نویسنده: مهندس سعیده لطفی محمد آباد

روش های تولید سیگنال الکتروکاردیوگرام (‏ECG‏)

در سال های اخیر توجه زیادی به تولید مصنوعی سیگنال های الکتروکاردیوگرام(‏‎ (ECG‎به کمک مدل های ریاضی معطوف شده است . یکی از کاربردهای مدل های دینامیکی که سیگنال های ‏ECG‏ مصنوعی تولید می کند، ارزیابی آسان دستگاه های پردازش سیگنال تشخیصی ‏‎  ECGاست.

همچنین باید مدل از توانایی لازم برای تولید سیگنال های ‏ECG‏ طبیعی و غیر طبیعی برخوردار باشد.اختلاف پتانسیل ثبت شده بین دو الکترود که روی سطح پوست قرارداده شده اند، به الکتروکاردیوگرام ‏‎(ECG)‎‏ سطحی معروف است . دی پلاریزاسیون/ ری پلاریزاسیون های دهلیزی و بطنی متوالی که در هر دوره قلبی اتفاق می افتد قله و دره هایی در یک سیکل منفرد سیگنال ‏ECG‏ طبیعی ایجاد می کند . این قله ها و دره ها با حروف ‏T,S,R,Q,P‏ نام گذاری می شوند.‏
تنوع ضربان - ضربان در ‏RR‏ داخلی ، تنوع درمحدوده مقیاس زمانی از ثانیه تا روز است بعضی از این تغییرات به خوبی قابل درک هستند و برگرفته از :‏

 شکل 1- اتصال سیستم عصبی به قلب

‏1- حمله قلبی بین مکانیزم کنترل متفاوت فیزیولوژی از قبیل آریتمی سینوس تنفسی ‏‎(RSA)  ‎‏ و موج های مایراست.
2- میزان فعالیت فیزیکی و ذهنی
3- ریتم ‏circadian‏
4- اثرات مراحل مختلف خواب
انتشار ضربان قلب از گره سینوسی - دهلیزی به دهلیزها و سپس به دسته دهلیزی بطنی هیس و سرانجام به بطن ها همراه با تغییرات پتانسیل الکتریکی است که می توان آن را در فاصله ای دورتر از قلب ثبت کرد. منحنی تغییرات الکتریکی قلب را الکتروکاردیوگرام یا به اختصار ‏ECG‏ می نامند .‏
سیستم اعصاب مرکزی ‏‎(ANS) ‎‏ مسئول تنظیم کوتاه مدت فشار خون  است . ‏ANS، قسمتی  ‏از سیستم اعصاب مرکزی ‏‎(CNS) ‎‏ است. ‏ANS‏ از دو زیر سیستم سمپاتیک و پاراسمپاتیک استفاده می کند. سیستم سمپاتیک در شرایط استرس فعال می شود تا نرخ ضربان قلب را بالا ببرد . سیستم سمپاتیک می تواند نرخ ضربان قلب را تا 180 ضربان دردقیقه ‏‎(bpm)‎‏ بالا ببرد ‏‎.‎فیبر های عصبی سمپاتیک تمام قلب از جمله گره سینوسی - دهلیزی ، گره دهلیزی - بطنی ، مسیر های هدایتی و عضلات دهلیزی و بطنی را تحت تاثیر قرار می دهد‏‎.‎‏ با افزایش فعالیت سمپاتیک نرخ ضربان قلب و نیروی انقباضی افزایش می یابد. به علاوه میزان هدایت قلب افزایش و مدت انقباض آن کاهش می یابد. در مقابل ، سیستم پاراسمپاتیک در زمان استراحت فعال می شود و می تواند نرخ ضربان قلب را تا ‏bpm‏ 60 پایین بیاورد. سیستم پاراسمپاتیک مسیر های هدایت دهلیزی - بطنی و عضلات دهلیزی‎ ‎را تحت تأثیر قرار  می دهد‏‎.

‎روش های مختلفی برای تولید سیگنال وجود دارد که می توان به دو بخش عمده خطی و غیر خطی تقسیم کرد.

شکل2- مسیر حرکت نمونه تولید شده توسط مدل ‏Mc sharry

چند نمونه از روش های غیر خطی به صورت ذیل است:

روش ‏MC sharry‏ ، شبکه عصبی، ‏IPFM‏ ، مدل دینامیکی، مدل ‏zeeman، مدل ترکیبی ‏GCM‏ و از روش های خطی نیز می توان به روش های پارامتری مانند مدل های ‏AR,ARMA,‎‏ نام برد.‏
مدل ‏McSharry‏  یک سیکل جدی در فضای سه بعدی ‏‎(x,Y,Z)‎‏ ایجاد می کند به طوری که هر حرکت کامل روی آن متناظر با یک سیکل قلبی در نظر گرفته می شود. تصویر مسیر حرکت روی صفحه ‏x-y‏ یک دایره است. تصویر این حرکت روی محور ‏z‏ ، سیگنال ‏ECG‏ را فراهم می کند.‏
‎ ‎در مدلIPFM‏ از ورودی انتگرال گرفته می شود تا هنگامی که  حاصل انتگرال به سطح آستانه ای برابر ‏TH‏ برسد، در این زمان پالسی به عنوان ضربان قلب می شود. سطح آستانه ‏Th‏ را می توان با یک توزیع تصادفی گوسی انتخاب کرد. ورودی انتگراتور مجموع دو سیگنال است . یکی ‏m(t)‎‏ که بیانگر فعالیت اعصاب سمپاتیک و پاراسمپاتیک است و دیگری ‏‏ که به‏‎ ‎عنوان یک ورودی داخلی برای گره ‏SA‏ در نظر گرفته می شود. هنگامی که ‏m(t)‎‏ برابر صفر باشد ، پالس های تولید شده دارای فرکانس متناسب با ‏‏ خواهد بود. البته باید توجه کرد که  باید همواره مثبت باشد. بلوک دیاگرام مدل ارائه شده برای تولید ‏HRV‏ توسط ‏IPFM‏ به صورت روبه رواست.
در مدل غیر خطی از مبنای شبکه های عصبی برای تولید سیگنال الکتروکاردیوگرام همراه با شبکه عصبی با توابع شعاعی ‏‎(RBF) ‎‏ در یک مدل دینامیکی غیر خطی که بر پایه مدل دینامیکی ‏Mc Sharry ‎‏ و همکاران بنا شده است استفاده شده که ، روش مناسبی برای تولید مصنوعی سیگنال های الکتروکاردیوگرام است.‏

شکل3-  بلوک دیاگرام مدل ‏IPFM

درروش مدل ‏zeeman‏  یک مدل جبرانی برای تولید سیگنال ‏ECG‏ مصنوعی مطرح شده است .  این مدل اثر آریتمی سینوسی تنفسی ، موج های مایر از همه مهم تر مولفه فرکانس پایین در طیف توان ‏HRV‏ را دخالت داده است . در مدل ، اثرات فعالیت های سمپاتیک و پاراسمپاتیک در مولفه های ‏LF , HF , VLF‏ در طیف توان ‏HRV‏ شامل می شود . 
درروش تولید سیگنال ‏ECG‏ با استفاده از مدل ترکیبی گوسین ‏‎(GCM)‎‏ برای تولید الکترو کاردیو گرام ‏‎(ECG)‎‏ مولد سیگنال ویژگی های مورفولوژی ‏ECG‏ را در اطراف نقاط اکسترمم بیان می کند. دو روش برای تعداد شناسه های گوسین وجود دارد:1 روش  دستی : اپراتور تعداد گوسین ها را در این مدل پیشنهاد می کند .2 روش اتوماتیک : تعداد گوسین ها به طور اتوماتیک شناسایی شده و بر پایه خطای نهایی مطلوب است.
در تولید ‏ECG‏ با استفاده از روش ‏GCM‏ باید تطبیقی بین صحت و زمان اجرا شدن وجود داشته باشد. نتایج تطبیق در این روش به تعداد گوسین ها بستگی دارد.
‏HRV‏  به عنوان یکی از مهم ترین راه ها برای در نظر گرفتن سیستم قلبی - عروقی و کنترل آن است. ‏HRV‏ به ضربان - ضربان نرخ قلب به عنوان استخراج از ضربان های پیوسته زمان داخلی ، ‏RR‏ داخلی و حدود مقدار میانگین ‏‎ (HR - RR)‎است.‏
طبقه بندی سری زمانی یکی از مسائلی است که کاربرد وسیعی در زمینه های متنوع دارد و اخیراً مورد توجه بسیاری از محققان بوده است. تحقیق های اخیر برروی طبقه بندی داده های استخراجی از مدل های ‏ARMA‏ با استفاده از الگوریتم های ‏K-means‏ و ‏K-medoids‏ با فاصله اقلیدسی بین پارامترهای تخمینی مدل، تمرکز شده است. در این تحقیقات ثابت شده که طبقه بندی به وسیله دیتای برش خورده، مزایای زیر را به دنبال خواهد داشت:

شکل4- بلوک دیاگرام مدل ارائه شده برای تولید ‏HRV‏ توسط ‏IPF

* اگر سری ها به اندازه کافی بزرگ باشد، طبقه بندی با برش دادن دیتاها صحت کمتر بارزی نسبت به طبقه بندی با دیتا های برش نخورده  ندارد.
* فرم طبقه بندی به وسیله دیتاهای برش خورده بهتر از زمانی است که حداقل یک احتمال کوچکی از داده های پرت وجود داشته باشد.
* فضای مهم و پیشرفت پیچیدگی زمانی قابل دسترسی‏ است.
*  الگوریتم های پیشرفته برای گسسته یا دیتاهای گروهی مورد استفاده قرار می گیرد.
* طبقه بندی‏ بر روی دیتاهای ‏Clipped‏ شده به عنوان روش تشخیصی برای داده های پرت و شناسایی مدل های غیر خاص به کار می رود. ‏
   
  

LabVIEW for ECG Signal Processing

1. Preprocessing ECG Signals
2. Performing Feature Extraction on ECG Signals
3. Summary

The electrocardiogram (ECG) is a technique of recording bioelectric currents generated by the heart. Clinicians can evaluate the conditions of a patient's heart from the ECG and perform further diagnosis. ECG records are obtained by sampling the bioelectric currents sensed by several electrodes, known as leads. A typical one-cycle ECG tracing is shown in Figure 1.

Figure 1: A typical one-cycle ECG tracing

Generally, the recorded ECG signal is often contaminated by noise and artifacts that can be within the frequency band of interest and manifest with similar characteristics as the ECG signal itself. In order to extract useful information from the noisy ECG signals, you need to process the raw ECG signals.

ECG signal processing can be roughly divided into two stages by functionality: preprocessing and feature extraction (as shown in Figure 2). The preprocessing stage removes or suppresses noise from the raw ECG signal and the feature extraction stage extracts diagnostic information from the ECG signal.

Figure 2: Typical ECG signal processing flowchart

With LabVIEW and related toolkits, such as the Advanced Signal Processing Toolkit (ASPT) and the Digital Filter Design Toolkit (DFDT), you can conveniently build signal processing applications for both stages, including baseline wandering removing, noise cancellation, QRS complexes detection, fetal heart rate extraction and etc. This article discusses typical ECG signal processing methods based on LabVIEW.

Preprocessing ECG Signals

Preprocessing ECG signals helps you remove contaminants from the ECG signals. Broadly speaking, ECG contaminants can be classified into the following categories:

• power line interference
• electrode pop or contact noise
  
• patient–electrode motion artifacts
  
• electromyographic (EMG) noise
  
• baseline wandering

Among these noises, the power line interference and the baseline wandering are the most significant and can strongly affect ECG signal analysis. Except for these two noises, other noises may be wideband and usually a complex stochastic process which also distort the ECG signal. The power line interference is narrow-band noise centered at 60 Hz (or 50 Hz) with a bandwidth of less than 1 Hz. Usually the ECG signal acquisition hardware can remove the power line interference. However the baseline wandering and other wideband noises are not easy to be suppressed by hardware equipments. Instead, the software scheme is more powerful and feasible for offline ECG signal processing. You can use the following methods to remove baseline wandering and the other wideband noise.

Removing Baseline Wandering

Baseline wandering usually comes from respiration at frequencies wandering between 0.15 and 0.3 Hz, and you can suppress it by a highpass digital filter. You also can use the wavelet transform to remove baseline wandering by eliminating the trend of the ECG signal.

1. Digital Filter Approach

The LabVIEW DFDT provides an intuitive and interactive way to design and implement finite impulse response (FIR) or infinite impulse response (IIR) filters easily and effectively. For example, you can use the Classical Filter Design Express VI to design a Kaiser Window FIR highpass filter to remove the baseline wandering. Figure 3 shows an example of the specifications of the highpass filter and the block diagram of a sample VI that you can use to remove the baseline wandering.

ادامه مطلب را در این لینک مشاهده نمایید :

http://zone.ni.com/devzone/cda/tut/p/id/6349