowe Prawa ręka Lewa ręka Prawa noga Lewa noga 1 2 Częstość i rytm Oś Nieprawidłowości P Odstęp PQ Zespół QRS (morfologia,
Bardziej szczegółowoProcesy ETL. 10maja2009. Paweł Szołtysek
Procesy 10maja2009 Paweł Szołtysek 1/12 w praktyce w praktyce 2/12 Zagadnienie Business Inteligence w praktyce 3/12 Czym jest proces? w praktyce Dane: dowolny zbiór danych ze źródeł zewnętrznych. Szukane:
Bardziej szczegółowoKARTA PRZEDMIOTU. Techniki przetwarzania sygnałów, D1_3
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowoPolitechnika Białostocka Wydział Elektryczny Katedra Automatyki i Elektroniki
Politechnika Białostocka Wydział Elektryczny Katedra Automatyki i Elektroniki ĆWICZENIE Nr 1 (3h) Wprowadzenie do obsługi platformy projektowej Quartus II Instrukcja pomocnicza do laboratorium z przedmiotu
Bardziej szczegółowoĆwiczenie 3. Właściwości przekształcenia Fouriera
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 3. Właściwości przekształcenia Fouriera 1. Podstawowe właściwości przekształcenia
Bardziej szczegółowoMetody Inżynierii Wiedzy
Metody Inżynierii Wiedzy Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie AGH University of Science and Technology Mateusz Burcon Kraków, czerwiec 2017 Wykorzystane technologie Python 3.4
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX6 Operacje morfologiczne Joanna Ratajczak, Wrocław, 2018 1 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami podstawowych
Bardziej szczegółowoWyznaczanie stopnia krystaliczności wybranych próbek polimerów wykorzystanie programu WAXSFIT
1 ĆWICZENIE 3 Wyznaczanie stopnia krystaliczności wybranych próbek polimerów wykorzystanie programu WAXSFIT Do wyznaczenia stopnia krystaliczności wybranych próbek polimerów wykorzystany zostanie program
Bardziej szczegółowoSystem wspomagania harmonogramowania przedsięwzięć budowlanych
System wspomagania harmonogramowania przedsięwzięć budowlanych Wojciech Bożejko 1 Zdzisław Hejducki 2 Mariusz Uchroński 1 Mieczysław Wodecki 3 1 Instytut Informatyki, Automatyki i Robotyki Politechnika
Bardziej szczegółowoProgramowanie proceduralne INP001210WL rok akademicki 2017/18 semestr letni. Wykład 3. Karol Tarnowski A-1 p.
Programowanie proceduralne INP001210WL rok akademicki 2017/18 semestr letni Wykład 3 Karol Tarnowski karol.tarnowski@pwr.edu.pl A-1 p. 411B Plan prezentacji (1) Co to jest algorytm? Zapis algorytmów Algorytmy
Bardziej szczegółowoNa komputerach z systemem Windows XP zdarzenia są rejestrowane w trzech następujących dziennikach: Dziennik aplikacji
Podgląd zdarzeń W systemie Windows XP zdarzenie to każde istotne wystąpienie w systemie lub programie, które wymaga powiadomienia użytkownika lub dodania wpisu do dziennika. Usługa Dziennik zdarzeń rejestruje
Bardziej szczegółowoZaburzenia rytmu serca. Monika Panek-Rosak
Zaburzenia rytmu serca Monika Panek-Rosak załamek P depolaryzacja przedsionków QRS depolaryzacja komór załamek T repolaryzacja komór QRS < 0,12 sek PR < 0,2 sek ROZPOZNAWANIE ZAPISU EKG NA MONITORZE 1.
Bardziej szczegółowoprzetworzonego sygnału
Synteza falek ortogonalnych na podstawie oceny przetworzonego sygnału Instytut Informatyki Politechnika Łódzka 28 lutego 2012 Plan prezentacji 1 Sformułowanie problemu 2 3 4 Historia przekształcenia falkowego
Bardziej szczegółowoSYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY. Autorzy: M. Lewicka, K. Stańczyk
SYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY Autorzy: M. Lewicka, K. Stańczyk Kraków 2008 Cel pracy projekt i implementacja systemu rozpoznawania twarzy, który na podstawie
Bardziej szczegółowoPraca dyplomowa. Program do monitorowania i diagnostyki działania sieci CAN. Temat pracy: Temat Gdańsk Autor: Łukasz Olejarz
Temat Gdańsk 30.06.2006 1 Praca dyplomowa Temat pracy: Program do monitorowania i diagnostyki działania sieci CAN. Autor: Łukasz Olejarz Opiekun: dr inż. M. Porzeziński Recenzent: dr inż. J. Zawalich Gdańsk
Bardziej szczegółowo10. Zmiany elektrokardiograficzne
10. Zmiany elektrokardiograficzne w różnych zespołach chorobowyh 309 Zanim zaczniesz, przejrzyj streszczenie tego rozdziału na s. 340 342. zmiany elektrokardiograficzne w różnych zespołach chorobowych
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoREFERAT PRACY DYPLOMOWEJ
REFERAT PRACY DYPLOMOWEJ Temat pracy: Projekt i implementacja środowiska do automatyzacji przeprowadzania testów aplikacji internetowych w oparciu o metodykę Behavior Driven Development. Autor: Stepowany
Bardziej szczegółowo1. Opis aplikacji. 2. Przeprowadzanie pomiarów. 3. Tworzenie sprawozdania
1. Opis aplikacji Interfejs programu podzielony jest na dwie zakładki. Wszystkie ustawienia znajdują się w drugiej zakładce, są przygotowane do ćwiczenia i nie można ich zmieniac bez pozwolenia prowadzącego
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowo1. ABSTRAKT WSTĘP KONCEPCJA PROPONOWANEGO ROZWIĄZANIA REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA...
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Dedykowane algorytmy diagnostyki medycznej. Temat projektu: Detekcja zmienności
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów Biomedycznych
Laboratorium Przetwarzania Sygnałów Biomedycznych Ćwiczenie 2 Analiza sygnału EKG przy użyciu transformacji falkowej Opracowali: - prof. nzw. dr hab. inż. Krzysztof Kałużyński - inż. Tomasz Kubik Politechnika
Bardziej szczegółowoECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0
ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0 Przeznaczenie Sylabusa Dokument ten zawiera szczegółowy Sylabus dla modułu ECDL/ICDL Użytkowanie baz danych. Sylabus opisuje zakres wiedzy
Bardziej szczegółowo7. Szybka transformata Fouriera fft
7. Szybka transformata Fouriera fft Dane pomiarowe sygnałów napięciowych i prądowych często obarczone są dużym błędem, wynikającym z istnienia tak zwanego szumu. Jedną z metod wspomagających analizę sygnałów
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie QRS_DET. Spis treści. WEAIiE, Katedra Automatyki. Laboratorium Biocybernetyki
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej Temat: Detekcja i synchronizacja
Bardziej szczegółowoLABORATORIUM AKUSTYKI MUZYCZNEJ. Ćw. nr 12. Analiza falkowa dźwięków instrumentów muzycznych. 1. PODSTAWY TEORETYCZNE ANALIZY FALKOWEJ.
LABORATORIUM AKUSTYKI MUZYCZNEJ. Ćw. nr 1. Analiza falkowa dźwięków instrumentów muzycznych. 1. PODSTAWY TEORETYCZNE ANALIZY FALKOWEJ. Transformacja falkowa (ang. wavelet falka) przeznaczona jest do analizy
Bardziej szczegółowoMONITOROWANIE EKG, ZABURZENIA RYTMU SERCA RC (UK)
MONITOROWANIE EKG, ZABURZENIA RYTMU SERCA Zagadnienia Wskazania i techniki monitorowania elektrokardiogramu Podstawy elektrokardiografii Interpretacja elektrokardiogramu formy NZK groźne dla życia zaburzenia
Bardziej szczegółowoZASTOSOWANIA PROCESORÓW SYGNAŁOWYCH - PROJEKT
ZASTOSOWANIA PROCESORÓW SYGNAŁOWYCH - PROJEKT Harmonogram projektu Terminy realizacji i prowadzący zajęcia: T1 piątek, 8.30 10.00, NE 239 - dr inż. Grzegorz Szwoch (pok. 732) T2 piątek, 8.30 10.00, NE
Bardziej szczegółowoĆwiczenie 4 - Badanie charakterystyk skokowych regulatora PID.
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie KATEDRA AUTOMATYKI LABORATORIUM Aparatura Automatyzacji Ćwiczenie 4. Badanie charakterystyk skokowych regulatora PID. Wydział EAIiE kierunek
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się algorytmem gradientu prostego
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoTom 6 Opis oprogramowania
Diagnostyka Stanu Nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 21 maja 2012 Historia dokumentu Nazwa dokumentu Nazwa pliku Tom 6 Opis oprogramowania, Część 2 Generator danych
Bardziej szczegółowoProjektowanie systemów za pomocą języków wysokiego poziomu ESL
Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział IET Katedra Elektroniki Projektowanie systemów za pomocą języków wysokiego poziomu ESL Ćwiczenie 2 Implementacja funkcji Hash z użyciem
Bardziej szczegółowoJęzyk skryptowy: Laboratorium 1. Wprowadzenie do języka Python
Język skryptowy: Laboratorium 1. Wprowadzenie do języka Python Język PYTHON Podstawowe informacje Python to język skryptowy, interpretowany - co oznacza, że piszemy skrypt, a następnie wykonujemy go za
Bardziej szczegółowoMaciej Piotr Jankowski
Reduced Adder Graph Implementacja algorytmu RAG Maciej Piotr Jankowski 2005.12.22 Maciej Piotr Jankowski 1 Plan prezentacji 1. Wstęp 2. Implementacja 3. Usprawnienia optymalizacyjne 3.1. Tablica ekspansji
Bardziej szczegółowoCzęść 1. Podstawowe pojęcia i zasady wykonania i oceny elektrokardiogramu
Podstawy EKG Część 1. Podstawowe pojęcia i zasady wykonania i oceny elektrokardiogramu Wojciech Telec telec@ump.edu.pl EKG Elektrokardiograf to bardzo czuły galwanometr - wykonuje pomiary natężenia prądu
Bardziej szczegółowoJak napisać program obliczający pola powierzchni różnych figur płaskich?
Część IX C++ Jak napisać program obliczający pola powierzchni różnych figur płaskich? Na początku, przed stworzeniem właściwego kodu programu zaprojektujemy naszą aplikację i stworzymy schemat blokowy
Bardziej szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium - problem detekcji twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, P. Klukowski Cel zadania Celem zadania jest zapoznanie się z gradientowymi algorytmami optymalizacji
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY WALIDACJA KRZYŻOWA dla ZAAWANSOWANEGO KLASYFIKATORA KNN ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoPodstawy Przetwarzania Sygnałów
Adam Szulc 188250 grupa: pon TN 17:05 Podstawy Przetwarzania Sygnałów Sprawozdanie 6: Filtracja sygnałów. Filtry FIT o skończonej odpowiedzi impulsowej. 1. Cel ćwiczenia. 1) Przeprowadzenie filtracji trzech
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 4 Filtracja 2D Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,
Bardziej szczegółowoAnaliza zmienności rytmu serca (HRV). Analiza częstotliwościowa sygnałów próbkowanych niejednorodnie
Analiza zmienności rytmu serca (HRV). Analiza częstotliwościowa sygnałów próbkowanych niejednorodnie 1 Wprowadzenie Różnice w długościach interwałów RR, określone przez kolejne szczyty zespołów QRS, przedstawiają
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. EKSPLORACJA DANYCH Ćwiczenia. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING EKSPLORACJA DANYCH Ćwiczenia Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoWydział Elektryczny. Katedra Telekomunikacji i Aparatury Elektronicznej. Konstrukcje i Technologie w Aparaturze Elektronicznej.
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Konstrukcje i Technologie w Aparaturze Elektronicznej Ćwiczenie nr 5 Temat: Przetwarzanie A/C. Implementacja
Bardziej szczegółowoKlasyfikacja publikacji biomedycznych w konkursie JRS 2012 Data Mining Competition - Szkic koncepcji
Kierunek: Informatyka Zastosowania Informatyki w Medycynie Klasyfikacja publikacji biomedycznych w konkursie JRS 2012 Data Mining Competition - Szkic koncepcji 1. WSTĘP AUTORZY Joanna Binczewska gr. I3.1
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU obraz dr inż. Jacek Naruniec Analiza Składowych Niezależnych (ICA) Independent Component Analysis Dąży do wyznaczenia zmiennych niezależnych z obserwacji Problem opiera
Bardziej szczegółowoPodstawy programowania. Wykład Funkcje. Krzysztof Banaś Podstawy programowania 1
Podstawy programowania. Wykład Funkcje Krzysztof Banaś Podstawy programowania 1 Programowanie proceduralne Pojęcie procedury (funkcji) programowanie proceduralne realizacja określonego zadania specyfikacja
Bardziej szczegółowoProgramowanie proceduralne w języku C++ Podstawy
Programowanie proceduralne w języku C++ Podstawy Mirosław Głowacki 1 1 Akademia Górniczo-Hutnicza im. Stanisława Staszica w Ktrakowie Wydział Inżynierii Metali i Informatyki Stosowanej Katedra Informatyki
Bardziej szczegółowoAnaliza i Przetwarzanie Obrazów
Analiza i Przetwarzanie Obrazów Projekt: Filtr medianowy bez sortowania listy sąsiadów Paweł Jóźwik Zawartość 1 Wstęp.... 2 2 Wyniki działania.... 3 3 Wnioski.... 5 1 Wstęp. Celem projektu było napisanie
Bardziej szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
Cyfrowe przetwarzanie sygnałów -1-2003 CYFROWE PRZETWARZANIE SYGNAŁÓW tematy wykładowe: ( 28 godz. +2godz. kolokwium, test?) 1. Sygnały i systemy dyskretne (LTI, SLS) 1.1. Systemy LTI ( SLS ) (definicje
Bardziej szczegółowoWiadomości i umiejętności
Kryteria oceniania wiadomości i umiejętności uczniów z informatyki. Zakres wymagań na poszczególne oceny szkolne dla klas IV VI do programu nauczania Przygoda z komputerem DKW 4014 125/00 Opracował: mgr
Bardziej szczegółowoPROLOG WSTĘP DO INFORMATYKI. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej WSTĘP DO INFORMATYKI Adrian Horzyk PROLOG www.agh.edu.pl Pewnego dnia przyszedł na świat komputer Komputery
Bardziej szczegółowoForte Zarządzanie Produkcją Instalacja i konfiguracja. Wersja B
Forte Zarządzanie Produkcją Instalacja i konfiguracja Wersja 2013.1.B Forte Zarządzanie Produkcją - Instalacja i konfiguracja Strona 2 z 13 SPIS TREŚCI 1 Instalacja i konfiguracja Forte Zarządzanie Produkcją...
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoPL B1. Sposób i układ pomiaru całkowitego współczynnika odkształcenia THD sygnałów elektrycznych w systemach zasilających
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 210969 (13) B1 (21) Numer zgłoszenia: 383047 (51) Int.Cl. G01R 23/16 (2006.01) G01R 23/20 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22)
Bardziej szczegółowoRozpoznawanie obrazu. Teraz opiszemy jak działa robot.
Rozpoznawanie obrazu Implementujesz oprogramowanie do rozpoznawania obrazu dla robota. Za każdym razem, gdy robot robi zdjęcie kamerą, jest ono zapisywane jako czarno-biały obraz w pamięci robota. Każdy
Bardziej szczegółowoQT_DISP. AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie. WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki
AKADEMIA GÓRNICZO-HUTNICZA im. St. Staszica w Krakowie WEAIiE, Katedra Automatyki Laboratorium Biocybernetyki Przedmiot: Przetwarzanie sygnałów w systemach diagnostyki medycznej. Temat projektu: Obliczenie
Bardziej szczegółowo