knezevic magistarski rad.pdf · sažetak ekstrakcija parametara biomedicinskih signala je od...

UNIVERZITET CRNE GORE

ELEKTROTEHNIČKI FAKULTET

Saša Knežević

RAZVOJ I IMPLEMENTACIJA ALGORITAMA ZA OBRADU BIOMEDICINSKIH

SIGNALA NA MIKROKONTROLERSKIM I FPGA PLATFORMAMA

MAGISTARSKI RAD

Podgorica, 2013.

Sažetak

Ekstrakcija parametara biomedicinskih signala je od fundamentalnog značaja za praćenje

zdravstvenog stanja. Velika popularnost prenosivih i minijaturnih uređaja za kućnu njegu, stalna

potreba za pouzdanim sistemima namijenjenim za rad u kliničkim uslovima, brzi razvoj

ugrađenih uređaja i biomedicinskog inženjeringa, su osnova za razvoj hardverskih sistema za

ekstrakciju karakteristika biomedicinskih signala u realnom vremenu. Tema ovog rada je razvoj

algoritama za obradu biomedicinskih signala i njihova implementacija na programabilnim i

rekonfigurabilnim hardverskim platformama. Dato je mikrokontrolersko rješenje za obradu EKG

signala i umanjenje šumova u biomedicinskim signalima, koje je implementirano na nisko-

potrošnoj 16-bitnoj MSP430 arhitekturi u realnom vremenu. Kod sistema za detekciju QRS

kompleksa i računanje RR intervala u EKG signalima, postignuta je frekvencija odabiranja od 800

Hz, zauzetost od 268 bajtova memorije za podatke i 2022 bajtova programske memorije, a

prosječna tačnost detekcije QRS kompleksa na čistim EKG signalima iz MIT-BIH baze je 99.06 %.

Realizovan je FPGA sistem za istovremeno praćenje vitalnih zdravstvenih parametara za pet

pacijenata, koji paralelno obrađuje pet EKG i pet PPG signala. U tu svrhu je realizovan ekstraktor

parametara EKG i PPG signala, koji detektuje QRS komplekse u EKG signalu i najveće nagibe i

vrhove u PPG signalu, dajući vrijednosti RR intervala, srčanog pulsa i PTT intervala, u realnom

vremenu. Prilikom evaluacije rada sistema, pod-sistem za QRS detekciju je ostvario prosječnu

tačnost od 97.53 %, za MIT-BIH snimke sa mnogim artefaktima i različitim morfologijama EKG

signala, dok je za PPG snimke iz MIMIC baze, ostvarena prosječna tačnost od 97.09 % u detekciji

nagiba PPG signala i 94.52 % u otkrivanju vrhova PPG signala. Cjelokupni FPGA sistem za nadzor

pet pacijenata, implementiran na Altera Cyclone II FPGA čipu, zauzima 16139 logičkih

elemenata, ili 24 % ukupnih resursa čipa, dok jedan ekstraktor parametara EKG i PPG signala

zauzima 3275 logičkih elemenata.

Abstract

Parameter extraction of biomedical signals is of fundamental importance for health

monitoring. Great popularity of portable and miniaturized devices for home care, the constant

need for reliable systems intended for use in clinical conditions, the rapid development of

embedded devices and biomedical engineering, are the basis for the development of hardware

systems for the feature extraction of biomedical signals in real time. The theme of this paper is

development of algorithms for biomedical signal processing and their implementation in

programmable and reconfigurable hardware platforms. Microcontroller-based solution is given

for ECG signal processing and noise reduction in biomedical signals, with implementation on a

low-power 16-bit MSP430 architecture in real time. Sampling rate of 800 Hz, occupancy of 268

bytes of data memory and 2022 bytes of program memory, average accuracy in detection of

QRS complexes in clean ECG signals from MIT-BIH database of 99.06 %, are achieved for the

system for detection of QRS complexes and computation of RR intervals in the ECG signal. FPGA

system is realized for simultaneous monitoring of vital health parameters of five patients, by

parallel processing of five ECG and five PPG signals. For this purpose, parameter extractor of

ECG and PPG signals is realized, which detects QRS complexes in the ECG signal and maximum

slopes and peaks in the PPG signal, giving values of RR intervals, heart rate and PTT intervals, in

real time. During the evaluation of the system, sub-system for QRS detection has achieved

average accuracy of 97.53 %, for MIT-BIH records with many artifacts and different

morphologies of the ECG signal, while for the PPG records from MIMIC database, achieved

average accuracy is 97.09 % in the detection of the maximum slope of PPG signal and 94.52 %

in the detection of PPG peaks. The entire FPGA system for monitoring five patients,

implemented on Altera Cyclone II FPGA chip, occupies 16139 logic elements, or 24 % of the total

chip resources, while one ECG and PPG parameter extractor occupies 3275 logic elements.

Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama

Sadržaj

Uvod .............................................................................................................................................................. 2

Doprinosi teze ............................................................................................................................................... 7

Struktura teze ................................................................................................................................................ 8

1. EKG signal ............................................................................................................................................ 10

1.1 Srce, talasni oblik i trajanje dijelova EKG signala ........................................................................ 10

1.2 Ritmovi rada srca ......................................................................................................................... 13

1.3 Šumovi kod EKG signala .............................................................................................................. 16

1.4 Primjena i obrada EKG signala ..................................................................................................... 18

1.4.1 Umanjenje artefakata u EKG signalu ................................................................................... 20

1.4.2 Principi detekcije QRS kompleksa ....................................................................................... 22

1.4.3 Hardverske realizacije QRS detektora ................................................................................. 25

1.4.4 Analiza varijabilnosti srčanog ritma .................................................................................... 27

2. PPG signal ............................................................................................................................................ 30

2.1 Princip puls-oksimetrije ............................................................................................................... 31

2.2 Talasni oblik PPG signala ............................................................................................................. 32

2.3 Smetnje u akviziciji PPG signala................................................................................................... 35

2.4 Primjena i obrada PPG signala .................................................................................................... 37

2.4.1 Primjene PPG signala ........................................................................................................... 37

2.4.2 Obrada PPG signala ............................................................................................................. 40

2.4.3 Umanjenje smetnji u PPG signalu ....................................................................................... 43

3. DWT u obradi biomedicinskih signala ................................................................................................. 45

3.1 Kontinualna i diskretna WT ......................................................................................................... 46

3.2 Haar DWT .................................................................................................................................... 49

3.3 DWT i biomedicinski signali ......................................................................................................... 51

3.3.1 Ekstrakcija karakteristika EKG i PPG signala pomoću CWT i DWT....................................... 51

3.3.2 Umanjenje šuma pomoću DWT .......................................................................................... 56

4. Mikrokontrolersko rješenje za obradu biomedicinskih signala .......................................................... 58

4.1 Mikrokontrolerski sistem za obradu EKG signala ........................................................................ 59

4.2 Mikrokontrolerski sistem za umanjenje šumova ........................................................................ 62


5. FPGA rješenje za obradu biomedicinskih signala ................................................................................ 65

5.1 Arhitektura FPGA sistema za obradu biomedicinskih signala ..................................................... 65

5.2 Realizacija kontrolera analogno-digitalne konverzije ................................................................. 68

5.3 Arhitektura ekstraktora parametara EKG i PPG signala .............................................................. 71

5.3.1 Arhitektura sistema za obradu EKG signala ........................................................................ 71

5.3.1.1 Hardverska realizacija DWT ............................................................................................. 74

5.3.1.2 Arhitektura detektora lokalnog minimuma, lokalnog maksimuma i prolaza kroz nulu .. 76

5.3.1.3 Sistem za računanje RR intervala i srčanog pulsa ........................................................... 81

5.3.2 Arhitektura sistema za obradu PPG signala ........................................................................ 83

5.3.3 Sistem za računanje PTT intervala ....................................................................................... 87

5.4 Sistem za biranje pacijenata i multipleksiranje parametara ....................................................... 88

5.5 Prikazivanje i prenos vitalnih parametara ................................................................................... 90

6. Rezultati, testiranje i diskusija ............................................................................................................. 93

6.1 Rezultati i testiranje mikrokontrolerskog rješenja ...................................................................... 93

6.2 Rezultati i testiranje FPGA rješenja ........................................................................................... 100

7. Zaključak ............................................................................................................................................ 116

Prilog ......................................................................................................................................................... 120

Literatura ................................................................................................................................................... 121


Popis slika

Slika 1.1 Srce i EKG signal koji nastaje kao zbir električnih aktivnosti različitih dijelova srca ....... 11

Slika 1.2 Talasni oblici i intervali u EKG signalu .............................................................................. 12

Slika 1.3 Neki od mogućih ritmova rada srca: (a) normalni sinusni ritam; (b) sinusna bradikardija;

(c) sinusna tahikardija; (d) atrijalna fibrilacija ................................................................................ 15

Slika 1.4 Tahogram RR intervala EKG signala ................................................................................. 15

Slika 1.5 Spektar snage EKG signala, talasa u EKG signalu, artefakata pokreta i šuma zbog

kontrakcije mišića ........................................................................................................................... 17

Slika 1.6 Tipovi šuma u EKG signalu: (a) šum od izvora napajanja od 50 Hz; (b) mišićni šum; (c)

pomjeranje bazne linije; (d) artefakti pokreta ............................................................................... 18

Slika 1.7 Faze u procesu akvizicije i obrade EKG signala ................................................................ 19

Slika 1.8 Faze u radu tipičnog QRS detektora ................................................................................ 23

Slika 1.9 Primjeri EKG signala sa promjenljivom morfologijom QRS kompleksa ........................... 23

Slika 1.10 Histogrami RR intevala: (a) validni i nevalidni RR intervali, (b) histogram dobijen

izostavljanjem nevalidnih RR intervala .......................................................................................... 29

Slika 1.11 Spektralna analiza RR intervala subjekta u stanju mirovanja ........................................ 29

Slika 2.1 Talasni oblik PPG signala .................................................................................................. 30

Slika 2.2 Princip puls-oksimetrije koji je baziran na svjetlećim diodama i fotodetektoru ............. 31

Slika 2.3 PPG signal i apsorpcija svjetlosti od strane različitih tkiva .............................................. 33

Slika 2.4 Tipični talasni oblik PPG signala i njegovi karakteristični parametri ............................... 34

Slika 2.5 Jedan od načina kategorisanja PPG signala koji je izvršen prema prisustvu dikrotnog

usjeka ............................................................................................................................................. 34

Slika 2.6 EKG i PPG signali za isti srčani ciklus sa PTT intervalom .................................................. 35

Slika 2.7 PPG signal koji je zahvaćen artefaktima pokreta ............................................................. 36

Slika 2.8 Uticaj srčane aritmije na PPG, signal krvnog pritiska-KP, i EKG ....................................... 39

Slika 2.9 Prikaz PPG signala (a) i njegovog prvog izvoda (b) .......................................................... 41

Slika 2.10 PPG signal (a) i njegov drugi izvod (b) ............................................................................ 42


Slika 3.1 Vremenska reprezentacija često korišćenih wavelet funkcija: (a) Morlet wavelet; (b)

Mexican hat wavelet; (c) Haar wavelet (podebljano) i funkcija skaliranja; (d) Daubechies 4

wavelet (podebljano) i funkcija skaliranja; (e) Daubechies 12 (podebljano) i funkcija skaliranja i

(f) Daubechies 20 (podebljano) i funkcija skaliranja. ..................................................................... 47

Slika 3.2 Skalogram wavelet koeficijenata dobijenih analizom sinusoidalnog signala frekvencije

10 Hz pomoću Gaussian 4 waveleta .............................................................................................. 48

Slika 3.3 Malatova šema za dekompoziciju i rekonstrukciju signala ............................................. 49

Slika 3.4 EKG signal i skalogram CWT wavelet koeficijenata dobijenih analizom EKG signala

pomoću Morlet waveleta ............................................................................................................... 52

Slika 3.5 EKG signal sa četiri nivoa njegove dekompozicije pomoću Haar DWT............................ 53

Slika 3.6 PPG signal i skalogram CWT wavelet koeficijenata dobijenih njegovom analizom

pomoću Morlet waveleta ............................................................................................................... 54

Slika 3.7 PPG signal i četiri nivoa dekompozicije njegove Haar DWT ............................................ 55

Slika 3.8 Koraci u obradi signala prilikom umanjenja šuma na bazi DWT ..................................... 56

Slika 4.1 Texas Instruments-ov mikrokontroler MSP430F169 ....................................................... 58

Slika 4.2 Arhitektura mikrokontrolerskog sistema za obradu EKG signala .................................... 59

Slika 4.3 Algoritam za detekciju QRS kompleksa u EKG signalu koji je implementiran na MSP430

mikrokontroleru ............................................................................................................................. 62

Slika 4.4 Arhitektura mikrokontrolerskog sistema za umanjenje šumova .................................... 63

Slika 5.1 Sistem za paralelno praćenje vitalnih parametara pet pacijenata .................................. 66

Slika 5.2 Arhitektura FPGA sistema za obradu biomedicinskih signala ......................................... 67

Slika 5.3 Blok dijagram sistema za kontrolu procesa analogno-digitalne konverzije .................... 68

Slika 5.4 Trajanje signala na ulazu i izlazima FPGA kontrolera analogno-digitalne konverzije u

jednom ulazno-izlaznom ciklusu A/D konvertora .......................................................................... 70

Slika 5.5 Mašina stanja korišćena za realizaciju kontrolera analogno-digitalne konverzije .......... 70

Slika 5.6 Blok dijagram ekstraktora parametara EKG i PPG signala ............................................... 71

Slika 5.7 DWT za EKG signal sa pragovima za detekciju negativnog minimuma i pozitivnog

maksimuma .................................................................................................................................... 72

Slika 5.8 Algoritam za detekciju QRS kompleksa implementiran na FPGA čipu ............................ 73

Slika 5.9 Arhitektura FPGA sistema za obradu EKG signala ........................................................... 74


Slika 5.10 Arhitektura osnovne hardverske jedinice za računanje DWT ....................................... 74

Slika 5.11 Kaskadno povezivanje jedinica za računanje DWT i računanje tri nivoa DWT .............. 75

Slika 5.12 Simulacioni dijagram rada kaskadne veze za računanje tri nivoa DWT ........................ 76

Slika 5.13 Arhitektura kola za detekciju lokalnog minimuma, lokalnog maksimuma i prolaza kroz

nulu, i prepoznavanje QRS kompleksa ........................................................................................... 77

Slika 5.14 Arhitektura kola za detekciju lokalnog minimuma/lokalnog maksimuma .................... 78

Slika 5.15 Kolo za pronalaženje prolaza kroz nulu ......................................................................... 79

Slika 5.16 Mašina stanja za detekciju QRS kompleksa ................................................................... 80

Slika 5.17 Blok dijagram kola za računanje RR intervala i srčanog pulsa ....................................... 82

Slika 5.18 Algoritam za detekciju najvećeg nagiba PPG signala koji je implementiran na FPGA

čipu ................................................................................................................................................. 83

Slika 5.19 Arhitektura FPGA sistema za obradu PPG signala ......................................................... 84

Slika 5.20 Mašina stanja za detekciju najvećeg nagiba PPG signala .............................................. 86

Slika 5.21 Blok dijagram sistema za računanje PTT intervala ........................................................ 88

Slika 5.22 Sistem za biranje i multipleksiranje pacijenata ............................................................. 89

Slika 5.23 Mašina stanja za biranje pacijenta ................................................................................ 90

Slika 5.24 Sistem za prikazivanje vrijednosti srčanog pulsa ........................................................... 91

Slika 5.25 Sistem za prenos vrijednosti RR i PTT intervala ............................................................. 92

Slika 6.1 Set uređaja korišćenih za testiranje rada mikrokontrolerskog sistema u realnom

vremenu ......................................................................................................................................... 94

Slika 6.2 DST izračunata u MATLAB-u i na MSP430F169 u realnom vremenu: (a) oscilograf

originalog EKG signala; (b) D4(n) koeficijenti izračunati u MATLAB-u; (c) oscilograf D4(n)

koeficijenata, snimljenih na P6.7 pinu MK-a.................................................................................. 95

Slika 6.3 EKG signal sa QRS kompleksima (gore) i impulsi koji signaliziraju detekciju QRS

kompleksa u realnom vremenu (dolje) .......................................................................................... 96

Slika 6.4 EKG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon filtriranja u realnom

vremenu (dolje) .............................................................................................................................. 97

Slika 6.5 EKG signal zahvaćen bijelim šumom (gore) i signal dobijen nakon filtriranja (dolje)...... 97

Slika 6.6 Invertovani PPG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon

filtriranja u realnom vremenu (dolje) ............................................................................................ 98


Slika 6.7 Alterina razvojna ploča DE2-70 ......................................................................................100

Slika 6.8 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati na

FPGA čipu, u realnom vremenu ...................................................................................................102

Slika 6.9 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati u

MATLAB-u.....................................................................................................................................102

Slika 6.10 PPG signal i DST koeficijenti aproksimacija sa pet nivoa dekompozicije DWT, izračunati

na FPGA čipu, u realnom vremenu ..............................................................................................103

Slika 6.11 PPG signal i DST koeficijenti detalja sa pet nivoa dekompozicije, izračunati na FPGA

čipu, u realnom vremenu .............................................................................................................103

Slika 6.12 PPG signal i signali dobijeni nakon diferenciranja DWT koeficijenata aproksimacija za

PPG signal .....................................................................................................................................104

Slika 6.13 EKG signali različitih talasnih oblika i impulsi koji signaliziraju detekcije QRS kompleksa

u realnom vremenu ......................................................................................................................105

Slika 6.14 QRS kompleks i (a) pojedinačni impulsi za indikaciju njegove detekcije na tri nivoa

DWT, i (b) zbirni impuls za indikaciju QRS kompleksa .................................................................106

Slika 6.15 EKG signal sa pejsovanim ritmom i indikacija QRS kompleksa u realnom vremenu ...107

Slika 6.16 Poređenje (a) vrijednosti RR intervala dobijenih u NI-ovom softveru i (b) vrijednosti

dobijenih na FPGA čipu u realnom vremenu, za EKG MIT-BIH snimak br. 103. ..........................109

Slika 6.17 Histogram RR intervala za EKG MIT-BIH snimak br. 103. ............................................109

Slika 6.18 Poređenje (a) vrijednosti srčanog pulsa dobijenih pomoću NI-ovog softvera i (b)

vrijednosti dobijenih na FPGA čipu ..............................................................................................111

Slika 6.19 PPG signali i impulsi za indikaciju detekcija najvećih nagiba u PPG signalu ................112

Slika 6.20 PPG signali i impulsi za indikaciju detekcija vrhova PPG signala .................................112

Slika 6.21 Poređenje (a) vrijednosti srčanog pulsa dobijenih iz EKG signala i (b) vrijednosti

dobijenih iz PPG signala ...............................................................................................................114

Slika 6.22 Korelacija (a) vrijednosti PTT intervala dobijenih na FPGA čipu i (b) signala krvnog

pritiska ..........................................................................................................................................115


Popis tabela

Tabela 6.1 Vremena računanja DWT za cjelobrojne verzije i verzije sa pomičnim zarezom ......... 98

Tabela 6.2 Zauzetost memorije za podatke kod cjelobrojne verzije DWT i verzije sa pomičnim

zarezom .......................................................................................................................................... 99

Tabela 6.3 Tačnost detekcije QRS kompleksa za pet EKG snimaka iz MIT-BIH baze ..................... 99

Tabela 6.4 Rezultati detekcije QRS kompleksa pomoću dizajniranog FPGA sistema za deset EKG

MIT-BIH snimaka ..........................................................................................................................107

Tabela 6.5 Srednje vrijednosti srčanog pulsa koje su izračunate za vrijednosti dobijene pomoću

NI-ovog softvera i FPGA čipa ........................................................................................................110

Tabela 6.6 Rezultati detekcije tačaka najvećih nagiba za PPG signale iz MIMIC baze ................113

Tabela 6.7 Rezultati detekcije vrhova PPG signala iz MIMIC baze ...............................................113


Popis skraćenica

ADK

Analogno-

digitalni

konvertor

Analogno-digitalni konvertor

ANS Autonomni nervni sistem

APG Acceleration Plethysmogram

ASIC Application-Specific Integrated circuit

BM Biomedicinski

CWT Continuous Wavelet Transform

DAK Digitalno-analogni konvertor

DSP Digital Signal Processing

DST Direktna S transformacija

DWT Discrete Wavelet Transform

EEG Elektroencefalogram

EKG Elektrokardiogram

EMG Elektromiogram

FFT Fast Fourier Transform

FPGA Field-Programmable Gate Array

HRV Heart Rate Variability

HT Haar transformacija

IDWT Inverse Discrete Wavelet Transform

IST Inverzna S transformacija

JK Jednosmjerna komponenta

KP Krvni pritisak

LED Light-Emitting Diode

LMS Least Mean Square

MIMIC Multiparameter Intelligent Monitoring in Intensive Care

MIT-BIH Massachusetts Institute of Technology-Boston's Beth Israel Hospital

MK Mikrokontroler

NI National Instruments

NK Naizmjenična komponenta

PLD Programmable Logic Device

PN Prolaz kroz nulu

PPG Fotopletismogram

PTT Pulse Transit Time

PTTI PTT interval

PWV Pulse Wave Velocity

RLS Recursive Least Squares

RRI RR interval

SA Sinoatrijalni


SI Stiffness Index

SP Srčani puls

ST S transformacija

STFT Short-Time Fourier Transform

WT Wavelet Transform


2

Uvod

Biomedicinski (BM) signali su jedan od glavnih izvora informacija o zdravstvenom stanju i

njihova blagovremena i tačna analiza je ključna za mnoge dijagnoze, terapije, a nerijetko i za

spašavanje ljudskog života.

BM signali služe za opservacije fizioloških aktivnosti organizma i oni nose informacije koje su

korisne za razumijevanje složenih mehanizama na kojim se temelji ponašanje organizma. Ipak,

takve informacije ne mogu biti dostupne direktno iz snimljenih signala, jer one mogu biti

prikrivene drugim BM signalima ili aditivnim šumovima. Iz tog razloga, obično je potrebna

dodatna obrada BM signala kako bi se dobile relevantne informacije, i izvršilo izdvajanje željenih

vitalnih parametara. U fokusu digitalne obrade BM signala su Elektrokardiogram (EKG),

Elektroencefalogram (EEG), Elektromiogram (EMG), Fotopletismogram (PPG), zatim signali

respiracije, govora, pokreta, itd. BM signali se koriste u procesima nadgledanja i

dijagnostikovanja, prilikom raznih kliničkih djelatnosti. Postavljanju kliničke dijagnoze prethode

akvizicija, obrada i analiza BM signala. Dijagnoze se zasnivaju na informacijama koje daju sistemi

za obradu signala, zbog čega ovi sistemi imaju veliku odgovornost. Obrada BM signala

predstavlja interdisciplinarnu temu. Znanje o fiziologiji ljudskog tijela je vrlo bitno da bi se

izbjegla opasnost od izrade metode za analizu koja narušava, ili čak uklanja, značajne

informacije. Takođe, vrlo je bitno znanje iz mnogih oblasti kao što su anatomija, matematika,

programiranje, elektronika, dizajn digitalnih sistema, itd. U mnogim kliničkim uslovima,

informacije dobijene iz EKG i PPG signala su ključne za praćenje brojnih vitalnih parametara.

Karakteristike EKG signala [1] su od temeljne važnosti za praćenje zdravstvenog stanja i

dijagnoze mnogih bolesti. Srce je jedan od najvažnijih organa i njegovo stanje ozbiljno utiče na

funkcionalnost ostatka ljudskog tijela. EKG signal predstavlja električnu aktivnost srca. Pošto su

bolesti srca jedan od glavnih razloga ljudske smrtnosti, problem obrade EKG signala ima veliki

značaj. To je razlog za široku popularnost uređaja za medicinska posmatranja EKG-a. QRS

kompleks je dominantni i najvažniji dio EKG signala, i zbog toga automatska analiza EKG signala

uglavnom počinje detekcijom QRS talasa. Otkrivanje QRS kompleksa je prvi korak u određivanju


3

srčanog pulsa (SP), varijabilnosti srčanog ritma (eng. Heart Rate Variability-HRV) i otkrivanju

srčanih aritmija.

Puls-oksimetrija [2] je neinvazivna, elektro-optička metoda za otkrivanje kardiovaskularnih

pulsnih talasa, koje generišu periferni krvni sudovi, pobuđeni kvazi-periodičnim kontrakcijama

srca. Ovi pulsni talasi formiraju PPG signal. Danas se puls-oksimetri široko primjenjuju u kliničkoj

praksi, uglavnom za mjerenje zasićenosti pacijentovih perifernih arterija kiseonikom (SpO2) i

procjenu SP-a. Puls-oksimetri te podatke dobijaju iz PPG signala koji je sinhron sa svakim

otkucajem srca. Uprkos svojoj jednostavnosti, porijeklo različitih komponenti PPG signala još

uvijek nije u potpunosti ispitano, ali je opšte prihvaćeno, da PPG može pružiti vrijedne

informacije o kardiovaskularnom sistemu. PPG signal se primjenjuje u mnogim različitim

kliničkim uslovima, uključujući fiziološko praćenje (zasićenje krvi kiseonikom, rad srca, krvni

pritisak, srčani izlaz i respiracija), vaskularne procjene (arterijska bolest, arterijsko starenje,

venska procjena) i autonomne funkcije (vazomotorna funkcija i termoregulacija, krvni pritisak i

varijabilnost srčanog ritma, neurološke procjene, itd.).

U obradi BM signala, kao što su EKG i PPG, postoji nekoliko faza. Potrebno je izvršiti akviziciju

signala, transformaciju signala, izdvajanje parametara koji su dijagnostički značajni i na kraju

treba izvršiti interpretaciju i klasifikaciju dobijenih podataka. Koriste se razne tehnike za analizu

BM signala, uključujući filtriranje, adaptivno umanjenje šumova, prepoznavanje oblika u cilju

razlikovanja abnormalnih i normalnih signala, itd. Metode analize BM signala u vremenskom

domenu nisu sasvim dovoljne za proučavanje njihovih značajnih karakteristika, i zbog toga je

potrebna frekvencijska analiza BM signala. Da bi se to postiglo, može biti primjenjena brza

Furijeova transformacija (eng. Fast Fourier Transform-FFT). Nedostatak FFT je to što ona ne daje

informacije o tačnoj lokaciji frekvencijskih komponenti u vremenu. Frekvencijski sadržaj BM

signala varira u vremenu, a opisivanje frekvencijskih komponenti prema njihovoj lokaciji u

vremenu je veoma bitno. To zahtjeva upotrebu vremensko-frekvencijskih reprezentacija BM

signala. Jedno od sredstava koje se može koristiti u ove svrhe je kratkotrajna Furijeova

transformacija (eng. Short-Time Fourier Transform-STFT). Glavni nedostatak STFT je to što njena

vremensko-frekvencijska preciznost nije optimalna. Među različitim vremensko-frekvencijskim

transformacijama, wavelet transformacija (eng. Wavelet Transform-WT) se smatra


4

najpopularnijom i najkorisnijom. WT se temelji na skupu wavelet funkcija, omogućujući

dekompoziciju BM signala u skup koeficijenata. Svaki wavelet koeficijent, koji proizilazi iz WT,

odgovara komponenti BM signala u određenom vremenskom segmentu i frekvencijskom

opsegu. WT se pokazala kao dobro sredstvo za obradu nestacionarnih signala kao što su BM

signali, i mnogi algoritmi za obradu BM signala koriste WT [3]. U slučaju EKG i PPG signala, to su

uglavnom algoritmi za ekstrakciju njihovih karakteristika i umanjenje šuma u njima.

Zadnjih godina je prisutan veliki industrijski, istraživački i akademski interes za biomedicinski

inženjering i razvoj uređaja za kućnu njegu, gdje jeftini, minijaturni, telemetrijski i prenosivi

uređaji prevazilaze udaljenost između ljekara i pacijenta, omogućuju svakodnevni uvid u

zdravstveno stanje. Takvi uređaji se obično sastoje od jednog čipa u vidu mikroprocesora,

mikrokontrolera (MK), programabilnog logičkog uređaja (eng. Programmable Logic Device-PLD)

ili integrisanog kola specifične namjene (eng. Application-Specific Integrated Circuit-ASIC). Osim

akvizicije, digitalizacije, memorisanja podataka, vizuelizacije i komunikacije, ovakvi čipovi

obavljaju i obradu signala u realnom vremenu čak i u vremensko-frekvencijskom domenu. To

nije jednostavan zadatak s obzirom na ograničenja u pogledu aritmetičkih i memorijskih resursa,

kao i potrošnje energije. Upravo ovo je razlog zbog kojeg algoritmi za obradu BM signala, vrlo

često, nisu implementirani u realnom vremenu, već pomoću namjenski napravljenih računarskih

softvera. Veliki razvoj tehnologija, koje se primjenjuju kod raznih ugrađenih sistema, daje

mogućnosti da se ovakvi algoritmi implementiraju za rad u realnom vremenu.

Tehnologije koje se koriste za implementaciju algoritama za digitalnu obradu signala (eng.

Digital Signal Processing-DSP) su snažno povezane sa velikim razvojem silicijumske tehnologije.

Dostupnost tranzistora, čija se cijena konstantno smanjuje, je glavna pokretačka snaga u

stvaranju novih tržišta i oblasti primjene, kao i razvoja niza DSP tehnologija. Silicijumska

tehnologija ne samo da nudi jeftine platforme, već i veće brzine, uključujući nižu potrošnju

energije. Ovo je doprinijelo razvoju brojnih DSP tržišta, posebno u oblasti telekomunikacija,

audio i video proizvoda, biomedicinskog inženjeringa, itd. Tehnologije za implementiranje DSP

funkcija obuhvataju: mikrokontrolere, DSP procesore, visoko rekonfigurabilne tehnologije kao

što su nizovi logičkih kapija koji se programiraju ''na terenu'' (eng. Field-Programmable Gate

Array-FPGA), specifično namijenjena ASIC kola. Odabir neke od ovih tehnologija može da zavisi


5

od više faktora poput željene frekvencije odabiranja signala, brzine računanja, željenog nivoa

paralelizma, memorijskih resursa, potrošnje energije, cijene i mnogih drugih.

Upotreba mikrokontrolera opšte namjene u DSP svrhe je postala uobičajena s obzirom na

dostupnost procesora sa većim brzinama. Budući da se većina sistema za obradu signala sastoji

od procesora i DSP čipa, upotreba jednog mikrokontrolera za obavljanje obje ove funkcije

omogućuje jednostavnije i jeftinije rješenje. Osim toga, dizajn sa jednim čipom troši manje

energije, što je idealno za aplikacije koje se mogu napajati pomoću baterija, u koje spadaju i

prenosivi biomedicinski uređaji. DSP kola nude veću brzinu obrade i koriste se za računski

zahtjevne aplikacije, kao što su obrada govora, slike i kompleksnih signala, dok se

mikrokontroleri tradicionalno koriste za kontrolne aplikacije. Zbog toga je potrebna dodatna

optimizacija DSP algoritama za njihovu implementaciju na mikrokontrolerima. Prilikom odabira

mikrokontrolera za implementaciju nekog DSP algoritma, potrebno je razmotriti više aspekata

od kojih zavisi izbor. Među njima su odabir između procesora sa aritmetikom fiksnog ili

pomičnog zareza, dostupnost integrisanih periferija, brzina odabiranja, brzina izvršavanja

instrukcija i raspoloživa memorija.

Danas, aplikacije za DSP, kao što su, npr. aplikacije u oblasti telekomunikacija i obrade slike,

zahtijevaju značajan računski performans, kako bi se postigao rad u realnom vremenu [4]. U

nekim slučajevima, performans DSP kola ili MK-a nije dovoljan da garantuje rad u realnom

vremenu. U tim slučajevima, problem se često rješava pomoću namjenskog hardvera

napravljenog za neke pred-obrade podataka ili čak za realizaciju cijelog sistema za obradu

signala. Znajući da su ASIC kola preskupa, i nedovoljno fleksibilna, FPGA kola su dobra

alternativa za hardversku implementaciju DSP algoritama. FPGA kola pripadaju klasi PLD

uređaja. Upotreba ovih reprogramabilnih i rekonfigurabilnih kola raste iz godine u godinu.

Razlog zašto hardverske implementacije DSP algoritama u FPGA kolima pokazuju bolje

performanse, u mnogim slučajevima, u odnosu na softverske implementacije na DSP-ovima je

drugačija računarska paradigma. U odnosu na DSP kola, koja u osnovi koriste sekvencijalni von

Neumann-ov način rada, FPGA kola mogu implementirati algoritme sa mnogo više paralelizma,

efikasnije implementirajuću operacije veoma značajne za DSP, kao što su množenje praćeno

akumulacijom (eng. multiply and accumulate) i protočna obrada (eng. pipelining). Mana dizajna


6

zasnovanog na FPGA kolima je to što za njega treba više razvojnog rada nego za softverske

implementacije na DSP kolima. Razvojni alati kao što su jezici za opis hardvera (VHDL, VERILOG,

itd.), simulatori i sinteza se mnogo razlikuju od onoga što se koristi u softverskom inženjeringu,

koristeći MATLAB ili jezike kao što su C ili C++. S druge strane, razvijeni su alati koji se koriste za

opis hardvera na višem nivou apstrakcije, tzv. algoritamskom nivou, i automatsko mapiranje

algoritamskog opisa na registarskom nivou (eng. register-transfer level) i nivou logičkih kapija

(eng. gate level). Neke od prednosti FPGA kola, koje su im zajedničke sa ASIC kolima su veća

brzina rada, manja disipacija snage i veća sigurnost u pogledu neautorizovanih kopija, itd [5].

FPGA kola su mnogo ekonomičnija od ASIC kola, jer za razliku od njih nude brzo prototipiranje i

reprogramabilnost.

Cilj ovog rada su razvoj i hardverska implementacija algoritama za obradu BM signala na

platformama koje omogućuju obradu signala u realnom vremenu. Pored toga, cilj je i realizacija

sistema koji su pogodni za upotrebu u ugrađenim i prenosivim uređajima, koji se mogu koristiti

za neinvazivno praćenje vitalnih parametara u kućnim uslovima, daleko od ljekara.

U radu su predstavljene mikrokontrolerska i FPGA implementacija algoritama za obradu EKG

i PPG signala. Implementirani algoritmi se zasnivaju na detekciji karakterističnih tačaka u

signalima koji nastaju primjenom diskretne verzije WT (eng. Discrete Wavelet Transform-DWT),

na EKG i PPG signalima, i diferenciranju PPG signala. Fokus rada je na realizaciji sistema za

detekciju QRS kompleksa u EKG signalu, detekciju vrha i najvećeg nagiba PPG signala, računanje

RR intervala u EKG signalu, procjenu srčanog pulsa iz EKG i PPG signala, računanje PTT intervala

iz EKG i PPG signala, i umanjenje šuma u BM signalima. Dizajnirani sistemi rade u realnom

vremenu, postižući visok stepen tačnosti u detekciji karakterističnih tačaka EKG i PPG signala i

mjerenju vitalnih parametara.


7

Doprinosi teze

Glavni naučni i stručni doprinosi rada su:

Pregled i sistematizacija mogućnosti primjene EKG i PPG signala i načina njihove obrade

prilikom estimacije vitalnih zdravstvenih parametara. Ovoj problematici je pristupljeno

sa multidisciplinarne tačke gledišta.

Opisane su kontinualna i diskretna WT, kao i optimizovana cjelobrojna verzija Haar

DWT, pogodna za hardverske implementacije. Predstavljene su mogućnosti DWT u

obradi EKG i PPG signala, tj. u ekstrakciji njihovih vremensko-frekvencijskih

karakteristika i umanjenju šuma.

Dat je pregled dosadašnjeg rada na polju razvoja i hardverskih implementacija

algoritama za obradu BM signala.

Predloženi su algoritmi za detekciju QRS kompleksa u EKG signalu i detekciju najvećeg

nagiba i vrha PPG signala. Algoritmi su adaptivni, što znači da se mogu primjeniti na EKG

i PPG signale različitih amplituda i talasnih oblika.

Izvršena je hardverska implementacija razvijenih algoritama za obradu EKG i PPG signala

na mikrokontrolerskoj i FPGA platformi u realnom vremenu. Realizovani su hardverski

prototipovi sistema za detekcije QRS kompleksa, detekcije najvećeg nagiba i vrha PPG-a,

računanje RR intervala, srčanog pulsa i PTT intervala.

Realizovan je mikrokontrolerski sistem za umanjenje šumova u biomedicinskim

signalima, koji se može primjeniti i na druge tipove signala.

Izvršeno je testiranje realizovanih sistema u realnom vremenu. Opisan je način njihovog

testiranja i predstavljeni su dobijeni rezultati. Sumiran je utrošak aritmetičkih, logičkih,

memorijskih i drugih resursa potrebnih za realizaciju sistema.

Opisane su mogućnosti primjene dizajniranih sistema, pravci njihovog unapređenja i

nadogradnje.

Izvršena je sistematizacija literature iz više oblasti koje su povezane sa temom rada.


8

Struktura teze

U Poglavlju 1. EKG signal je opisano porijeklo EKG signala, talasni oblik i trajanje njegovih

pojedinačnih segmenata. Predstavljeni su EKG signali za različite srčane ritmove. Opisano je

odakle potiču i kako se manifestuju glavne smetnje koje se javljaju u obradi EKG-a. Napravljen je

pregled nekih od metoda za umanjenje smetnji i obradu EKG signala. Dati su principi na kojim

počiva detekcija QRS kompleksa, kao i pregled hardverskih realizacija QRS detektora. Opisani su

načini analize varijabilnosti srčanog ritma.

Poglavlje 2. PPG signal objašnjava način akvizicije, talasni oblik i glavne izvore poteškoća u

obradi PPG signala. Govori se o značaju i mogućnostima primjene PPG signala, samostalno i u

korelaciji sa EKG signalom. Opisani su načini za poboljšanje i obradu PPG signala.

U Poglavlju 3. DWT u obradi biomedicinskih signala su predstavljene kontinualna i diskretna

WT, a zatim optimizovana cjelobrojna forma Haar DWT. Naglašeni su značaj i mogućnosti

primjene DWT u obradi EKG i PPG signala. Prikazani su talasni oblici signala koji nastaju nakon

primjene DWT na EKG i PPG signalima. Objašnjen je princip za umanjenje šumova koji je

zasnovan na DWT.

Poglavlje 4. Mikrokontrolersko rješenje za obradu biomedicinskih signala daje softverske i

hardverske arhitekture mikrokontrolerskih sistema za obradu EKG signala i umanjenje šumova u

BM signalima.

FPGA implementacije algoritama za obradu EKG i PPG signala su opisane u Poglavlju 5. FPGA

rješenje za obradu biomedicinskih signala. Opisana je softverska i hardverska arhitektura

ekstraktora parametara koji vrši paralelnu obradu EKG i PPG signala, i koji je sastavni dio

sistema za paralelno praćenje vitalnih parametara za pet pacijenata.

Poglavlje 6. Rezultati, testiranje i diskusija daje procjenu sastavnih dijelova realizovanih

mikrokontrolerskih sistema, na osnovu kvalitativnih i kvantitativnih parametara, kao što su

zauzetost memorijskih resursa, potrošnja energije, vrijeme računanja i tačnost detekcije. Dati su


9

i rezultati testiranja FPGA sistema u realnom vremenu, prilikom primjene DWT na EKG i PPG

signalima, diferenciranja PPG signala, detekcije QRS kompleksa, detekcije vrha i najvećeg nagiba

PPG signala, i procjene nekoliko vitalnih parametara.

Poglavlje 7. Zaključak daje pregled razvijenih i implementiranih algoritama, sumira

postignute rezultate ostvarene prilikom testiranja sistema u realnom vremenu, opisuje

mogućnosti primjene dizajniranih sistema i daje smjernice za budući rad.


10

Poglavlje 1.

1. EKG signal

EKG signal je jedan od najpoznatijih BM signala. EKG reflektuje električnu aktivnost srčanog

mišića. Ova aktivnost se odnosi na mnoštvo isprepletanih i kompleksnih hemijskih, električnih, i

mehaničkih procesa koji se odvijaju u srcu [6]. EKG signali daju veliki doprinos u dijagnostici, ne

samo opisujući funkcionisanje srca, već i drugih sistema u organizmu, kao što su cirkulacija ili

nervni sistem. Poslednjih decenija je prisutan veliki porast interesovanja za razvoj metoda za

obradu i analizu EKG signala. Najveći napori se prave u domenu digitalne obrade signala sa

metodama realizovanim i hardverski i softverski.

1.1 Srce, talasni oblik i trajanje dijelova EKG signala

Srce je mišićni organ čija je primarna funkcija pumpanje krvi bogate kiseonikom kroz

organizam. Anatomija srca je podijeljena na dvije strane, lijevu i desnu, čiji se rad odvija

sinhronizovano. Lijevi i desni atrijum (pretkomore) su dijelovi srca u koje ulazi krv, a lijeva i

desna ventrikula (komore) su mjesta sa kojih se krv potiskuje u dalju cirkulaciju, Slika 1.1. Svaki

srčani ciklus je sastavljen od faze aktivacije i faze oporavka, koje su u električnom smislu

depolarizacija i repolarizacija, a u mehaničkom smislu, kontrakcija i opuštanje. Depolarizacija se

manifestije brzom promjenom membranskog potencijala ćelija zida srca. Brza promjena napona

uzrokuje da se susjedne ćelije depolarizuju, i, kao rezultat, električni impuls se širi od ćelije do

ćelije kroz zid srca. Depolarizacija je praćena repolarizacijom u toku koje se membranski

potencijal ćelija postupno vraća u stanje mirovanja. Inicijalizacija srčanog ciklusa se javlja u

ćelijama koje imaju sposobnost da spontano generišu električni impuls. Te ćelije se grupno

nazivaju sinoatrijalni (SA) čvor, a nalaze se u gornjem dijelu desnog atrijuma. Električni impuls se

zatim širi kroz provodni sistem, tako da se ventrikularna kontrakcija i opuštanje mogu vršiti u

tačnim vremenskim intervalima. SA čvor je prirodni pejsmejker srca koji određuje stopu


11

njegovih otkucaja. EKG signal opisuje različite električne faze srčanog ciklusa i predstavlja zbir

akcijskih potencijala u vremenu i prostoru, koje generišu milioni srčanih ćelija sa različitih

dijelova srca, kao na Slici 1.1.

SA čvor

Lijevi

atrijum

Desni

atrijum

Desna

ventrikula

Lijeva

ventrikula

Vrijeme (ms)

Slika 1.1 Srce i EKG signal koji nastaje kao zbir električnih aktivnosti različitih dijelova srca

Tipični EKG signal, za normalni otkucaj srca, se sastoji od P talasa, QRS kompleksa, i T talasa.

Slika 1.2 prikazuje osnovni oblik EKG signala za zdravo srce sa P, Q, R, S, J, i T segmentima i

standardnim EKG intervalima, a to su PQ, QT i ST intervali. QRS kompleks je najveći talas u EKG

signalu, uzrokovan ventrikularnom depolarizacijom ljudskog srca. P talas reflektuje atrijalnu

depolarizaciju, a T talas reflektuje ventrikularnu repolarizaciju srca.

Amplituda P talasa je normalno manja od 300 µV, i njegovo trajanje je manje od 120 ms.

Ovaj talas reflektuje sekvencijalnu depolarizaciju desnog i lijevog atrijuma. Spektralna

karakteristika P talasa se obično smatra nisko-frekventnom, ispod 10-15 Hz. Ponekad je

problematično odrediti vremenske trenutke koji definišu početak i kraj P talasa zbog niske

amplitude i glatke morfologije. Kao rezultat toga, analiza pojedinačnih P talasa je isključena iz

određenih EKG aplikacija, gdje je prisutnost šuma znatna.


12

P

Q

R

S

J

T

R

RR interval

PQ

interval QT interval

QRS ST

Vrijeme (ms)

0 250 500 750 900 1150

1.5

-1.5

-0.75

0.75

Am

litu

da

(m

V)

0

Slika 1.2 Talasni oblici i intervali u EKG signalu

QRS kompleks odražava depolarizacije desne i lijeve ventrikule i on u normalnom srcu traje

oko 70-110 ms. Prvi negativni otklon QRS kompleksa je obilježen kao Q talas, a prvi pozitivni

otklon je označen kao R talas, dok je negativni otklon nakon R talasa označen kao S talas. Iako

QRS kompleks mogu činiti i manje od tri pojedinačna talasa, on se ipak uvijek pominje kao QRS

kompleks. Morfologija QRS kompleksa je vrlo promjenljiva. Budući da QRS kompleks, u

poređenju sa ostalim talasima EKG-a, ima najveću amplitudu, koja ponekad dostiže 2-3 mV, to

dovodi do toga da se QRS kompleks identifikuje prvi, u bilo kojoj vrsti analize EKG signala. Zbog

svojih strmih nagiba, QRS kompleks ima frekvencijski sadržaj koji je znatno veći od ostalih EKG

talasa i uglavnom je koncentrisan u intervalu 5-40 Hz. Algoritam koji obavlja pretragu i pronalazi

QRS komplekse se naziva QRS detektor.

T talas odražava ventrikularnu repolarizaciju i proteže se oko 300 ms nakon QRS kompleksa.

Položaj T talasa jako zavisi od srčanog pulsa, što dovodi do toga da se ovaj talas sužava i

približava QRS kompleksu, kada je puls veći. U normalnim uslovima, T talas ima zaobljenu

morfologiju koja se ogleda u jednom pozitivnom vrhu. Ponekad se nakon T talasa javlja drugi

spori talas koji se zove U talas. Porijeklo U talasa je nerazjašnjeno, ali on vjerovatno predstavlja

ventrikularnu posle-repolarizaciju. Prilikom bržeg rada srca dolazi do spajanja P i T talasa.


13

PQ interval je vremenski razmak između pojave atrijalne depolarizacije i početka

ventrikularne depolarizacije. Prema tome, PQ interval označava vrijeme potrebno da se

električni impuls propagira od SA čvora do ventrikula. Trajanje PQ intervala slabo zavisi od SP-a.

QT interval predstavlja vrijeme od početka ventrikularne depolarizacije do završetka

ventrikularne repolarizacije. Ovaj interval normalno varira sa SP-om i postaje kraći na većim

vrijednostima pulsa. Prolongiranje QT intervala je primjećeno kod različitih srčanih bolesti koje

su povezane sa povećanim rizikom od iznenadne smrti.

ST segment predstavlja interval tokom kojeg ventrikule ostaju u aktivnom, depolarizovanom

stanju. ST segment počinje na kraju S talasa (J tačka), odakle nastavlja gotovo horizontalno do T

talasa. Promjene u ST segmentu, koje ga čine povišenim, skraćenim, ili više nagnutim, često

označavaju različita srčana stanja.

RR interval predstavlja dužinu ventrikularnog srčanog ciklusa, mjerenu između dva uzastopna

R talasa. RR interval je osnovni podatak za analizu srčanog ritma u bilo kojoj vrsti interpretacije

EKG signala i koristi se za opisivanje različitih srčanih aritmija, kao i za proučavanje varijabilnosti

srčanog ritma.

1.2 Ritmovi rada srca

Promjene srčanog ritma su svakodnevne pojave kod većine ljudi. Srčani ritam ponajviše zavisi

od potrebe za oksigenisanom krvi. Ritam normalnog i zdravog srca je kontrolisan od strane

električnih impulsa formiranih u SA čvoru srca koji proizvodi između 50 i 100 otkucaja u minutu

za vrijeme odmora [6], i to je normalni sinusni ritam, prikazan na Slici 1.3 (a). U slučaju

uzbuđenja ili fizičke aktivnosti u organizmu dolazi do porasta potrebe za kiseonikom, tako da se

broj otkucaja srca povećava. Srčani ritam se zove sinusna bradikardija, kada je stopa otkucaja

srca ispod donje granice, Slika 1.3 (b), i sinusna tahikardija kada je stopa iznad gornje granice,

Slika 1.3 (c). U toku odmora, otkucaji srca mogu biti regularni, ali i ne potpuno, čak i ako su

vanjski poremećaji u obliku fizičkog ili mentalnog stresa odsutni. Ove male varijacije srčanog

ritma su prouzrokovane varijacijama komponenti autonomnog nervnog sistema (ANS).


14

Aritmija je odstupanje od normalnog sinusnog ritma. Aritmije se mogu dogoditi kada je

depolarizacija pokrenuta od strane drugih ćelija srca, a ne od onih iz SA čvora, zbog čega dolazi

do promjene u formiranju električnih impulsa. Još jedan mehanizam, koji proizvodi aritmije, je

promjena u provođenju električnih impulsa. Aritmije se mogu klasifikovati s obzirom na broj

otkucaja srca: bradiaritmija ima manje od 60 otkucaja srca u minutu, dok tahiaritmija ima više

od 100 otkucaja srca u minutu. Prema mjestu pojave nepravilne električne aktivnosti, postoje

različite vrste aritmija: aritmije SA čvora, atrijalne aritmije, aritmije provodnog sistema srca,

aritmije AV čvora i tkiva srca, ventrikularne aritmije [7]. EKG signal koji karakteriše srčanu

aritmiju koja se zove atrijalna fibrilacija je prikazan na Slici 1.3 (d).

Varijabilnost srčanog ritma je poslednjih godina proučavana u svrhe dijagnostikovanja i

predviđanja kardiovaskularnih bolesti. HRV analiza je veoma vrijedan alat za istraživanje

simpatičke i parasimpatičke funkcije ANS-a. Umjesto da se se prati lokalna morfologija cijelog

EKG signala, u mnogim slučajevima se posmatra dugoročna vremenska promjenljivost rada srca,

čija analiza omogućuje procjenu ANS-a. Analiza varijabilnosti frekvencije rada srca zahtjeva

prikupljanje niza vremenskih intervala proteklih između uzastopnih otkucaja srca, uzetih između

R tačaka QRS kompleksa. Vrijednosti RR intervala mogu biti prikazane u vremenu kako bi se

dobio tahogram RR intervala, kao na Slici 1.4. HRV predstavlja varijaciju intervala između

otkucaja srca, tj. RR intervala. Npr., vrijednost SP-a od 60 otkucaja srca u minutu ne znači da je

vremenski interval između susjednih otkucaja 1 s, jer RR interval varira između 0.2-2 s.

Varijabilnost frekvencije srca, odnosno, iznos fluktuacije SP-a oko srednje vrijednosti SP-a, se

može koristiti kao pokazatelj rada kardiorespiratornog kontrolnog sistema [8].


15

(a)

(b)

(c)

(d)

Slika 1.3 Neki od mogućih ritmova rada srca: (a) normalni sinusni ritam; (b) sinusna bradikardija;

(c) sinusna tahikardija; (d) atrijalna fibrilacija

0 60 120 180 240 300 360 420 480 540 6000

500

1000

1500

2000

Vrijeme (s)

RR

I (m

s)

Slika 1.4 Tahogram RR intervala EKG signala


16

1.3 Šumovi kod EKG signala

Važan faktor za uspješnost računarske analize EKG signala je sposobnost za poboljšanje

signala lošeg kvaliteta, pomoću algoritama za obradu signala. Dobar rezultat u obradi signala se

može postići dobrim poznavanjem, ne samo osobina korisnog signala, već i osobina prisutnog

šuma. Stoga je vrlo važno upoznati se sa najčešćim tipovima šuma i artefakata u EKG signalima.

Šum iz različitih izvora, kao što su mišićna aktivnost, 50/60 Hz naponski izvori, pokret

elektroda, pokretanje srca usled respiracije, itd. mogu da kontaminiraju EKG signal i da utiču na

njegovu interpretaciju. Karakterizacija različitih izvora šuma kod EKG signala je data u [9].

Automatizovana analiza zahtjeva upotrebu EKG signala bez prisustva šuma. Ipak, veoma je teško

kontrolisati okruženje i spriječiti kontaminaciju usled fizioloških dešavanja poput disanja. U

poglavlju 1.4.1 su opisane neke metode i tehnike za umanjenje šuma kod EKG signala.

Tipični izvori šuma kod EKG-a su:

izvori napajanja,

šum usled kontakta sa elektrodama,

artefakti pokreta,

kontrakcija mišića,

respiracija,

instrumentacioni šum generisan od strane elektronskih mjernih uređaja, itd.

Na Slici 1.5 je prikazan spektar snage EKG signala, QRS kompleksa, P i T talasa, artefakata

pokreta i šuma zbog kontrakcije mišića koji se javljaju prilikom snimanja EKG-a. Dominantni dio

EKG signala, QRS kompleks, ima najveći dio svoje spektralne snage u opsegu 5-25 Hz.

Naponski izvori su značajan izvor šuma u EKG signalu, Slika 1.6 (a). Signali koje generišu

naponski izvori imaju frekvenciju od 50 ili 60 Hz. Smetnje zbog naponskih izvora se javljaju preko

dva mehanizma, a to su kapacitivne i induktivne sprege. Kapacitivne sprege se odnose na

prenos energije između dva električna kola, pomoću kapacitivnosti koja se javlja između njih.

Vrijednost kapacitivne sprege se smanjuje sa povećanjem odvojenosti kola. Induktivna sprega je

uzrokovana međusobnom induktivnošću između dva električna provodnika. Kada struja teče


17

kroz žice, stvara se magnetni fluks, što može izazvati električne struje u susjednim kolima.

Ovakve smetnje se mogu ukloniti linearnim ili nelinearnim filtriranjem.

EKG

QRS kompleks

Mišićni šum

P i T

talasi

Artefakti

pokreta

Frekvencija (Hz)

Re

lati

vn

a s

na

ga

Slika 1.5 Spektar snage EKG signala, talasa u EKG signalu, artefakata pokreta i šuma zbog

kontrakcije mišića

Elektromiografski, EMG, šum je uzrokovan kontrakcijom mišića, izuzimajući srčani mišić. Kada

se dešava kontrakcija mišića u blizini elektroda za snimanje EKG signala, stvaraju se

depolarizacijski i repolarizacijski talasi koji se mogu superponirati EKG signalu, Slika 1.6 (b).

Mjera preslušavanja signala zavisi od količine mišićne kontrakcije, tj. pokreta pacijenta, i

kvaliteta sonde za snimanje. Ovaj šum se javlja u opsegu 15-30 Hz i njegove komponente se

značajno preklapaju sa QRS kompleksom. Kao posledica toga dolazi do poteškoća u uklanjanju

ovog šuma, prvenstveno u pogledu distorzija EKG signala.

Pomjeranje bazne linije EKG signala, Slika 1.6 (c), ima frekvencijski sadržaj u opsegu ispod 0.5

Hz i za odstranjivanje ove smetnje, koja se javlja zbog respiracije, je potreban visoko-propusni

filter. Odstranjivanje ove smetnje se može izvršiti bez oštećenja karakteristika EKG signala.

Kontaktni šum elektroda je uzrokovan varijacijom položaja srca u odnosu na elektrode za

mjerenje EKG-a i promjenama u propagaciji medijuma između srca i elektroda. To uzrokuje

nagle promjene u amplitudi EKG signala, kao i nisko-frekventne pomjeraje bazne linije. Osim


18

toga, slaba provodnost između elektrode i kože smanjuje amplitudu EKG signala i povećava

vjerovatnoću smetnji, zbog smanjenja odnosa signala i šuma.

Artefakti pokreta su prouzrokovani pomjerajima elektroda koji nastaju zbog pokreta

pacijenta, Slika 1.6 (d). Pošto je energija signala artefakata pokreta koncentrisana u opsegu 1-10

Hz, dolazi do potpunog preklapanja sa spektrom EKG signala, a pogotovo sa QRS kompleksom.

Zbog toga, artefakti pokreta, u pogledu uklanjanja, predstavljaju najteži tip šuma i oni dovode

do velike distorzije EKG signala. Amplitude ovog šuma mogu da budu tako velike da u radu QRS

detektora dolazi do pogrešnih detekcija QRS kompleksa.

(a)

(b)

(c)

(d)

Slika 1.6 Tipovi šuma u EKG signalu: (a) šum od izvora napajanja od 50 Hz; (b) mišićni šum; (c)

pomjeranje bazne linije; (d) artefakti pokreta

1.4 Primjena i obrada EKG signala

Uloga digitalne obrade signala je veoma važna u izvođenju preciznih mjerenja svih BM

signala, pogotovo kada se analiziraju signali snimljeni u ambulantnim uslovima. Nijedan sistem


19

za obradu EKG signala, koji je do sada implementiran, ne može biti smatran univerzalnim, jer je

svaki od njih napravljen za rad u određenim uslovima. Ono što im je svima zajedničko je

primjena određenih algoritama za filtriranje, ekstrakciju karakteristika signala, kompresiju

dobijenih podataka, itd.

EKG signali su izvor mnogih dijagnostičkih informacija u kardiologiji. Da bi se efikasno

analizirali i interpretirali, signali moraju biti adekvatno prikupljeni i obrađeni. EKG signali imaju

malu amplitudu od nekoliko mV i zahvaćeni su šumom. Analiza signala zahtjeva pojačanje

signala i uklanjanje šumova iz njih. Proces obrade EKG signala obuhvata nekoliko faza koje su

prikazane na Slici 1.7. Prikazani proces obuhvata akviziciju EKG signala sa površine ljudskog tijela

i njegovo pojačanje, analogno-digitalnu (A/D) konverziju, umanjenje šuma, ekstrakciju

karakteristika i parametara od značaja, klasifikaciju talasa i interpretaciju EKG-a.

Akvizicija i

pojačanje

signala

A/D

konverzija

Umanjenje

šuma

Ekstrakcija

karakteristika

i parametara

Klasifikacija i

interpretacija

Ljudsko tijelo

Slika 1.7 Faze u procesu akvizicije i obrade EKG signala

EKG signal može biti snimljen na različitim dijelovima tijela. Zavisno od oblasti odabrane za

akviziciju, amplituda signala je u opsegu od nekoliko µV-a do par mV-a. Pojačanje signala se vrši

pod uslovima galvanske razdvojenosti zbog zadovoljenja sigurnosnih zahtjeva. Nakon pojačanja,

EKG signali se konvertuju u digitalni oblik. Za ovu operaciju se koriste A/D konvertori različitih

rezolucija.

U obradi EKG signala, velika pažnja se pridaje filterima koji služe za umanjenje smetnji koje se

javljaju u prikupljenim signalima. EKG signali su uvijek zahvaćeni raznim šumovima, među kojim

su najproblematičniji oni čiji se frekvencijski spektar preklapa sa spektrom EKG signala, što se

dešava npr. u slučaju EMG šuma. Treba uzeti u obzir da se umanjenje šuma primjenjuje samo

onda kada ne dolazi do previše velike distorzije značajnog dijela EKG signala.


20

Ekstrakcija karakteristika EKG signala se vrši da bi se obezbjedile informacije koje su značajne

za dijagnostiku. Ove karakteristike su uglavnom prisutne u vremenskom domenu, mada bi

mogle biti definisane i u frekvencijskom domenu. Neke od ovih karakteristika su:

vremenski intervali između vrhova uzastopnih R talasa,

trajanje PQ, QT, ST i QRS segmenata,

amplitude P, Q, R, S i T talasa,

trajanje P, R, i T talasa,

lokacija centra R talasa, itd.

Nakon ekstrakcije relevantnih karakteristika i parametara EKG signala, može se pristupiti

tumačenju dobijenih rezultata i pripremi podataka za dijagnostiku. Uspješnost i relevantnost

dijagnostike u dobroj mjeri zavisi od preciznosti koja je ostvarena u ekstrakciji parametara EKG

signala.

1.4.1 Umanjenje artefakata u EKG signalu

Uklanjanje smetnji iz EKG signala se mora uzeti u obzir prilikom mjerenja, obrade i analize

EKG signala. U poglavlju 1.3 su predstavljene neke od smetnji koje se javljaju u obradi EKG

signala. Veoma je bitno da se u procesu filtriranja signala zadrži najveći dio korisnih informacija

značajnih za dijagnostiku. Cilj je poboljšanje EKG signala, kako bi se validne komponente

izdvojile od artefakata. U literaturi su predloženi mnogi pristupi za poboljšanje EKG signala, a

neki od njih su pomenuti ovde.

Za uklanjanje smetnji iz EKG signala se mogu koristiti analogni filteri, ali oni mogu da unesu

nelinearne pomjeraje faze signala. Instrumentaciona oprema zavisi od faktora poput otpornosti

i temperature, što unosi još veću grešku. Digitalni filteri su precizniji i imaju više prednosti u

odnosu na analogne. U ovom poglavlju su opisane neke od metoda koje se mogu primjeniti za

umanjenje smetnji u EKG signalima.

Elektromagnetna polja, uzrokovana naponskim izvorima, kablovima, i sl. predstavljaju

uobičajeni izvor šuma u EKG-u, kao i kod ostalih BM signala snimljenih sa površine tijela. Ovakav

šum je okarakterisan sinusoidalnom smetnjom od 50 ili 60 Hz, eventualno propraćenom sa

nekoliko harmonika. Iako razne mjere opreza mogu biti preduzete kako bi se smanjio učinak


21

smetnji zbog električne mreže, npr. odabir mjesta za snimanje EKG-a sa malo okolnih električnih

uređaja ili odgovarajuće uzemljenje, opet može biti potrebna obrada signala za umanjenje ovih

smetnji. Ove smetnje mogu biti uklonjene upotrebom filtera nepropusnika opsega centriranog

na frekvenciji signala smetnje dobijene iz električne mreže. U [10] je predstavljen metod za

umanjenje šuma napajanja pomoću sistema zasnovanog na filteru sa konačnim impulsnim

odzivom (eng. Finite Impulse Response filter) i digitalnom talasnom filteru (eng. digital wave

filter). U [11] je izvršeno poređenje adaptivnih i neadaptivnih filtera za redukciju šuma napajanja

u EKG-u, a u [12] su korišćena dva tipa digitalnih filtera. Kod [12], jedan filter koristi metod

najmanjih srednjih kvadrata (eng. Least Mean Square-LMS), dok drugi koristi posebni metod

sumiranja. Frekvencija napajanja može da varira u odnosu na određenu vrijednost, 50 ili 60 Hz,

u opsegu ±2 Hz. U ovom slučaju najviše efekta imaju adaptivni filteri.

Uklanjanje pomjeranja bazne linije EKG signala je potrebno kako bi se smanjile promjene u

morfologiji EKG signala koje nemaju srčano porijeklo. To je posebno važno kada su potrebne

analize suptilnih promjena u nisko-frekventnim ST i T segmentima EKG signala. Frekvencijski

sadržaj pomjeranja bazne linije je obično u opsegu ispod 0.5 Hz. Međutim, povećano kretanje

tijela dodatno povećava frekvencijski sadržaj ove smetnje. Granična frekvencija filtera za

umanjenje pomjeranja bazne linije bi trebala biti izabrana tako da kliničke informacije u EKG

signalu ostanu neizobličene. Dakle, bitno je pronaći najnižu frekvencijsku komponentu spektra

EKG-a. Učestanost ove komponente je diktirana najmanjom vrijednošću SP-a. Kod bradikardije,

SP može pasti na približno 40 otkucaja u minutu, što znači da je najniža frekvencija sadržana u

EKG-u oko 0.67 Hz [13]. Ipak, potrebno je odabrati malo nižu graničnu frekvenciju, zbog

varijabilnosti srčanog ritma.

Artefakti pokreta su veoma kompleksni za odstranjivanje, s obzirom da se oni, u

frekvencijskom pogledu, preklapaju sa PQRST segmentima EKG signala. Digitalni filteri,

adaptivno umanjenje šuma i WT, su neke od metoda koje mogu poslužiti za uklanjanje

artefakata pokreta. Za detekciju artefakata pokreta se često koriste akcelerometri. U [14] je

predstavljen prenosivi uređaj za snimanje EKG-a koji koristi triaksijalni akcelerometar koji

detektuje pokrete pacijenta. Signali akcelerometra su iskorišćeni kao referentni signal za

adaptivni digitalni filter koji odstranjuje artefakte pokreta.


22

U [15] je predstavljen metod za poboljšanje EKG signala baziran na empirijskoj dekompoziciji

signala (eng. Empirical Mode Decomposition) koji uspjeva da ukloni visoko-frekventni šum i

pomjeranje bazne linije uz minimalnu distorziju EKG signala. Empirijska dekompozicija signala se

koristi kao tehnika za obradu nelineranih i nestacionarnih signala i služi kao alternativa

metodama poput waveleta, STFT ili Wigner-Ville distribucije.

Rad [16] se zasniva na modifikovanom i proširenom Kalmanovom filteru. Predstavljena

struktura je korišćena za umanjenje više tipova šuma i kompresiju EKG signala, a predloženi

algoritam može da očuva dijagnostičke morfološke informacije EKG signala. Osnovni principi

adaptivnog filtriranja za umanjenje šumova u EKG-u su opisani u [17], gdje su Thakor i Zhu

predložili adaptivni rekurentni filter za detekciju aritmija u ambulantnim EKG snimcima. Metodi

za umanjenje šuma koji se zasnivaju na waveletima se pokazuju kao bolji u odnosu na ranije

metode [18]. Od svih familja waveleta, Daubechies 4 (db4) se pokazuje kao najbolja.

1.4.2 Principi detekcije QRS kompleksa

QRS kompleks je dominantna karakteristika srčanog ciklusa. R talas, unutar QRS kompleksa,

se može prepoznati po oštrim ivicama i visokoj amplitudi kao što je prikazano na Slici 1.2. Zbog

toga, relativno je lako prepoznati QRS kompleks u EKG signalu, čak i u prisustvu šuma. QRS

detekcija je osnova za mnoge algoritme za obradu EKG-a. Trenutna vrijednost SP-a može biti

određena računanjem vremenskog intervala između pojava dva uzastopna QRS kompleksa.

QRS detektor koji je koristan sa kliničkog stanovišta mora imati mogućnost detekcije QRS

kompleksa u signalima koji sadrže različite srčane ritmove, QRS morfologije i šumove. Tačnost

QRS detektora mora biti procjenjena na osnovu signala koji u sebi sadrže razne smetnje, na koje

detektor mora biti otporan. Tipičan QRS detektor može biti predstavljen blok dijagramom sa

Slike 1.8. U prikazanoj strukturi QRS detektora, svrha preprocesora je poboljšanje QRS

kompleksa i umanjenje šuma i artefakata. Preprocesor se obično implementira kao linearni filter

koji ima karakteristike filtera propusnika opsega. Može se koristiti propusni opseg 5-25 Hz.

Nakon linearnog filtriranja, vrši se nelinearna transformacija, koja još više ističe QRS komplekse,

transformišući ih u izražene maksimume pogodne za primjenu pragova za detekciju. Izlaz

preprocesora se dovodi do ulaza sistema za detekciju i odlučivanje. Jedinica za donošenje

odluke implementira određena pravila za utvrđivanje prisustva QRS kompleksa. U QRS detekciji


23

je veoma poželjno koristiti adaptivnost pragova za detekciju, jer se morfologija i amplituda QRS

kompleksa mogu promijeniti već u samo par sekundi.

Faza preprocesiranja Faza detekcije i donošenja odluke

EKG(n)Linearno

filtriranje

Nelinearno

filtriranje

Logika za

detekcijuOdlučivanje

Signalizacija

Slika 1.8 Faze u radu tipičnog QRS detektora

Poteškoće u detekciji QRS kompleksa nastaju iz više razloga. Neki od njih su sadržani u

promjenama morfologije QRS kompleksa koje mogu biti fiziološke ili tehničke prirode. Npr.,

jedna od poteškoća fiziološkog porijekla je promjena amplituda QRS kompleksa. Na Slici 1.9 su

prikazani EKG signali sa promjenljivom morfologijom QRS kompleksa. Vrlo značajno je i to da

preveliki P ili T talasi mogu da dovedu do lažnih detekcija QRS kompleksa. Pojava već opisanih

šumova i artefakata je druga velika grupa izvora grešaka u radu QRS detektora.

Slika 1.9 Primjeri EKG signala sa promjenljivom morfologijom QRS kompleksa

Algoritmi za QRS detekciju uglavnom koriste energetski sadržaj QRS kompleksa koji se nalazi

u opsegu 5-25 Hz. Najveći broj algoritama se temelji na nekim od sledećih metoda: banke

filtera, diferencijatori, waveleti, neuralne mreže, itd. Ovde je predstavljeno nekoliko metoda za

razvoj algoritama za detekciju QRS kompleksa.


24

U [19] je dat pregled principa softverske detekcije QRS kompleksa. Skoro sve realizacije QRS

detektora koriste filtriranje prije same detekcije. To se koristi zbog umanjenja drugih

komponenti EKG signala, kao što su P i T talasi i razni artefakti. Preporučljiva je kombinovana

primjena nisko-propusnog i visoko-propusnog filtera ili filtera propusnika opsega u cilju

slabljenja frekvencijskih komponenti izvan opsega 10-25 Hz.

Hamilton-Tompkinsov i Pan-Tompkinsov algoritam se zasnivaju na digitalnim filterima i

pronašli su široku primjenu u QRS detekciji. Ovi algoritmi su opisani u [20] i [21] i oni prvo vrše

filtriranje EKG signala pomoću filtera propusnika opsega, što smanjuje lažne detekcije QRS

kompleksa koje su prouzrokovane raznim smetnjama u EKG signalu. Kod Pan-Tompkinsonovog

algoritma, nakon filtriranja pomoću kaskade visoko-propusnog i nisko-propusnog filtera, vrši se

diferenciranje signala. Izlaz diferencijatora se kvadrira i posle toga se vrši integracija sa

pokretnim prozorom (eng. moving window integration). Kvadriranje doprinosi pojačanju dijela

signala dobijenog diferenciranjem QRS kompleksa i smanjenju broja lažnih detekcija zbog T

talasa sa energijama većim nego uobičajeno. Primjenjeni filteri koriste koeficijente pogodne za

implementaciju na procesorima sa cjelobrojnom aritmetikom. Algoritam za detekciju ima

mogućnost tačne detekcije QRS kompleksa u prisustvu šumova tipičnih za ambulantnu EKG

opremu. Algoritam čine prva i druga faza učenja i faza detekcije. Prva faza traje 2 s i služi za

inicijalizovanje pragova za detekciju koristeći vrhove signala i šuma koji su detektovani u fazi

učenja. Druga faza učenja zahtjeva dva R talasa da bi se inicijalizovale srednja i granična

vrijednost RR intervala. U fazi detekcije se, za QRS komplekse, generišu impulsi koji signaliziraju

njihovu pojavu. U detekciji se koriste dva seta pragova. Prvi set pragova se koristi za filtrirani

EKG signal, a drugi, za signal dobijen nakon prolaska signala kroz integrator sa pokretnim

prozorom. Ovo je uvedeno zbog povećanja pouzdanosti detekcije u odnosu na upotrebu samo

jednog signala za primjenu praga.

Mnoge wavelet-bazirane metode [22, 23, 24] se zasnivaju na Malatovom i Hwangovom

principu za detekciju i klasifikaciju singulariteta, koristeći lokalne maksimume koeficijenata WT

dobijenih nakon transformacije signala. Ispitana je korespondencija između singulariteta

funkcije i lokalnih maksimuma u njenoj WT. Singulariteti u funkciji odgovaraju paru maksimalnih

modula koji se javljaju među koeficijentima detalja. Algoritam koji su predložili Malat i Hwang


25

[25] je po prvi put primjenjen u QRS detekciji u [26], gdje se R talasi pronalaze pretraživanjem

relevantnih nivoa WT. Za validni R talas, procijenjena Lipschitz regularnost mora biti veća od

nule, α>0 [26]. Algoritam primjenjuje i pravila odlučivanja koja se odnose na znak i vremensku

pojavu vrhova signala na različitim nivoima WT.

Neuralne mreže se koriste u nelinearnoj obradi signala, klasifikaciji i optimizaciji, i njihov

performans se pokazao kao dobra alternativa klasičnim linearnim pristupima. U detekciji QRS

kompleksa, neuralne mreže se koriste kao adaptivni nelinearni prediktori [27, 28]. Cilj je

predviđanje vrijednosti trenutnog odbirka x(n) iz vrijednosti prethodnih odbiraka x(n-i), i>0.

Najveći dio EKG signala su ne-QRS segmenti i odbirci tih segmenata se dobro predviđaju. QRS

segment ima nagle promjene koje dovode do povećanja greške u predviđanju. Upravo se ova

greška predviđanja koristi za detekciju QRS kompleksa.

U [29] je opisana primjena matematičke morfologije u detekciji QRS kompleksa.

Matematička morfologija potiče iz obrade slike, a u [30] je predložena za poboljšanje EKG

signala, gdje je predstavljeno uklanjanje šuma iz EKG signala.

1.4.3 Hardverske realizacije QRS detektora

U literaturi su prisutne hardverske realizacije algoritama za QRS detekciju na različitim

hardverskim platformama. Zadnjih godina, velika pažnja je poklonjena realizaciji QRS detektora

koji su dizajnirani za rad u realnom vremenu. Generalni trend je minijaturizacija ovih uređaja, sa

obezbjeđenjem njihove prenosivosti i male potrošnje energije. Ovde je dat pregled najviše

korišćenih tehnologija, sa posebnim osvrtom na realizacije algoritama koji se zasnivaju na WT.

Algoritam iz [21] je implementiran na bazi Z80 mikrokompjuterskog sistema i ostvario je

tačnost od 99.3 % u realnom vremenu na snimcima iz MIT-BIH baze. Rad [31] predstavlja

hardversku implementaciju Pan-Tompkinsovog algoritma u Verilogu. Predloženi dizajn je

sintetizovan i testiran na Xilinx FPGA-u. Implementirana arhitektura se sastoji od sedam

zasebnih modula i jedne memorijske jedinice. Kontrolna jedinica generiše kontrolne signale i

koordiniše sve kalkulacije. Za svaku od faza algoritma je dizajniran po jedan modul (nisko-

propusni filter, visoko-propusni filter, diferencijator, kvadrator, integrator i modul za


26

odlučivanje). Svaki od ovih modula čita vrijednosti iz memorije, vrši računanje i vraća nove

vrijednosti u memoriju.

U [32] je opisan QRS detektor konstruisan pomoću DSP mikroprocesora. Uređaj je napravljen

za precizno mjerenje varijabilnosti srčanog ritma i pouzdanu QRS detekciju za ambulantne i

kliničke potrebe. Algoritam sadrži faze kontrole pojačanja i pred-filtriranja, filtriranja i detekcije.

Detekcija se vrši pomoću adaptivnog praga koji se računa kao 40 % maksimalne vrijednosti koja

se pojavila u filtriranom signalu u toku zadnjih 1.5 s. Predloženi sistem postiže vremensku

tačnost od 1 ms.

Algoritam za QRS detekciju, implementiran na TMS320C6701, je predstavljen u [33].

Algoritam se sastoji od faze ekstrakcije karakteristika i faze detekcije. Prva faza je realizovana

pomoću banke filtera, a druga faza se zasniva na procjenama mogućnosti da neki događaj

unutar signala predstavlja QRS kompleks. Implementirani sistem je ostvario osjetljivost od 99.71

% na Massachusetts Institute of Technology (MIT)-Boston's Beth Israel Hospital (BIH) bazi EKG

signala.

U postojećoj literaturi, postoji nekoliko priloga o upotrebi ASIC-a i FPGA kola, koji su tip PLD-

ova, u wavelet-baziranoj obradi BM signala, a posebno EKG-a. U radu [34] je predstavljen

algoritam za QRS detekciju implementiran na ASIC-u, u 0.18 μm CMOS tehnologiji, koji troši 176

μW, sa napajanjem od 1.8 V. Algoritam se temelji na WT i šemi za više-skalni proizvod.

Algoritam je procijenjen na MIT-BIH bazi, postižući visoku tačnosti, više od 99 %.

U radu [35] autori predlažu strukturu QRS detektora, koja sadrži wavelet banke filtera i

množače wavelet koeficijenata za povećanje performansi u detekciji. Filteri sa wavelet

funkcijom kvadratne krive (eng. Quadratic Spline) su odabrani da bi se smanjila dinamička

potrošnja energije. Dizajn je prototipiran na Altera Cyclone FPGA čipu i sintetizovan na 0.18 μm

Samsung bibliotekama. Dizajnirani QRS detektor može biti efikasno ugrađen kao blok

implantabilnog pejsmejkera.

U radu [36] se predlaže algoritam i hardverska arhitektura za detekciju QRS kompleksa na

temelju matematičke morfologije i WT koristeći Quadratic Spline wavelet, uz primjenu na Xilinx

VirtexTM-4SX35 FPGA čipu. Tačnost detekcije za snimke iz MIT-BiH Aritmija baze je vrlo visoka.


27

Za detekciju QRS kompleksa se koristi mašina stanja. Modul za detekciju sadrži nekoliko pod-

modula za analizu wavelet koeficijenata koji služe za otkrivanje prolaza kroz nulu, otkrivanje

vrhova signala i prilagođenje praga za detekciju.

Za filtriranje EKG signala i za izdvajanje QRS kompleksa, autori u [37] koriste cjelobrojnu

realizaciju WT. Dizajnirani sistem sadrži nekoliko komponenti, koje su uključene u jednom FPGA

čipa iz Altera Cyclone serije, postižući dovoljnu tačnost (oko 95 %), izuzetnu otpornost na

smetnje i nisku cijenu.

Jedna od prvih referenci u uvođenju DSP procesora za obradu EKG signala u realnom

vremenu, pomoću waveleta, data je u [22]. Konkretno, QRS kompleksi, P i T talasi su izdvojeni

od šuma i artefakata pomoću SPROC-1400 DSP procesora, koji radi na 50 MHz. Za standardnu

MIT-BIH bazu, implementirani algoritam tačno detektuje 99.7 % QRS kompleksa. Lokalizacija

QRS kompleksa je obavljena pomoću dekompozicije signala do petog nivoa. Detekcija je

zasnovana na detekciji parova maksimalnih modula signala sa svih pet nivoa istovremeno,

uzimajući u obzir kašnjenje koje se javlja između pojedinačnih nivoa.

Urađene su implementacije na modernim DSP-ovima, kao što je TI TMS320C6713 [38], gdje

se EKG signal obrađuje pomoću DWT u realnom vremenu. Posljednjih nekoliko godina, naglasak

se daje i na pristupu zasnovanom na integrisanim, nisko-potrošnim, jeftinim MK-ima, kao što su

Microchip-ov PIC [39] ili MSP430, koji proizvodi Texas Instruments [40].

Iako mnogo brži, ASIC i PLD-ovi su skuplji, zahtjevniji u pogledu snage, komplikovaniji za brzu

izradu prototipova, masivnu proizvodnju i održavanje. Dakle, i MK-i predstavljaju odgovarajuće

rješenje za implementaciju algoritama za obradu BM signala, uključujući i one bazirane na WT,

koje treba prilagoditi za upotrebu u ovoj tehnologiji.

1.4.4 Analiza varijabilnosti srčanog ritma

Varijabilnost frekvencije srca je posljednjih nekoliko godina dobila veliki značaj u istraživanju

ANS-a, i bolesti povezanih sa njim, koje se mogu neinvazivno ispitati pomoću osnovnih tehnika

za obradu signala. Postoje razne metode za HRV analizu, a njihova glavna podjela je na metode

u vremenskom i frekvencijskom domenu.


28

Algoritmi za detekciju QRS kompleksa se koriste za lociranje R talasa, a intervali između

uzastopnih R talasa se koriste za HRV analizu. HRV analiza je u suštini neproblematična kada se

analizira EKG signal snimljen u toku stanja mirovanja, dok prilikom analize signala u prisustvu

artefakata dolazi do ozbiljnih ograničenja u analizi. Npr., zbog nivoa šuma QRS detektor može da

pravi greške u detekciji, tj. da proglašava lažne detekcije ili da propušta detekcije, što rezultira u

nizu RR intervala sa pogrešnim vrijednostima. Zbog toga, isključenje nevalidnih RR intervala

predstavlja važan korak u uređenju njihove vremenske serije kako bi HRV analiza bila

pouzdanija. Jednostavan pristup je da se primjenjuje kriterijum isključenja, kojim se RR interval

smatra abnormalnim, ako odstupa više od 20 % od srednjeg trajanja prethodnih RR intervala

[41].

HRV metoda bazirana na histogramu je relativno pogodna za isključivanje nevalidnih

intervala uzrokovanih nepravilnim otkucajima srca ili artefaktima. Ovakvi RR intervali često

imaju tendenciju da se nađu dalje od dominantnog vrha histograma. Na Slici 1.10 su prikazana

dva histograma RR intervala. Oba histograma imaju dominantni vrh koji je prouzrokovan

predominantnom dužinom RR intervala, dok histogram na Slici 1.10 (a) ima i jedan manji vrh

uzrokovan lažnim detekcijama R talasa. Histogram na Slici 1.10 (b) je dobijen nakon uklanjanja

RR intervala dobijenih zbog pogrešnih detekcija.

Spektralna analiza HRV-a se može vršiti na nizovima RR intervala dobijenih iz kratkih snimaka

EKG-a (3-5 minuta), kao i iz 24-časovnih nadgledanja pomoću holtera. Spektralna analiza HRV-a

normalnog subjekta u stanju mirovanja pokazuje da postoje tri glavne spektralne komponente,

što se vidi na Slici 1.11. Spektralna analiza je izvršena na intervalima prikupljenim u toku 30

minuta. Vrlo niske frekvencije su u opsegu 0-0.03 Hz, komponente niskih frekvencija su oko 0.1

Hz, a visoko-frekvencijske komponente su oko 0.25 Hz [42].


29

0 200 400 600 800 1000 12000

10

20

30

40

50

60

70

80

90

100

0 200 400 600 800 1000 12000

10

20

30

40

50

60

70

80

90

100

RR interval (ms) RR interval (ms)

His

tog

ram

(a) (b)

Slika 1.10 Histogrami RR intevala: (a) validni i nevalidni RR intervali, (b) histogram dobijen

izostavljanjem nevalidnih RR intervala

RR

in

terv

al (m

s)

Frekvencija (Hz)

PS

D (

ms2

/Hz)

Vrijeme (min)

1200

1000

800

600

4000 10 20 30

25000

20000

15000

10000

5000

00 0.1 0.2 0.3 0.4 0.5

Slika 1.11 Spektralna analiza RR intervala subjekta u stanju mirovanja


30

Poglavlje 2.

2. PPG signal

Iako porijeklo sastavnih komponenti fotopletismografskog-PPG signala nije u potpunosti

poznato, prihvaćeno je da PPG može pružiti vrijedne informacije o zdravstvenom stanju i

kardiovaskularnom sistemu. Prisutan je veliki interes za jeftinu, prostu i prenosivu tehnologiju,

puls-oksimetriju, koja se može koristiti u primarnoj zdravstvenoj zaštiti i raznim kliničkim

uslovima, kako bi se unaprijedila računarski bazirana analiza PPG signala.

PPG signal odražava kretanje krvi, od srca do perifernih dijelova ekstremiteta, kroz krvne

sudove, u talasnim pokretima, kao što je prikazano na Slici 2.1. PPG signali se uglavnom koriste

za mjerenje periferne arterijske saturacije kiseonikom (SpO2) i SP-a. Ekstrakcija ovih parametara

zahtjeva upotrebu čistih PPG signala koji su oslobođeni smetnji. PPG signali mogu da daju i

dodatne informacije, kao što su kardiovaskularni status, simpatički ton, cirkulacija, respiracija,

HRV, itd. PPG signal, snimljen sa prsta, odražava kretanje krvi kroz krvni sud, koji se proteže od

srca do prstiju. Na to utiču rad srca, hemodinamika, fiziološko stanje uzrokovano promjenom

svojstava arterije, itd.

Slika 2.1 Talasni oblik PPG signala

U fotopletismografiji se koristi optička mjerna tehnika koja se služi svjetlošću poslatom u

tkivo, a iznos odbijenog svjetla odgovara varijaciji volumena krvi [43]. Hertzman je bio prvi koji

je pronašao odnos između intenziteta odbijenog svjetla i volumena krvi u 1938. godini [44].


31

Jeftinost i jednostavnost ove optičke tehnologije može ponuditi značajne prednosti u zdravstvu,

a pogotovo u neinvazivnim i preciznim tehnikama.

2.1 Princip puls-oksimetrije

Puls-oksimetrija je način praćenja SP-a i nivoa kiseonika u krvnom toku ljudskog tijela.

Uglavnom se koristi u medicinskim ustanovama, ali postepeno pronalazi i svoje mjesto u kućnoj

upotrebi. Puls-oksimetrija koristi optičke senzore i svjetlosne diode koje emituju svjetlost na

različitim talasnim dužinama. Temelji se na tome da oksigenisani hemoglobin-HbO2, ima veći

apsorpcijski koeficijent za infracrvenu svjetlost nego deoksigenisani hemoglobin-HB, dok

deoksigenisani hemoglobin više apsorbuje crveno svjetlo [2]. Nivo zasićenja kiseonikom se

određuje uzimajući odnos apsorbovane crvene svjetlosti i infracrvene svjetlosti.

Tipični puls-oksimetar koristi princip koji se zasniva na dvjema malim svjetlećim diodama

koje rade na različitim talasnim dužinama, Slika 2.2. Jedna crvena svjetleća dioda emituje

svjetlost talasne dužine od 660 nm, a druga, infracrvena, emituje svjetlost talasne dužine od 910

nm. Svjetleće diode su postavljene naspram fotodiode koja detektuje svjetlost sa svjetlećih

dioda. Prilikom prolaska svjetlosti kroz prst dolazi do apsorpcije svjetlosti. Apsorpcije na

različitim talasnim dužinama se znatno razlikuju za HbO2 i HB.

Crvena LED Infracrvena LED

Foto-dioda

Slika 2.2 Princip puls-oksimetrije koji je baziran na svjetlećim diodama i fotodetektoru

Postoji nekoliko tehničkih problema u tačnoj procjeni zasićenja kiseonikom pomoću ove

metode, kao što su refleksija svjetlosti i apsorpcija svjetlosti od strane tkiva. Mjerni sistem treba

da izoluje apsorpciju za arterijsku krv, za vensku krv i vezivna tkiva. Ovo se postiže jednostavno,

tako što se zna da je arterijska krv pulsatilna, za razliku od krvi iz drugih tkiva.


32

Današnji puls-oksimetri se sastoje od sonde i mikroprocesorskog dijela koji vrši prikazivanje

PPG signala, količine SpO2 i SP-a. Mikroprocesor može da izdvoji apsorpciju pulsatilnog dijela

krvi, tj. arterijske krvi koja prouzrokuje promjenljivu komponentu PPG signala, od konstantne

apsorpcije, koju vrše nepulsatilna venska i kapilarna krv, kao i tkiva.

2.2 Talasni oblik PPG signala

Pulsatilna komponenta PPG signala se često naziva ''naizmjenična komponenta'', NK, i obično

ima svoju fundamentalnu frekvenciju, oko 1 Hz, zavisno od otkucaja srca, Slika 2.3. Ova NK

komponenta predstavlja samo oko 1 % ukupne apsorpcije i superponira se velikoj kvazi-

jednosmjernoj komponenti (JK) koja se odnosi na tkiva i prosječni volumen krvi. PPG talas se

obično dijeli u dvije faze. Anakrotna faza je rastući dio talasa, dok je katakrotna faza opadajući

dio talasa [45], kao što je prikazano na Slici 2.4. Prva faza je prvenstveno povezana sa sistolom,

tj. kontrakcijom srčanih atrijuma i ventrikula, a druga sa dijastolom koja predstavlja period

opuštanja srčanog mišića. U signalu sa Slike 2.4 je prisutan segment koji se naziva dikrotni usijek.

Ovaj segment signala se ne javlja u svim PPG signalima.

Jedna od najviše korišćenih karakteristika PPG signala je amplituda talasa. Nivoi amplitude

signala mogu biti skriveni zbog funkcije automatskog pojačanja koju imaju mnogi puls-oksimetri.

Isključivanjem ovog pojačanja, mogu se izvršiti određena posmatranja. Npr., u slučaju širenja

krvnih sudova-vazodilatacije, dolazi do povećanja amplitude, a u slučaju suženja krvnih sudova-

vazokonstrikcije, javlja se smanjenje amplitude PPG signala [46]. Hemoglobin koji je prisutan u

krvi vrši apsorpciju svjetlosti koja se, prilikom mjerenja PPG-a, propušta kroz tkiva i krvne

sudove, i veća ispunjenost krvlju dovodi do veće apsorpcije svjetlosti, i obratno. Zbog toga je

amplituda PPG signala najveća u trenu najmanjeg volumena krvi.


33

Apsorpcija usled

kože, kostiju i tkiva

Apsorpcija usled

venske krvi

Apsorpcija usled

nepulsatilne arterijske krvi

Apsorpcija usled pulsatilne

arterijske krvi

JK

NKA

ps

orp

cija

sv

jetl

os

ti

Vrijeme

Slika 2.3 PPG signal i apsorpcija svjetlosti od strane različitih tkiva

Sistolna amplituda PPG signala, As, je pokazatelj pulsatilnih promjena zapremine krvi

uzrokovanih protokom arterijske krvi na mjestu mjerenja. Prema [47], sistolna amplituda je

direktno proporcionalna lokalnom vaskularnom istezanju, a u [48] se predlaže upotreba sistolne

amplitude za procjenu krvnog pritiska. Širina talasa je na Slici 2.4 označena na polovini visine

sistolnog vrha. Interval od vrha do vrha PPG signala, VV interval, je vremenski razmak između

dva uzastopna sistolna vrha. RR interval EKG signala je u bliskoj korelaciji sa VV intervalom PPG

signala, jer se oba javljaju u jednom istom srčanom ciklusu. Pulsni interval je vremenska

razdaljina između početka i kraja PPG talasa. U [49] je vršeno poređenje HRV analize pomoću

pulsnog intervala PPG-a i HRV analize pomoću RR intervala EKG signala, i utvrđena je visoka

korelacija.


34

Ad

As

VV interval

Pulsni interval

Širina

Sistolni vrh

Dijastolni vrh

Anakrotna

faza

Katakrotna

faza

Dikrotni

usijek

Slika 2.4 Tipični talasni oblik PPG signala i njegovi karakteristični parametri

Pulsni talas PPG signala je relativno stabilan, ako se mjerenje vrši u uslovima mirovanja

subjekta, u mirnom okruženju. Oblik PPG signala je vrlo ponovljiv u ovakvim uslovima. Postoji

nekoliko načina klasifikacije PPG signala. Klasifikacija u [50] je izvršena koristeći dikrotni usijek

signala koji je indikator krutosti arterija. Prema [50] su formirane četiri kategorije:

1. PPG signal sa izrazitim dikrotnim usijekom u opadajućem dijelu signala.

2. PPG signal bez razvijenog dikrotnog usjeka, ali u kojem se javlja horizontalna linija u

opadajućem dijelu signala.

3. PPG signal u kojem nije prisutan dikrotni usjek, ali u kojem je dobro definisana promjena

ugla opadajućeg dijela signala.

4. PPG signal u kojem se uopšte ne primjećuje dikrotni usjek.

Kategorija 1 Kategorija 2 Kategorija 3 Kategorija 4

Slika 2.5 Jedan od načina kategorisanja PPG signala koji je izvršen prema prisustvu dikrotnog

usjeka


35

Na osnovu oblika PPG signala se može vršiti dijagnoza različitih oboljenja. Jedna klasifikacija

PPG signala prema amplitudi je izvršena u [51]. Prema tvrđenju iz [51], npr., kod signala sa

amplitudom koja varira od ciklusa do ciklusa je moguće oboljenje lijeve ventrikule srca.

PPG signal se može obrađivati paralelno sa EKG signalom, kako bi se mjerilo vrijeme tranzita

pulsnog talasa (eng. Pulse Transit Time-PTT), Slika 2.6. PTT je vrijeme potrebno da se pulsni talas

propagira iz srca do određene tačke na tijelu na kojoj se vrši mjerenje, a to je obično na prstu.

Mnoge studije su se bavile korelacijom PTT intervala sa krvnim pritiskom [52, 53]. PTT se može

mjeriti kao vremenski interval između vrha R talasa EKG signala i određene tačke PPG signala u

istom srčanom ciklusu. Polazna tačka za računanje PTT-a je R talas EKG-a, a uglavnom postoje tri

različita izbora završne tačke: (1) podnožje pulsnog talasa PPG signala za PTTd, (2) vrh pulsnog

talasa u PPG signalu za PTTv, i (3) maksimalni nagib PPG signala kod PTTmn [54].

Vrh R talasa

Vrh PPG-a

Dno

PTTd

PTTmn

PTTv

Maksimalni

nagib

Vrh R talasa

Slika 2.6 EKG i PPG signali za isti srčani ciklus sa PTT intervalom

2.3 Smetnje u akviziciji PPG signala

PPG signal veoma lako može biti pogoršan u procesu akvizicije, što dovodi do njegove

pogrešne interpretacije. Iako su PPG signali jednostavniji od EKG signala, velike poteškoće u

njihovoj analizi nastaju zbog smetnji koje se javljaju u toku njihovog mjerenja. Poznati izvori

greške su artefakti pokreta, ambijentalna svjetlost na fotodetektoru puls-oksimetra i loša

cirkulacija u perifernim tkivima. Ovi izvori grešaka su ozbiljna prepreka za pouzdanu upotrebu


36

parametara ekstraktovanih iz PPG signala u realnom vremenu. Zbog toga je bitno osigurati

kvalitet PPG signala, jer to dovodi do pouzdanijih mjerenja vitalnih parametara.

Čak i mali pokreti pacijenta dovode do ometanja kontakta između PPG senzora i tijela, što

stvara artefakte pokreta i greške u procjeni SpO2 i SP-a. Eliminacija artefakata pokreta je veoma

teška, s obzirom da se njihov frekvencijski sadržaj potpuno preklapa sa PPG signalom, koji je u

opsegu 0.05-8 Hz [55]. Ovi artefakti su glavna prepreka u razvoju prenosivih uređaja za analizu

PPG signala u realnom vremenu. Karakteristike artefakata u PPG signalu, koji proizilaze iz

svakodnevnih ljudskih pokreta, moraju biti proučavani analitički, da bi se steklo bolje

razumijevanje o njihovoj spektralnoj distribuciji [56], rasponu i periodičnosti. Artefakti pokreta

iz svakodnevnog života, prema mjestu gdje nastaju, mogu biti razvrstani na artefakte zbog

pokreta zglobova prstiju, i artefakte uzrokovane pokretima zglobova ramena i laktova. Svi

pokreti imaju određeni frekvencijski opseg. Npr., dodirivanje predmeta uključuje male, spore,

neperiodične pokrete u frekvencijskom opsegu 0.8-2.2 Hz. Pokreti pisanja i kucanja teksta imaju

veće frekvencije, 4.0-7.0 Hz. Pokreti ruku su uglavnom veliki i periodični. Gestikulacija sadrži

frekvencijske komponente u opsegu 0.0-4.0 Hz. Frekvencijski sadržaj ovih artefakata se potpuno

preklapa sa spektrom PPG signala.

Vrijeme (s)

0 2 4 6 8 10 12

Am

plitu

da

(v)

0.2

0.4

0.6

Slika 2.7 PPG signal koji je zahvaćen artefaktima pokreta

Stanja niskog protoka krvi, kao što su niska zapremina krvi koju pumpa srce, vazokonstrikcija

i hipotermija, mogu narušiti periferne protoke krvi i otežati PPG senzoru da razlikuje pravi signal

i prisutni šum [57].


37

Kao i svi drugi BM signal, i PPG signal je podložan uticaju ambijentalnih elektromagnetnih

signala koje prikuplja instrumentaciona oprema. Ova smetnja se ogleda u prisustvu sinusoidalne

komponente u PPG signalu.

2.4 Primjena i obrada PPG signala

Mjerenja PPG-a se najviše koriste za dobijanje informacija o zasićenosti arterijske krvi

kiseonikom (SpO2) i broju otkucaja srca. To su široko rasprostranjene primjene PPG-a u mnogim

kliničkim uslovima, uključujući bolnice, ambulante, sportsku medicinu, kućnu upotrebu, itd.

2.4.1 Primjene PPG signala

Nivo SpO2 u krvi se može odrediti slanjem crvene svjetlosti, a zatim infracrvene svjetlosti kroz

vaskularno tkivo, sa brzim prebacivanjem između ove dvije talasne dužine. Amplitude crvenog i

infracrvenog signala su osjetljive na promjene SpO2. Postoji razlika u apsorpciji svjetlosti od

strane HbO2 i HB za ove dvije talasne dužine. SpO2 se procjenjuje iz odnosa amplituda

propuštenih signala i kvazi-jednosmjernih komponenti PPG signala. Postoji pretpostavka da

pulsatilna NK komponenta PPG signala rezultira isključivo iz promjena volumena arterijske krvi

sa svakim otkucajem srca.

NK komponenta PPG talasa je sinhrona sa kucanjem srca i stoga može biti izvor informacija o

broju otkucaja srca. U sistemima za puls-oksimetriju se pored SpO2 često prikazuje i vrijednost

SP-a. SP se može procijeniti detekcijom neke od karakterističnih tačaka PPG signala. Glavni

problem je to što se povjerenje u dobijenu vrijednost SP-a može smanjiti, ako postoji značajno

prisustvo artefakata pokreta ili srčana aritmija.

Arterijski krvni pritisak je veoma važan klinički parametar. Kontinuirano i neinvazivno

mjerenje krvnog pritiska je poželjno za osobe koje imaju potrebu za redovnim praćenjem krvnog

pritiska. Poslednjih godina, procjena krvnog pritiska pomoću fizioloških parametara, indirektno

povezanih sa njim, je opsežno proučavana. Prihvaćeno je da se PTT interval može indirektno

koristiti za procjenu krvnog pritiska [58]. Vrh R talasa u EKG signalu se uzima kao početna tačka

za mjerenje PTT-a. R talas je oštar i toga čini veoma pogodnim za primjenu kao referentne

tačke. U principu, nije lako otkriti karakterističnu tačku PPG signala potrebnu za mjerenje PTT-a,


38

jer se sistolni i dijastolni talasi mijenjaju svakog trenutka, zbog različitih faktora, kao što su

karakteristike zidova krvnih sudova, viskoznost krvi, vibracije tkiva u arterijskom sistemu, itd.

Talasi pritiska, stvoreni u srcu, se propagiraju kroz arterije određenom brzinom poznatom

kao brzina pulsnog talasa (eng. Pulse Wave Velocity-PWV), što zavisi od elastičnih svojstava

arterija i krvi. Moens-Kortewegova jednačina daje PWV kao funkciju karakteristika krvnog suda i

fluida:

√

(2.1)

gdje je PWV brzina talasa, L je dužina krvnog suda, PTT je vrijeme koje je potrebno pulsnom

talasu da pređe tu dužinu, je gustina fluida, R je radijus krvnog suda, E je modul elastičnosti

zida (Youngov modul), a h je debljina krvnog suda.

U [59], modul elastičnosti E je opisan sa , gdje je E0 modul nultog pritiska, α je

konstanta koja zavisi od krvnog suda, a KP je krvni pritisak. Prema tome, za odnos L/PTT se

dobija:

√

(2.2)

Iz formule 2.2 se dobija da postoji logaritamski odnos između krvnog pritiska i PTT-a.

Još jedan model se može izvesti za male promjene PTT-a oko nominalne vrijednosti PTT0. On

se izvodi linearizacijom logaritamskog modela kada se dobija:

(2.3)

gdje je KP krvni pritisak, dok su a i b parametri do čijih vrijednosti se najbolje dolazi kroz proces

kalibracije. PTT je u inverzno linearnom odnosu sa KP-om, zbog čega porast KP-a dovodi do

smanjenja PTT-a i obratno.

U [60] je predstavljen metod za računanje PTT intervala baziran na Hilbert-Huangovoj

transformaciji koja je iskorišćena za obradu EKG i PPG signala. Na bazi PTT intervala je vršeno

računanje krvnog pritiska. Takođe, i rad [61] koristi PTT interval za procjenu krvnog pritiska. PTT


39

interval je računat između R talasa EKG signala i maksimalne tačke drugog izvoda PPG signala.

Rad [61] koristi WT za detekciju vrhova EKG i PPG signala. Primjenjeni metod je iskorišćen za

realizaciju sistema za neinvazivno mjerenje krvnog pritiska.

Kao što se može vidjeti na Slici 2.8, PPG signal može biti koristan alat za otkrivanje i

dijagnostikovanje srčane aritmije [46]. Da bi se maksimalno iskoristio, PPG signal treba koristiti

paralelno sa EKG signalom. Ovo može biti od velike pomoći u ispravnom tumačenju artefakata

zbog pokreta pacijenta ili zbog drugih izvora smetnji. Kao što je prikazano, morfologija PPG

signala je povezana sa talasnim oblikom arterijskog krvnog pritiska. Kao što se očekuje, nakon

svakog preranog otkucaja srca, javlja se kompenzaciona pauza, što daje više vremena za

popunjavanje ventrikula. Promjena amplitude PPG signala, od otkucaja do otkucaja srca, je

često prvi znak da se kod pacijenta razvio nepravilan srčani ritam. Ta tvrdnja se potvrđuje

upoređivanjem talasnih oblika PPG-a i EKG-a sa Slike 2.8. PPG signal sadrži podatke o SP-u i

HRV-u, i u analizi se može koristiti umjesto EKG signala. U HRV analizi se, VV intervali PPG-a

mogu koristiti umjesto RR intervala dobijenih iz EKG signala. Mnoge analize su utvrdile ovu vrlo

blisku i korisnu korelaciju.

PPG

KP

EKG

Vrijeme (s)

0 2 4 6 8 10

Slika 2.8 Uticaj srčane aritmije na PPG, signal krvnog pritiska-KP, i EKG


40

2.4.2 Obrada PPG signala

Obrada PPG signala se vrši primjenom raznih tehnika koje su standardne u digitalnoj obradi

signala. Cilj obrade PPG signala je njegovo poboljšanje i pretvaranje u oblik koji je pogodan za

ekstrakciju željenih karakteristika signala, ili vitalnih parametra kao što su SP i KP.

Razvijani su mnogi algoritmi kako bi se poboljšala pouzdanost računanja SP-a iz PPG signala.

Jednostavno digitalno filtriranje i otkrivanje prolaza kroz nulu zbog ekstrakcije SP-a iz PPG

signala je upotrebljeno u [62]. U [63] je opisan PPG-bazirani uređaj za računanje SP-a i praćenje

respiracije prilikom medicinske njege, koji je testiran poređenjem sa vrijednostima SP-a

ekstraktovanim iz EKG i PPG signala prikupljanih kontinuirano tokom osam sati. Isključujući

propuštene detekcije otkucaja srca zbog podešavanja otklona PPG signala, kojih je bilo 6 %,

ukupno je bilo oko 1 % lažno negativnih detekcija i 1 % lažno pozitivnih detekcija.

Primjenjuju se mnogi sofisticirani algoritmi za izdvajanje SP-a iz PPG signala, uključujući i

vremensko-frekvencijske tehnike zasnovane na Wigner-Ville distribuciji [64]. Vremensko-

frekvencijske tehnike su pokazale značajno poboljšanje u odnosu na tradicionalne metode, kao

što je FFT. U [65] je korišćen filter sa kliznim usrednjavanjem (eng. moving-average filter) i

wavelet filter, da bi se poboljšao PPG signal i izvršila ekstrakcija SP-a. PPG signali su preuzeti od

12 pacijenata, dok su oni pravili sporadične pokrete tijela u toku mjerenja. Nakon filtriranja

nisko-propusnim filterom, PPG signal je zbog ekstrakcije SP-a obrađen tako da bude približan

sinusoidalnom signalu. Za detekciju primarnog vrha PPG talasa, korišćen je metod za detekciju

pozitivnog vrha signala.

U [66] su uvedeni prvi i drugi izvod PPG signala, da bi se omogućilo njegovo lakše tumačenje.

Ovakav metod omogućuje precizno prepoznavanje pregibnih tačaka PPG-a.

Na Slici 2.9 su prikazani PPG signal i njegov prvi izvod. Sistolna i dijastolna tačka PPG signala

se prepoznaju kao tačke u kojim je prvi izvod PPG signala jednak nuli. ∆T1 je vremenski interval

između pojave podnožja PPG signala i njegovog sistolnog vrha. Vremenski interval između

sistolnog i dijastolnog vrha je ∆T2 i to je vrijeme koje je potrebno talasu pritiska da se propagira

od srca do periferije i nazad. Dužina ovog puta je nepoznata, ali se može smatrati da je

proporcionalna visini subjekta, h. U radu [67], indeks krutosti (eng. Stiffness Index-SI) dugih


41

arterija je definisan kao SI=h/∆T2. Interval ∆T2 se može računati kao vrijeme između dva prolaza

kroz nulu sa pozitivnog na negativni dio prvog izvoda PPG signala. Autori rada [68] su pronašli da

su ∆T1, ∆T2 i SI najbolje karakteristike za preciznu klasifikaciju kardiovaskularnih oboljenja

pomoću prvog izvoda PPG-a.

Drugi izvod PPG signala se koristi češće od prvog. Drugi izvod PPG signala se u literaturi često

naziva pletismogram ubrzanja (eng. Acceleration Plethysmogram-APG), jer je on indikator

ubrzanja krvi u prstu. Kao što je prikazano na Slici 2.10, talasni oblik APG-a sadrži četiri sistolna

talasa i jedan dijastolni talas [45]. Talas a označava rani sistolni pozitivni talas, talas b je rani

sistolni negativni talas, c je kasni sistolni ponovni uzlazni talas, d je kasni sistolni ponovni silazni

talas, i e je rani dijastolni pozitivni talas. Talas e odgovara dikrotnom usijeku PPG signala.

∆T1 ∆T2

Sistolni

vrh Dijastolni vrh

(a)

(b)

Slika 2.9 Prikaz PPG signala (a) i njegovog prvog izvoda (b)


42

Sistolni

vrh

Dijastolni

vrh

(a)

(b)

Dikrotni

usijek

Slika 2.10 PPG signal (a) i njegov drugi izvod (b)

Drugi izvod PPG-a se koristi za stabilizaciju bazne linije signala i lakše prepoznavanje

karakteristika signala. Glavne karakteristike APG-a, koje se koriste za analizu, su odnosi visine

talasa i ostalih talasa. To su odnosi b/a, c/a, d/a, e/a. Za ove odnose su mnogi autori utvrdili da

su zavisni od starosne dobi i da daju mnoge informacije poput arterijske krutosti,

arteroskleroze, bolesti srca, itd [45].

U [69] je vršeno računanje srčanih intervala kao razmaka između dva podnožja uzastopnih

pulsnih talasa PPG-a. Signal je prvo filtriran Butterworth-ovim filterom u opsegu 0.2-8 Hz.

Podnožje PPG signala je detektovano pomoću četiri faze, a to su: računanje prvog izvoda

signala; pronalaženje maksimuma prvog izvoda; računanje praga; traženje prvog prolaza kroz

nulu koji se javlja nakon prolaza prvog izvoda kroz vrijednost praga.

U [70] je predstavljen učinkovit metod zasnovan na dva filtera sa kliznim usrednjavanjem

koja su praćena dinamičkim pragovima za otkrivanje a i b talasa u APG signalima. Otkrivanje a i

b talasa zavisi od kvaliteta PPG signala. Razvijena metoda detektuje a i b talase u APG signalima

sa aritmijom, koji su pogođeni nestacionarnim efektima i niskim odnosom signal-šum.

Predloženi algoritam za detekciju a i b talasa se sastoji od tri glavne faze: pred-obrada (filtriranje


43

pomoću propusnika opsega, računanje drugog izvoda i kvadriranje), ekstrakcija podataka

(primjena filtera sa kliznim usrednjavanjem) i klasifikacija (primjena praga). Performans

predloženog metoda je testiran na 27 zapisa signala, ostvarujući osjetljivost od 99.68 % i

pozitivnu prediktivnost od 99.57 %.

2.4.3 Umanjenje smetnji u PPG signalu

Kao i kod obrade ostalih BM signala, i kod PPG signala postoje različite smetnje koje

otežavaju njegovu primjenu i ekstrakciju njegovih značajnih parametara. Zbog toga je potrebno

umanjenje ovih smetnji, što u obradi PPG signala ne predstavlja jednostavan zadatak.

Otkrivanje i umanjenje artefakata pokreta je još uvijek veliki izazov u istraživanju i upotrebi

PPG signala. Istraživani su mnogi pristupi, gdje je oštećeni signal poboljšavan ili rekonstruisan

primjenom tehnika za obradu signala, kao što su adaptivne tehnike filtriranja [71] ili vremensko-

frekvencijska analiza [72]. Međutim, PPG signal koji je ozbiljno zahvaćen šumom ili artefaktima

pokreta pokazuje dramatične promjene morfologije talasa, što kvari kvalitet signala i drastično

umanjuje njegovu prikladnost za dalju analizu.

Pošto su uobičajene metode sa fiksnom graničnom frekvencijom filtera neuspješne u

smanjenju artefakata pokreta, istraživači uglavnom predlažu dvije metode za njihovo smanjenje.

Prva metoda teži da izvrši izdvajanje pulsnog signala iz oštećenog PPG signala, temeljeći se na

pretpostavci da je pulsni signal glavna komponenta izmjerenog signala, a da se njegova

učestanost sporije mijenja za razliku od artefakata pokreta [73, 74]. Ova metoda nije prikladna

za prenosive uređaje jer je dugotrajna i zahtjeva veliku količinu podataka i visoku frekvenciju

odabiranja PPG signala. Druga kategorija metoda koristi referencu koja se dobija iz pokreta i ona

koristi senzore pokreta tijela, akcelerometre. Ova metoda koristi aktivno umanjenje šuma.

Metode poput LMS algoritma [75], rekurzivnog algoritma najmanjih kvadrata (eng. Recursive

Least Squares-RLS) [76], Widrow-Hoffovo pravilo učenja [77], se predlažu kao algoritmi za

primjenu na jednostavnim pokretima, kao što su horizontalni i vertikalni pokreti ruku i savijanje

prstiju.

U [78] je predstavljen algoritam za eliminaciju artefakata pokreta iz PPG signala koristeći

Kalmanov filter sa istovremenom akcelerometrijom. Algoritam je baziran na Kalmanovom filteru


44

za glačanje signala sa fiksnim intervalom (eng. fixed-interval Kalman smoother) i pronađeno je

da on ima bolji performans u odnosu na druge algoritme za adaptivno filtriranje, kao što je

konvencionalni Kalmanov filter ili RLS, ali ovaj algoritam se koristi tek nakon završene akvizicije,

tj. ne može se koristiti u realnom vremenu.

Alternativa je otkrivanje dijelova PPG signala oštećenih šumom i artefakatima pokreta. U [79]

je predstavljen algoritam za detekciju artefakata pokreta u PPG signalu. Algoritam je zasnovan

na analizi karakteristika PPG signala u vremenskom i periodnom domenu i njegova uloga je

razlikovanje čistih i šumom zahvaćenih dijelova signala. Algoritam ima fazu pred-procesiraja u

kojoj se vrši uklanjanje frekvencijskih komponenti koje ne spadaju u spektar PPG signala. U fazi

segmentacije se vrši diferenciranje PPG signala. Detekcija pulsnih talasa se vrši pomoću

algoritma za detekciju pragova, zasnovanog na histogramu, koji je primjenjen na lokalne

maksimume prvog i trećeg izvoda. Ekstrakcija karakteristika je zasnovana na analizi

karakteristika u vremenskom domenu, koja je iskorišćena za pristup morfološkim osobinama

signala, i na analizi periodnih karakteristika PPG signala pomoću diskretne STFT. Faza selekcije

karakteristika služi za odabir najbitnijih i najmanje redudantnih osobina, koje služe za uočavanje

artefakata pokreta. U fazi klasifikacije je korišćena mašina vektorske podrške (eng. Support

Vector Machine), da bi se uočila razlika između čistih dijelova signala i onih koji su zahvaćeni

artefaktima.


45

Poglavlje 3.

3. DWT u obradi biomedicinskih signala

Furijeova analiza daje informacije samo o frekvencijskom sadržaju signala i prikriva prolazne

ili lokacione specifičnosti unutar signala. Ovo ograničenje se djelimično može prevazići

uvođenjem vremenskog prozora fiksne širine, da bi se analiza lokalizovala u vremenu. STFT

pruža određeni stepen vremenske rezolucije, naglašavajući spektralne promjene sa obzirom na

vrijeme. Sada je dostupno više alternativnih vremensko-frekvencijskih metoda za analizu

signala. Jedna od najpopularnijih je WT, koja se koristi za analizu signala u različitim oblastima

nauke, inženjerstva i medicine. WT je posebno vrijedan metod, zbog svoje sposobnosti da

istovremeno razjasni lokalne spektralne i vremenske informacije u signalu, na fleksibilniji način

od STFT, korišćenjem prozora promjenljive širine. Zbog toga, WT vrši vremensko-frekvencijsku

dekompoziciju signala, koja razdvaja pojedinačne dijelove signala, bolje od STFT. Ovaj fleksibilni

vremensko-spektralni aspekt WT omogućuje lokalnu spektralnu analizu pojedinačnih osobina

signala. Na ovaj način i kratkotrajne, visoko-frekvencijske, i dugotrajne, nisko-frekvencijske

informacije, mogu biti posmatrane istovremeno. Na većim frekvencijama, WT daje dobru

vremensku rezoluciju i lošu frekvencijsku rezoluciju, dok za niže frekvencije daje dobru

frekvencijsku rezoluciju, a lošu vremensku rezoluciju.

WT je posebno korisna za analizu prelaznih, aperiodičnih i drugih nestacionarnih osobina

signala, kroz ispitivanje promjena u morfologiji signala na skalama od interesa. Velika prednost

wavelet-baziranih tehnika je niz wavelet funkcija koje su na raspolaganju, čime se omogućuje da

se izabere najprikladnija funkcija za signal koji treba ispitati, za razliku od Furijeove analize koja

je ograničena na sinusoidu. WT je metod koji je izuzetno povoljan za analizu nestacionarnih

signala kao što su BM signali. WT ima mnoge primjene u obradi signala, kao što su umanjenje

šuma, kompresija podataka, ekstrakcija vremenskih i frekvencijskih osobina signala [80].


46

Diskretna WT, DWT, je posebno korisna za kodiranje signala, omogućujući da se informacije

unutar signala lokalizuju unutar niza odgovarajućih koeficijenata, korišćenih za kompresiju.

DWT se sada primjenjuje na raznim BM signalima, uključujući: EKG, PPG, EMG, EEG, kliničke

zvukove, respiratorne uzorke, krvni pritisak i DNK sekvence. Postoji više familija wavelet-a, a

najviše korišćene su Daubechies, Biortogonal, Haar, Morlet, Symlet, Mexican Hat, itd.

3.1 Kontinualna i diskretna WT

Kontinualna wavelet transformacija (eng. Continuous Wavelet Transform-CWT) vrši

dekompoziciju signala, translacijom i dilatacijom bazne wavelet funkcije ( ), koja se naziva

’’majka’’ wavelet (eng. mother wavelet). CWT, koja pomoću specijalne prozorske funkcije

( ) izvedene iz ’’majke’’ waveleta, transformiše signal ( ), je funkcija ( ), definisana

sa:

( ) ∫ ( )

( ) (3.1)

gdje je funkcija ( ) ’’kćerka’’ wavelet (eng. daughter wavelet), data sa :

( )

√ (

) (3.2)

Funkcija ( ) je prozorska funkcija dobijena translacijom i dilatacijom ''majke'' waveleta,

( ) je kompleksna konjugacija bazne wavelet funkcije ( ), je parametar skale (dilatacije)

waveleta, dok je parametar translacije waveleta. Mala vrijednost parametra daje mogućnost

analize visoko-frekvencijskih komponenti signala, jer tada dolazi do manjeg širenja baznog

wavelet-a, dok veći parametar omogućuje bolju analizu nisko-frekvencijskih komponenti.

Osobine skaliranja waveleta su definisane funkcijom skaliranja. Međutim, CWT daje određenu

količinu viška informacija. Na Slici 3.1 su prikazane vremenske reprezentacije nekoliko wavelet

funkcija.


47

(a) (b)

(c) (d)

(e) (f)

Slika 3.1 Vremenska reprezentacija često korišćenih wavelet funkcija: (a) Morlet wavelet; (b)

Mexican hat wavelet; (c) Haar wavelet (podebljano) i funkcija skaliranja; (d) Daubechies 4

wavelet (podebljano) i funkcija skaliranja; (e) Daubechies 12 (podebljano) i funkcija skaliranja i

(f) Daubechies 20 (podebljano) i funkcija skaliranja.

Doprinos energiji signala na određenoj skali i lokaciji se daje dvodimenzionalnom

funkcijom gustine energije, E(a,b), poznatom kao skalogram (analogno spektrogramu kod STFT):

( ) | ( )| (3.3)

Na Slici 3.2 je prikazan grafik koji daje spektralne informacije o elementarnom periodičnom

signalu, analiziranom pomoću CWT. Prikazan je skalogram za sinusoidu frekvencije 10 Hz, koji je

dobijen pomoću Gaussian 4 waveleta. Na skalogramu je očigledno da je maksimum energije

detektovan na 50-toj skali, koja u ovom slučaju odgovara frekvenciji 10 Hz.


48

100 200 300 400 500 600 700 800 900 1000-1

0

1

Skalogram

Vrijeme (ili translacija) b

Ska

la a

100 200 300 400 500 600 700 800 900 1000 1 8

15 22 29 36 43 50 57 64 71 78 85 92 99

106113120127

1

2

3

4

5

6

7

x 10-3

Vrijeme (ms)

Am

plit

ud

a

Slika 3.2 Skalogram wavelet koeficijenata dobijenih analizom sinusoidalnog signala frekvencije

10 Hz pomoću Gaussian 4 waveleta

U praksi se vrši analiza diskretnih signala i koristi se diskretna verzija WT, DWT, koja se za

diskretnu funkciju ( ) definiše sa:

( ) ( ) ∑ ( )

( ) (3.4)

gdje je ( ) diskretni wavelet koji je za diadičku dekompoziciju definisan kao ( )

( ). Najjednostavnije je da DWT u praksi koristi diadičku mrežu kod koje se

parametri skale i translacije zasnivaju na stepenu dvojke, tako da je i .

U praksi, DWT se izračunava tako što se signal sukcesivno propušta kroz nisko-propusne (Ld) i

visoko-propusne (Hd) filtere za dekompoziciju, prema Malatovoj šemi za dekompoziciju signala

[81], Slika 3.3. Za svaki nivo dekompozicije, Ld i Hd filteri su praćeni operatorom pododabiranja

(eng. downsampling), ↓2, koji u stvari predstavlja smanjenje frekvencije odabiranja signala, dva

puta. Ai(n) i Di(n) su koeficijenti aproksimacija i detalja, respektivno, za i-ti nivo dekompozicije.

Broj koeficijenata Bi za i-ti nivo dekompozicije signala X(n) je jednak

Bi=dužina(Ai(n))=dužina(Di(n))=dužina(X(n))/2i. Da bi se izvršila rekonstrukcija signala potrebno


49

je izračunati inverznu DWT (eng. Inverse DWT-IDWT). Rekonstrukcija se sastoji od povećanja

broja odbiraka (eng. upsampling) sa ↑2 i filtriranja filterima za rekonstrukciju, Lr i Hr.

Koeficijenti filtera Ld, Hd, Lr i Hr mogu varirati od onih najjednostavnijih za Haar-ov wavelet,

preko Daubechies, pa do koeficijenata za Quadratic Spline wavelet. Dužine ovih filtera se

razlikuju za različite wavelete, i obično imaju interpretacije sa pomičnim zarezom.

A3(n)

Hd↓2

X(n)

+

+

+ X(n)

D3(n)

D2(n)

D1(n)

Ld↓2

Ld↓2

Hd↓2

Ld↓2 ↑2Lr

↑2Hr

↑2Lr

↑2Hr

↑2Lr

↑2Hr

Hd↓2

A1(n)

A2(n)

Dekompozicija Rekonstrukcija

A2(n)

A1(n)

Slika 3.3 Malatova šema za dekompoziciju i rekonstrukciju signala

3.2 Haar DWT

Haar transformacija (HT) je najjednostavnija WT, sa dva koeficijenta po filteru. HT ima niz

prednosti. Ona je konceptualno jednostavna, brza, memorijski učinkovita, jer se može izračunati

u mjestu bez privremenog niza. Takođe, ona je reverzibilna, bez ivičnih efekata, što može biti

problem sa nekim drugim WT. No, ova transformacija ima nekoliko ograničenja, koja mogu biti

problem u nekim aplikacijama, uglavnom u kompresiji signala i uklanjanju šumova iz relativno

brzih signala kao što su audio ili video signali. Ali, u slučaju BM signala to nije problem.

Koeficijenti aproksimacija A(n) i koeficijenti detalja D(n) se za HT računaju koristeći sledeće

formule:

( )

√ ( )

√ ( ) (3.5)


50

( )

√ ( )

√ ( ) (3.6)

Zbog dijeljenja sa √ , HT nije cjelobrojna transformacija, što predstavlja prepreku u njenoj

primjeni u praksi. Zbog toga, HT je, iako je vrlo jednostavna po svojoj prirodi, komplikovana za

implementaciju na uređajima za nisko-kompleksne kalkulacije kao što su MK-i. Međutim, HT

može biti korišćena u njenoj cjelobrojnoj verziji. Tehnika predložena u obliku S transformacije

(ST) [82] je jednostavna za hardversku implementaciju. Direktna ST (DST) je definisana

jednačinama 3.7 i 3.8, a inverzna ST (IST) je definisana jednačinama 3.9 i 3.10. Postoje različite

definicije S transformacije, ali njihovu razliku predstavljaju samo detalji u implementaciji.

( ) ⌊

( )

( )⌋ (3.7)

( ) ( ) ( ) (3.8)

( ) ( ) ⌊

( ( ) )⌋ (3.9)

( ) ( ) ⌊

( )⌋ (3.10)

Operator ⌊ ⌋ predstavlja zaokruživanje na najbliži cijeli broj. Zaokruživanje u definiciji A(n) ne

dovodi do odbacivanja informacije. Dakle, ST je potpuno invertibilna.

ST je veoma jednostavna i pogodna je za hardversku implementaciju. U binarnoj aritmetici,

zaokruživanje na najbliži cijeli broj i dijeljenje sa 2, se mogu izvršiti pomjeranjem jednog bita u

desno, tako da se DST može izračunati na sledeći način:

( ) ( ( ) ( )) (3.11)

( ) ( ) ( ) (3.12)

Analogno prethodnom, IST postaje:

( ) ( ) (( ( ) ) ) (3.13)

( ) ( ) ( ( ) ) (3.14)


51

DST i IST se mogu izračunati pomoću sabirača-oduzimača i pomjerača, što je, u praksi, ključna

prednost za hardverske implementacije.

3.3 DWT i biomedicinski signali

Waveleti su pogodni za analizu naglih kratkotrajnih promjena u signalima. Pošto je većina BM

signala vremenski-promjenljiva, postoji posebna potreba za praćenjem bitnih prelaznih pojava u

njima, kako bi se sprovela odgovarajuća medicinska analiza. Kritične osobine mnogih BM signala

su sadržane u frekvencijskom domenu. Potrebna je vremenska lokalizacija bitnih promjena

unutar BM signala, kao i shvatanje promjena frekvencijskog sadržaja u toku vremena. Mnoge

promjene se mogu otkriti pomoću metode kao što je STFT. Osnovna funkcija koju koristi STFT je

kompleksna sinusoida, koja je pogodna za stacionarnu analizu uskopojasnih signala. Za BM

signale, sinusoida nije baš prikladna funkcija za analizu. BM signali su često raspoređeni na

velikim područjima frekvencijskog spektra. Upotreba uskopojasne bazne funkcije nedovoljno

tačno predstavlja širokopojasne signale. Poželjno je da bazna funkcija bude slična signalu koji se

istražuje. Za kompaktnu reprezentaciju, poželjno je koristiti bazne funkcije koje imaju širi

frekvencijski raspon, koji ima većina BM signala. Waveleti, koji pružaju širokopojasnu

reprezentaciju signala, su odličan izbor za obradu BM signala.

3.3.1 Ekstrakcija karakteristika EKG i PPG signala pomoću CWT i DWT

Analiza lokalne morfologije EKG signala i njegovih vremenski-promjenljivih svojstava je

proizvela razne kliničke dijagnostičke alate, a mnogi od njih se zasnivaju na WT. Izrada algoritma

za otkrivanje P talasa, QRS kompleksa i T talasa u EKG-u je težak problem s obzirom na

vremenski-promjenljivu morfologiju, razne fiziološke uslove i prisutnost šuma. Od nedavno se

predlažu wavelet-bazirane tehnike za otkrivanje značajnih tačaka u EKG signalima.

Na Slici 3.4 je prikazan EKG signal za normalni sinusni ritam, predstavljen sa 1000 odbiraka, i

skalogram koji je dobijen nakon analize EKG signala pomoću Morlet waveleta. Wavelet

koeficijenti sa najvećom energijom, koji su označeni crvenom bojom, pripadaju P, QRS, i T

talasima EKG signala. Niže skale na skalogramu, tj. veće frekvencije, odgovaraju QRS kompleksu,

za koji je vremenska rezolucija skalograma najbolja. Ovakva reprezentacija EKG signala je

izuzetno pogodna za analizu frekvencijskog sadržaja signala, i rasporeda pojedinačnih


52

frekvencijskih komponenti u vremenu. To je korisno za utvrđivanje zdravstvenog stanja i

otkrivanje raznih pojava, kao što su srčane aritmije.

100 200 300 400 500 600 700 800 900 1000-1

0

1EKG Signal

Skalogram


Ska

la a

100 200 300 400 500 600 700 800 900 1000 1 8

15 22 29 36 43 50 57 64 71 78 85 92 99

106113120127

1

2

3

4

5

6

7

8

x 10-3

Slika 3.4 EKG signal i skalogram CWT wavelet koeficijenata dobijenih analizom EKG signala

pomoću Morlet waveleta

DWT je u stanju da izdvoji QRS komplekse iz EKG signala primjenom Malatove šeme za

dekompoziciju signala. Di(n) koeficijenti, dobijeni dekompozicijom EKG signala, pokazuju da vrh

QRS kompleksa odgovara prolazu kroz nulu (PN) između dva maksimalna modula (negativni

minimum i pozitivni maksimum) sa suprotnim znacima [83]. Slika 3.5 prikazuje diskretni EKG

signal EKG(n) i njegovu Haar DWT do četvrtog nivoa dekompozicije koja daje signale D1(n),

D2(n), D3(n) i D4(n). Npr., nivo D1(n) zauzima duplo manji frekvencijski opseg od EKG(n) i duplo

veći frekvencijski opseg od D2(n), a broj D1(n) odbiraka je duplo manji od broja EKG(n) odbiraka.

Vrijednosti dobijenih maksimalnih modula su različite na pojedinačnim nivoima, a da bi se oni

detektovali može se koristiti tehnika računanja i primjene praga, pri čemu vrijednost praga

varira od nivoa do nivoa.


53

EKG(n)

D1(n)

D2(n)

D3(n)

D4(n)

PN

PN

PN

PN

min

maks

Slika 3.5 EKG signal sa četiri nivoa njegove dekompozicije pomoću Haar DWT

Prilikom ekstrakcije karakteristika EKG signala, potrebno je izabrati najpogodnije nivoe

dekompozicije DWT, što znači da treba uzeti u obzir frekvencijske komponente koje postoje na

pojedinim nivoima. Najveći dio energije EKG signala je koncentrisan unutar QRS kompleksa koji

zauzima opseg između 5 Hz i 40 Hz.

DWT implicitno koristi filtriranje u frekventnom domenu, što je jedna od vrlo korisnih

osobina DWT, značajna za analizu svih BM signala. Kao što se vidi na Slici 3.5, originalni EKG

signal na četvrtom nivou dekompozicije postaje praktično sasvim čist.

U [84] je izvršeno poređenje sposobnosti tri različite WT (Daubechies, Spline i Morlet) u

prepoznavanju otkucaja srca. U [85] je iskorišćen prvi izvod Gausove funkcije kao wavelet za

karakterizaciju talasnih oblika EKG-a. Korišćena je wavelet analiza zasnovana na maksimalnim

modulima, koristeći diadičku WT za otkrivanje i mjerenje različitih dijelova signala, posebno za

QRS kompleks, P i T talase. Pokazano je da algoritam radi dobro u uslovima prisutnosti

pomjeranja bazne linije i visoko-frekventnog šuma. Algoritam je korišćen za računanje trajanja

QRS kompleksa, T i P talasa, i PR, ST i QT intervala.


54

U [83] je predložen metod za detekciju QRS kompleksa koji je zasnovan na pronalaženju

maksimalnih modula većih od praga koji je dobijen u fazi pred-obrade odabranih početnih

otkucaja srca. Kod ove metode, prag se ažurira tokom analize, da bi se ostvario bolji učinak. Ova

metoda ima fazu post-obrade u kojoj se vrši uklanjanje suvišnih R talasa ili vrhova šuma.

Algoritam je ostvario dobar performans, sa osjetljivošću od 99.90 % i pozitivnom prediktivnošću

od 99.94 %, prilikom testiranja na MIT-BiH bazi signala.

Spektralna analiza PPG signala pomoću Morlet waveleta je prikazana na Slici 3.6. Iz

skalograma se mogu dobiti informacije o frekvencijskom sadržaju sastavnih komponenti PPG

signala, kao što su sistolni i dijastolni vrh, a mogu se pratiti i razni procesi u organizmu, npr.

respiracija.

50 100 150 200 250 300 350 400 450 500-1

0

1PPG Signal

Skalogram


Ska

la a

50 100 150 200 250 300 350 400 450 500 1 8

15 22 29 36 43 50 57 64 71 78 85 92 99

106113120127

0.005

0.01

0.015

0.02

Slika 3.6 PPG signal i skalogram CWT wavelet koeficijenata dobijenih njegovom analizom

pomoću Morlet waveleta

Na Slici 3.7 je prikazan PPG signal, PPG(n), zajedno sa četiri nivoa dekompozicije, dobijena

pomoću HT. Sistolni vrh PPG signala odgovara PN-u wavelet koeficijenata. Slično kao kod EKG

signala, ovo se može koristiti za detekciju vrha PPG signala, što može poslužiti za ekstrakciju SP-

a.


55

0 100 200 300 400 500-1

0

1

0 50 100 150 200 250-0.2

0

0.2

20 40 60 80 100 120-0.5

0

0.5

10 20 30 40 50 60-0.5

0

0.5

5 10 15 20 25 30-1

0

1

PN

PN

PN

PN

PPG(n)

D1(n)

D2(n)

D3(n)

D4(n)

Vrh PPG-a

Slika 3.7 PPG signal i četiri nivoa dekompozicije njegove Haar DWT

Vremenski-promjenljivi BM signali, koji se sastoje od mnogo tačaka, se pomoću DWT mogu

kompresovati u nekoliko parametara. Ovi parametri karakterišu ponašanje vremenski-

promjenljivih BM signala. Upotreba manjeg broja parametara za predstavljanje BM signala je

posebno važna za svrhe prepoznavanja i dijagnostike. Studija sprovedena u [86] je koristila DWT

za ekstrakciju karakteristika PPG, EKG i EEG signala. PPG, EKG i EEG signali su transformisani u

vremensko-frekvencijske reprezentacije i izračunate su njihove statističke karakteristike, da bi

se prikazala njihova distribucija. EKG i PPG signali su odabrani sa 250 Hz i njihova spektralna

analiza je izvršena pomoću Daubechies 2 waveleta, vršeći dekompoziciju do četvrtog nivoa. Cilj

istraživanja iz [86], u području automatizovanog otkrivanja promjena kod BM signala, je

izdvajanje reprezentativnih obilježja signala, kako bi se dobili precizni klasifikacioni modeli.

Vremensko-frekvencijska distribucija signala je predstavljena maksimumom, srednjom

vrijednošću, minimumom i standardnom devijacijom wavelet koeficijenta sa svakog nivoa

dekompozicije. Tako dobijene karakteristike mogu biti upotrebljene kao ulazi neuralnih mreža.

Sistem za estimaciju kardiovaskularnih parametara iz EKG i PPG signala, predstavljen u [87],

koristi db6 wavelet. Izvršena je wavelet dekompozicija EKG i PPG signala. Detekcija R talasa EKG


56

signala je vršena na trećem, četvrtom i petom nivou. Odbirci sa ovih nivoa su kvadrirani, kako bi

koeficijenti nastali transformacijom QRS kompleksa bili uočljiviji. Za detekciju vrha PPG signala

su korišćeni koeficijenti detalja, takođe sa trećeg, četvrtog i petog nivoa, pri čemu je vršeno

njihovo kubiranje, što je doprinjelo boljem isticanju i lakšoj detekciji vrhova PPG signala.

3.3.2 Umanjenje šuma pomoću DWT

Kao što je ranije pomenuto, BM signali pored korisnih informacija uglavnom sadrže i

komponente iz raznih izvora šuma, kao što su pomjeranja bazne linije, elektromagnetne

smetnje i artefakti pokreta. Kako bi se poboljšala analiza signala, potrebno je određeno pred-

procesiranje u svrhe smanjenja šuma. Pojasno filtriranje je poznato kao jedan od najčešćih

postupaka za tu namjenu. S druge strane, ova jednostavna operacija filtriranja ponekad može

ozbiljno narušiti karakteristike BM signala, poput oštrih ivica QRS kompleksa u EKG signalu. Zbog

toga se predlažu i druge metode. Wavelet-bazirane metode za umanjenje šumova se mogu

koristiti u obradi BM signala.

Umanjenje šuma u signalu, pomoću DWT, se sastoji od tri uzastopna postupka, Slika 3.8. Prvo

se vrši wavelet analiza, dekompozicijom signala zahvaćenog šumom, X(n)+V(n), do izabranog

nivoa N. Drugo, vrši se određivanje praga i njegova primjena na koeficijentima detalja na

odabranim nivoima dekompozicije. Na kraju se vrši sinteza signala sa IDWT, pomoću

izmijenjenih koeficijenata detalja sa svih nivoa i koeficijenata aproksimacija sa N-tog nivoa, kada

se dobija signal sa umanjenim šumom, X'(n). Međutim, uglavnom je nemoguće ukloniti sav šum,

bez oštećenja korisnog signala.

Dekompozicija

signala pomoću

DWT do

N-tog nivoa

Primjena praga P

na koeficijentima

detalja

Sinteza

signala pomoću

inverzne DWT

X(n)+V(n)

+Korisni

signal

X(n)

V(n) Šum

X'(n)

Signal

bez šuma

Slika 3.8 Koraci u obradi signala prilikom umanjenja šuma na bazi DWT

Primjena praga je veoma uspješan metod za umanjenje šuma u BM signalima. Prag se koristi

za uklanjanje onih koeficijenata detalja koji se nalaze ispod vrijednosti praga. Pošto je WT

lokalizovana i u vremenu i u frekvenciji, ona omogućuje da se promjena transformisanog signala


57

izvrši na odabranim frekvencijskim podopsezima. Da bi filtriranje signala bilo optimalno,

potrebno je podesiti vrijednost praga tako da se eliminišu one komponente koje sadrže šum.

Koeficijenti aproksimacija sadrže nisko-frekvencijske komponente originalnog signala, tako da

primjenu praga treba izvršiti na visoko-frekvencijskim komponentama, tj. koeficijentima detalja.

Prag P se uvodi iz razloga što nije optimalno ukloniti sve visoko frekvencijske komponente koje

signal sadrži, jer bi se na taj način narušile mnoge karakteristike BM signala. Nakon uklanjanja

odabranih visoko-frekvencijskih komponenti iz originalnog signala, signal postaje blaži, jer je

prisustvo šuma u njemu umanjeno. Prag P može imati globalnu vrijednost koja se koristi na

svim nivoima dekompozicije, a može imati i adaptivnu vrijednost koja se može računati za svaki

nivo pojedinačno.

Prema Donohovoj metodi [88], univerzalni prag P se računa kao:

√ (3.15)

gdje je standardna devijacija šuma, a je broj odbiraka obrađenog signala.

S druge tačke gledišta, primjena praga može biti ili meka ili tvrda [89]. Tvrda primjena praga

postavlja vrijednosti svih koeficijenata detalja, koje su manje od vrijednosti praga P, na nulu.

Meko određivanje praga radi istu stvar, osim toga što se vrijednost P oduzima od vrijednosti

koeficijenata koje su veće od P. Za razliku od primjene tvrdog praga, primjena mekog praga ne

uzrokuje prekide u dobijenom signalu.


58

Poglavlje 4.

4. Mikrokontrolersko rješenje za obradu biomedicinskih signala

Za potrebe obrade BM signala, algoritmi za detekciju QRS kompleksa i uklanjanje šuma su

implementirani na MSP430F169 mikrokontroleru iz Texas Instruments-ove MSP430 familije

mikrokontrolera [40], Slika 4.1. To je familija nisko-potrošnih mikrokontrolera, optimizovana za

korišćenje u prenosnim uređajima koji se napajaju preko baterija, kao što su medicinski uređaji.

MSP430F169 ima 16-bitni RISC procesor, 16-bitne registre, dva 16-bitna tajmera (Tajmer_A i

Tajmer_B), ADC12-brzi 12-bitni A/D konvertor sa osam spoljašnjih ulaznih kanala, dvojni 12-bitni

D/A konvertor, USART, I2C, DMA, 48 U/I pinova, itd.

Implementirani sistem vrši obradu BM signala pomoću DWT i IDWT. Za MK implementaciju

DWT i IDWT, odabran je Haar-ov wavelet kod kojeg filteri imaju dva koeficijenta, što ga s

obzirom na mali broj računanja, čini veoma pogodnim za primjenu u realnom vremenu.

Implementacije DWT i IDWT, u formi DST i IST su testirane na EKG i PPG signalu. Da bi se izvršila

detekcija QRS kompleksa, vrši se dekompozicija EKG signala do četvrtog nivoa. Kao nivo

dekompozicije na kojem se vrši detekcija, odabran je četvrti nivo, a za detekciju se koriste

koeficijenti detalja.

Slika 4.1 Texas Instruments-ov mikrokontroler MSP430F169


59

4.1 Mikrokontrolerski sistem za obradu EKG signala

Arhitektura sistema za detekciju QRS kompleksa i računanje RR intervala, realizovanog na

MSP430 MK-u, je prikazana na Slici 4.2. Da bi se izvršila akvizicija signala, analogni EKG signal se

dovodi do kanala A1 unutrašnjeg A/D konvertora (ADK). Nakon digitalizacije i obrade u realnom

vremenu, izlazni signali se generišu u različitim oblicima: analogni oblik koeficijenata detalja

D4(n) i D3(n) na pinovima P6.6 i P6.7; impulsni oblik RR intervala na P1.0 pinu i ASCII oblik RR

intervala kroz USART-ov TX pin. RR intervali su razmaci između uzastopnih QRS kompleksa, i dati

su u milisekundama.

A1

P6.6

P6.7

P1.0

TX

RS232

MSP430F169

RR

RR

Analogno

koloADK

Bafer(dužina=2

N)

DWTDAK

USARTRačunanje

RR intervala

QRS

detekcija

DAK

A4(n)

D1(n)

D3(n)

D4(n)

D2(n)

EKG

Slika 4.2 Arhitektura mikrokontrolerskog sistema za obradu EKG signala

Iniciranje A/D konverzija se vrši u prekidnoj servisnoj rutini Tajmera_A, koji broji periode

takta ACLK, frekvencije 32768 Hz. Korišćena je frekvencija odabiranja od 800 Hz, koja

omogućuje odličnu digitalizaciju EKG signala. Pri izboru frekvencije odabiranja posebna pažnja

mora biti data QRS kompleksu, čije je normalno trajanje oko 100 ms. Nakon izvršene A/D

konverzije, dobijeni odbirak se u prekidnoj servisnoj rutini A/D konvertera, ADC12, smješta u

bafer dužine 2N=16, gdje N=4 predstavlja broj nivoa dekompozicije. Između prekida, MSP430

MK je u nisko-potrošnom načinu rada. Kada je bafer napunjen, centralna procesorska jedinica

(eng. Central Processing Unit) vrši DST na odbircima smještenim u baferu, a nakon toga, bafer se

puni sa novih 2N odbiraka. Prvi nivo dekompozicije se računa tako što se na odbircima iz bafera

primjene jednačine 3.11 i 3.12. Iste jednačine se koriste i za ostale nivoe. Na prvom nivou


60

dekompozicije se dobija 8 koeficijenata aproksimacija koji predstavljaju nisko frekvencijske

komponente i isto toliko koeficijenata detalja koji su visoko frekvencijske komponente.

Dekompozicija signala dovodi do polovljenja vremenske rezolucije, zato što je originalni signal

nakon dekompozicije predstavljen duplo manjim brojem odbiraka. Frekvencijska rezolucija

postaje duplo veća, s obzirom da frekvencijski opseg novog signala zauzima samo pola

frekvencijskog opsega prethodnog signala. U ovom istraživanju, dekompozicija je vršena do

četvrtog nivoa, tj. do D4(n) koeficijenata detalja.

Koeficijenti D4(n) se ispituju zbog utvrđivanja prisustva PN-a, negativnih lokalnih minimuma i

pozitivnih lokalnih maksimuma koji se izoluju pomoću tehnike adaptivnog praga. Naime, ispituje

se pet uzastopnih vektora od 50 D4(n) koeficijenata. Za svaki od njih se određuje maksimum

Mjmax=max(D4 (1...50)), i minimum Mjmin=min(D4(1..50)), j=1..5. Onda se negativni, Pn, i

pozitivni, Pp, pragovi za detekciju računaju kao:

(

∑

) (4.1)

(

∑

) (4.2)

Proces se ponavlja sa vrijednostima dobijenim iz četiri stara vektora i jednog novog vektora,

takođe sastavljenog od 50 uzastopnih D4(n) koeficijenata.

Detaljni algoritam za QRS detekciju, na osnovu D4(n) koeficijenata, je dat na Slici 4.3. Nakon

računanja novog D4(n) koeficijenta, obavlja se provjera kako bi se utvrdilo da li je taj koeficijent

50-i po redu. Ako jeste, određuju se Pn i Pp pragovi. Zatim, počinje potraga za negativnim

lokalnim minimumom i u slučaju njegovog pronalaska počinje potraga za PN-om. Negativni

lokalni minimum se detektuje tako što se pronađe koeficijent D4(n) za koji važi D4(n)>D4(n-1), pri

čemu je D4(n-1)<Pn. U ovom slučaju, koeficijent D4(n-1) predstavlja lokalni minimum. Samo ako

je lokalni minimum detektovan, kreće se u potragu za PN-om, koji se i očekuje nakon pojave

lokalnog minimuma. PN se detektuje pronalaženjem koeficijenata za koje važi uslov D4(n-1)<0 i

D4(n)>0. Nakon što su pronađeni lokalni minimum i PN, algoritam se nastavlja traženjem

pozitivnog lokalnog maksimuma. Lokalni maksimum je koeficijent detalja koji ima vrijednost


61

veću od praga Pp, uz to što nakon njegove pojave dolazi do opadanja vrijednosti koeficijenata

detalja. Lokalni maksimum se detektuje pronalaskom koeficijenta detalja D4(n) koji zadovoljava

uslov D4(n)<D4(n-1), pri čemu koeficijent D4(n-1) predstavlja pozitivni lokalni maksimum, ako

zadovoljava uslov D4(n-1)>Pp. Ako se lokalni min., PN i lokalni maks. otkriju sukcesivno, onda je

QRS kompleks otkriven i algoritam počinje da traži novi QRS kompleks. Kada je izvršena

detekcija QRS kompleksa, MK, na P1.0 pinu opšte namjene, generiše digitalni impuls koji

predstavlja indikator detekcije.

Pojava PN-a u DWT koeficijentima za EKG signal odgovara vrhu R talasa. RR interval se računa

kao vremenska razlika između dva trenutka u kojim se javljaju PN-ovi koji potiču od dva

susjedna QRS kompleksa. U trenutku detekcije PN-a, MK sistem vrši očitavanje vrijednosti

brojača iz Tajmera_B koji broji periode takta ACLK. RR interval se računa kao proizvod trajanja

periode takta ACLK i broja proteklih perioda takta ACLK između pojave dva uzastopna PN-a, tj.

RRI=(1/ACLK)x(a-b), gdje je a vrijednost brojača u trenutku detekcije poslednjeg PN-a, dok je b

vrijednost brojača u trenutku pretposlednje detekcije PN-a. MK, putem RS-232 interfejsa,

serijski šalje izračunate RR intervale, a npr. personalni računar primljene podatke može upisivati

u tekstualni fajl, što se može iskoristi za dokumentovanje i pouzdanije dijagnostikovanje

eventualnih srčanih oboljenja.

U Poglavlju 6. su dati rezultati koji su dobijeni prilikom testiranja predstavljenog MK sistema

za obradu EKG signala.


62

Start

k=0

Novi D4(n)

k++

k=50

Postavljanje pragova

k=0

Potraga za lokal.

min. modulom

Lokalni minimum je

detektovan

Potraga za prolazom

kroz nuluProlaz kroz nulu je

detektovan

Potraga za lokal.

maks.

modulom

Lokalni maksimum je

detektovan

QRS kompleks je detektovan

Potraga za novim QRS kompleksom

Da

Da

Da

Da

Da

Ne

Ne

Ne

Ne

Ne

Slika 4.3 Algoritam za detekciju QRS kompleksa u EKG signalu koji je implementiran na MSP430

mikrokontroleru

4.2 Mikrokontrolerski sistem za umanjenje šumova

Kao što je pomenuto u poglavlju 3.3.2, wavelet dekompozicija, primjena praga i

rekonstrukcija predstavljaju dobar filter šuma koji se može koristiti u obradi BM signala.

Waveleti su se u praksi dokazali kao vrlo učinkovit alat za filtriranje signala. Za umanjenje šuma

u signalu je primjenjena tehnika prikazana na Slici 3.8. Postupak umanjenja šuma počinje


63

dekompozicijom signala pomoću wavelet transformacije do četvrtog nivoa, koristeći DST. Za

svaki nivo dekompozicije se vrši računanje i primjena praga Pi (i=1..4). Vrijednosti koeficijenata

detalja čije se vrijednosti nalaze ispod izračunatog praga Pi se postavljaju na nulu. Nakon

primjene praga i otklanjanja komponenti koje sadrže šum, pomoću IST se vrši rekonstrukcija BM

signala.

Slika 4.4 predstavlja wavelet baziranu arhitekturu za umanjenje šumova implementiranu na

MK-u. Ulazni BM signal se dovodi do A1 ulaza ADK-a, digitalizuje se sa 762 odbirka u sekundi,

transformiše se pomoću DST, podvrgava se adaptivnom pragu, i konačno rekonstruiše pomoću

IST. Nakon rekonstrukcije, signal se vraća u analogni oblik pomoću digitalno-analognog

konvertora (DAK), na izlazu pina P6.7. Cjelokupni proces filtriranja se obavlja u realnom

vremenu.

Slika 4.4 Arhitektura mikrokontrolerskog sistema za umanjenje šumova

Kod sistema za umanjenje šumova, prag se primjenjuje na svakom nivou dekompozicije.

Koeficijenti detalja, D1(n), D2(n), D3(n) i D4(n), čija apsolutna vrijednosti nije veća od praga Pi, se

postavljaju na nulu. Za svaki nivo dekompozicije postoji zaseban adaptivni prag. Za i-ti (i=1..4)

nivo, deset uzastopnih vektora vi,j sastavljenih od Wi (i=1..4) koeficijenata, vi,j[1..Wi] (i=1..4,

j=1..10) se uzimaju u obzir. Za svaki od njih, maksimalna vrijednost Ai,jmax=max(vi,j [1..Wi]) se

pronalazi i čuva u memoriji. Širina prozora Wi je različita za sve nivoe dekompozicije i iznosi 390,

195, 97 i 48 koeficijenata za prvi, drugi, treći i četvrti nivo dekompozicije, respektivno. Adaptivni

prag za i-ti nivo, Pi, se izračunava kao prosjek deset maksimalnih vrijednosti sa i-tog nivoa, što je

definisano sa:

A4(n)

D1(n)

D3(n)

D4(n)

A1

P6.7

MSP430F169D'1(n)

D'3(n)

D'4(n)

Analogno

koloADK

Bafer(dužina=2N)

DST IST DAKPrimjena

praga

D2(n) D'2(n)


64

(∑

) (4.3)

Prag Pi se primjenjuje na koeficijente detalja D1(n), D2(n), D3(n) i D4(n) tako da važi:

[ ] { [ ] | [ ]| | [ ]|

(4.4)

U cilju održavanja adaptivnosti sistema za umanjenje šuma, proračun praga Pi se nastavlja sa

devet starih Ai,jmax maksimalnih vrijednosti i jednom novom, koja se pronalazi unutar novog

vektora sastavljenog od Wi koeficijenata.

Rezultati testiranja dizajniranog MK sistema za umanjenje šumova u realnom vremenu su

dati u Poglavlju 6.


65

Poglavlje 5.

5. FPGA rješenje za obradu biomedicinskih signala

FPGA tehnologija je iskorišćena za implementaciju algoritama za obradu BM signala. U ovom

poglavlju je dat opis dizajniranih FPGA sistema, a rezultati koji su dobijeni u toku njihovog

testiranja u realnom vremenu su dati u Poglavlju 6.

5.1 Arhitektura FPGA sistema za obradu biomedicinskih signala

Paralelizam FPGA tehnologije i višekanalni analogno-digitalni konvertor, kod koga je

iskorišćeno deset analognih ulaza, su iskorišćeni za realizaciju sistema za paralelnu obradu deset

BM signala, Slika 5.1. Realizovani sistem je namijenjen istovremenom mjerenju zdravstvenih

parametara za pet pacijenata. Za svakog od pacijenata su namijenjena po dva analogna ulaza

A/D konvertora, pri čemu je jedan ulaz za EKG signal, EKGp(t), p=1..5, a drugi za PPG signal,

PPGp(t), p=1..5. Za digitalizaciju signala je korišćen TLC2543 A/D konvertor [40], podešen za

frekvenciju odabiranja od 800 Hz. Dizajnirani FPGA sistem obrađuje digitalizovane EKGp(t) i

PPGp(t) signale i mjeri vitalne zdravstvene parametre u realnom vremenu. Sistem vrši detekciju

QRS kompleksa u EKG signalu, detekciju nagiba i vrha PPG signala, mjerenje srčanog pulsa iz EKG

i PPG signala, RR intervala (RRI) i PTT intervala (PTTI). Za realizaciju sistema je iskorišćen Alterin

Cyclone II FPGA čip [90].

Za prikazivanje i serijski prenos vrijednosti vitalnih parametara su upotrebljeni

sedmosegmentni ekrani i RS232 serijski port. Vrijednosti srčanog pulsa se prikazuju na

sedmosegmentnim ekranima pomoću tri cifre, dok se RRI i PTTI šalju preko RS232 porta. RRI i

PTTI se prosljeđuju na serijski port preko međusklopa za serijsku komunikaciju koji je ugrađen

između RS232 porta i FPGA čipa. Dizajnirani sistem kontinualno, za svih pet pacijenata, vrši

akviziciju BM signala, njihovu obradu i mjerenje vitalnih parametara. Međutim, u jednom

trenutku sistem prikazuje i šalje vrijednosti vitalnih parametara za samo jednog pacijenta.


66

Taster T1, koji je povezan sa pinom FPGA čipa, služi za izbor pacijenta čije vitalne parametre

treba prikazivati i prenositi. Pritiskom tastera T1 se vrši odabir pacijenta, a redni broj pacijenta

se ispisuje na sedmosegmentnom ekranu. Prekidač P1 služi za odabir intervala koji se šalju

preko RS232 porta, a to su ili RR ili PTT intervali. Prekidač P2 služi za izbor vrijednosti srčanog

pulsa koje se prikazuju na sedmosegmentnim ekranima, između vrijednosti SP-a dobijenih iz

EKG-a i iz PPG-a. Tri pina FPGA čipa su namijenjena za indikaciju detekcije QRS kompleksa,

najvećeg nagiba i vrha PPG signala, pomoću digitalnih impulsa nazvanih Indikator QRS

kompleksa, Indikator nagiba PPG-a i Indikator vrha PPG-a. Impulsni signal koji dolazi sa QRS

detektora i signalizira detekciju QRS kompleksa je povezan sa svjetlećom diodom (eng. Light-

Emitting Diode-LED), i iskorišćen je za njeno napajanje, zbog čega je frekvencija paljenja ove

diode jednaka frekvenciji rada srca. U sistem je ugrađen i taster T2 koji ima funkciju resetovanja

digitalnog sistema.

Altera Cyclone II

FPGA čip

TLC2543

ADK

T 1

T 2

MAX232RS232

port

LED

Reset

Biranje

pacijenta

7-segmentni ekrani za

prikazivanje vrijednosti SP-a

Serijski

prenos RRI ili

PTTI

Indikacija

otkucaja srca

Biranje između

RR i PTT intervala

EKG1(t)

PPG1(t)

EKG2(t)

PPG2(t)

EKG3(t)

PPG3(t)

EKG4(t)

PPG4(t)

EKG5(t)

PPG5(t)

P 2Biranje između SP-a

iz EKG-a i SP-a iz PPG-a

7-seg.

ekran

Prikazivanje rednog

broja pacijenta

RRI ili PTTI

SP

Indikator vrha PPG-a

Indikator nagiba PPG-a

Indikator QRS kompleksa

0 8 61

P 1

Takt

Slika 5.1 Sistem za paralelno praćenje vitalnih parametara pet pacijenata

Algoritmi za obradu BM signala i računanje vitalnih parametara pacijenata su realizovani u

FPGA tehnologiji. Blok dijagram dizajniranog FPGA sistema je prikazan na Slici 5.2. FPGA sistem

koristi takt od 50 MHz. Sistem sadrži pet identičnih kola za obradu BM signala, Ekstraktor

parametara 1., Ekstraktor parametara 2., Ekstraktor parametara 3., Ekstraktor parametara 4. i

Ekstraktor parametara 5., koja od realizovanog kontrolera A/D konverzije dobijaju odbirke

digitalizovanih EKGp(t) i PPGp(t) signala, EKGp(n)[11..0] i PPGp(n)[11..0], p=1..5. Dizajnirani

ekstraktori parametara u realnom vremenu obrađuju odbirke EKGp(n)[11..0] i PPGp(n)[11..0].

Ekstraktori parametara na svojim izlazima generišu impulsne signale za indikaciju detekcija


67

karakterističnih tačaka signala, a to su Indikator QRS kompleksa, Indikator vrha PPG-a i Indikator

nagiba PPG-a, a na svojim izlaznim portovima daju i vrijednosti SP iz EKG-a i SP iz PPG-a, RRI i

PTTI. Ovi signali se generišu za svakog od pet pacijenata, formirajući grupe signala Pac. 1., Pac.

2., Pac. 3., Pac. 4. i Pac. 5. Ekstrakcija karakteristika BM signala je izvršena pomoću DWT i

diferenciranja. Za detekciju QRS kompleksa EKG-a i vrha PPG-a su iskorišćeni koeficijenti detalja

dobijeni pomoću DST, a pri detekciji maksimalnog nagiba PPG signala je korišćeno diferenciranje

DST koeficijenata aproksimacija PPG signala.

Pomoću kola za multipleksiranje je izvršeno multipleksiranje pet grupa signala sa izlaza

ekstraktora parametara. Zbog uštede hardverskih komponenti je omogućeno da se u jednom

trenutku prikazuju vitalni parametri za samo jednog pacijenta. Na ulaz kola za biranje pacijenta

dolazi signal sa tastera T1, a signal sa njegovog izlaza se vodi do kola za multipleksiranje. Za

prikazivanje izmjerenih vrijednosti SP-a su realizovani kontroleri sedmosegmentnih ekrana, a za

slanje vrijednosti RRI i PTTI je iskorišćeno modifikovano Alterino RS232-UART jezgro.

Ekstraktor

parametara 1.

Ekstraktor

parametara 2.

Ekstraktor

parametara 3.

Ekstraktor

parametara 4.

Ekstraktor

parametara 5.

Kontroler

A/D

konverzije

Kolo za

multipleksi-

ranje

FPGA

Cyclone II

EKG1(n)[11..0]

PPG1(n)[11..0]

EKG2(n)[11..0]

PPG2(n)[11..0]

EKG3(n)[11..0]

PPG3(n)[11..0]

EKG4(n)[11..0]

PPG4(n)[11..0]

PPG5(n)[11..0]

EKG5(n)[11..0]

RRI

PTTI

SP iz

EKG-a

SP iz

PPG-a

Digitalni izlaz

A/D konvertora




Pin povezan

sa LED

Kontrolni signali

za A/D konvertor

Kolo za

biranje

pacijenta

7-seg.

kontroler

8 pinova za 7-seg. ekran za

prikaz rednog broja pacijenta

Pin

povezan

sa T1

Muks

7-seg.

kontroler

24 pina povezana sa 3 7-seg.

ekrana za prikaz SP-a

Pin

povezan

sa P2

Muks

kolo

TX pin za

RS232

prenos

PTTI i RRI

Pin

povezan

sa P1

3 pina opšte

namjene

Konvertor

u ASCII UART

Reset

Takt

50 MHz

Odabir izvora za SP

Odabir intervala (PTTI ili RRI)

Odabir pacijenta (1., 2., 3., 4. ili 5.)

Novi RRI

Novi PTTI

Pac. 1.

Pac. 2.

Pac. 3.

Pac. 4.

Pac. 5.

Slika 5.2 Arhitektura FPGA sistema za obradu biomedicinskih signala


68

5.2 Realizacija kontrolera analogno-digitalne konverzije

Deset analognih kanala A/D konvertora je iskorišćeno za akviziciju pet EKGp(t) signala i pet

PPGp(t) signala, što je zahvaljujući paralelizmu FPGA tehnologije omogućilo istovremeno

praćenje vitalnih parametara za pet različitih pacijenata.

Za vršenje A/D konverzije analognih BM signala je korišćen 12-bitni, 11-kanalni TLC2543CN

A/D konvertor koji radi na principu sukcesivne aproksimacije. TLC2543CN posjeduje tri

kontrolna ulaza (ulaz za iniciranje početka konverzije, ulazno-izlazni takt, adresni ulaz) i jedan

serijski digitalni izlaz. Odabiranje signala sa svakog od 10 kanala se vrši frekvencijom od 800

odbiraka/s.

FPGA čip je upotrebljen za kontrolu procesa A/D konverzije i njegovi pinovi su povezani sa

kontrolnim ulazima i serijskim digitalnim izlazom A/D konvertora, Slika 5.1. Realizovan je FPGA

kontroler A/D konverzije (Slika 5.3) koji ima ulogu generisanja kontrolnih signala za A/D

konvertor i čitanja podataka sa serijskog izlaza A/D konvertora. Ulazni signali ovog kontrolera su

takt, reset i serijski ulaz. Izlazni signali su start konverzije, ulazno-izlazni takt, adresni signal, pet

12-bitnih odbiraka EKGp(t) signala, EKGp(n)[11..0], pet 12-bitnih odbiraka PPGp(t) signala,

PPGp(n)[11..0], pet 1-bitnih Novi_ekg_odbp signala i pet 1-bitnih Novi_ppg_odbp signala koji

signaliziraju da su izvršene nove A/D konverzije.

Takt

Reset

Serijski ulaz

Start konverzije

Ulazno-izlazni takt

Adresni signal

EKG1(n)[11..0]

PPG1(n)[11..0]

EKG2(n)[11..0]

PPG2(n)[11..0]

EKG3(n)[11..0]

PPG3(n)[11..0]

EKG4(n)[11..0]

PPG4(n)[11..0]

EKG5(n)[11..0]

PPG5(n)[11..0]

Novi_ekg_odb1

Novi_ekg_odb2

Novi_ekg_odb3

Novi_ekg_odb4

Novi_ekg_odb5

Novi_ppg_odb1

Novi_ppg_odb2

Novi_ppg_odb3

Novi_ppg_odb4

Novi_ppg_odb5

Kontroler A/D

konverzije

Slika 5.3 Blok dijagram sistema za kontrolu procesa analogno-digitalne konverzije


69

U jednom ulazno-izlaznom ciklusu A/D konvertora se vrši konverzija jednog analognog

kanala. Na Slici 5.4 su prikazani oblici i trajanje signala koje FPGA čip generiše na svojim

pinovima. Opadajuća ivica signala start konverzije inicira A/D konverziju jednog analognog

kanala. A/D konverzija svakog od deset analognih kanala se vrši 800 puta u sekundi, zbog čega je

frekvencija signala start konverzije postavljena na 8000 Hz. Odabiranje signala sa susjednih

kanala se vrši u vremenskom razmaku od 0.125 ms, dok se A/D konverzija signala sa jednog

kanala vrši svakih 1.25 ms. U toku jednog ulazno-izlaznog ciklusa se vrše dvije simultane radnje.

Prvo, FPGA čip na adresni ulaz A/D konvertora, preko adresnog signala, šalje podatke o adresi

analognog kanala na kojem treba sprovesti A/D konverziju, kao i kontrolne podatke koji se

odnose na format i dužinu rezultata konverzije. Druga radnja je slanje rezultata prethodne A/D

konverzije od strane A/D konvertora ka FPGA čipa, preko serijskog ulaza FPGA kontrolera. Prvih

osam rastućih ivica ulazno-izlaznog takta, A/D konvertor koristi za čitanje osam kontrolnih bita

koje mu FPGA čip šalje na njegov adresni ulaz, preko adresnog signala. Na opadajućoj ivici

starta konverzije, A/D konvertor preko serijskog digitalnog izlaza šalje prvi bit rezultata

prethodno izvršene A/D konverzije, a svaki naredni bit se šalje na opadajućoj ivici ulazno-

izlaznog takta. Prva rastuća ivica ulazno-izlaznog takta se generiše 1500 ns nakon opadajuće

ivice starta konverzije, jer je za minimiziranje grešaka usled šuma na ulazu A/D konvertora

potrebno da prije odgovora na kontrolne signale prođe minimalno vrijeme koje iznosi 1450 ns.

Perioda ulazno-izlaznog takta je 1000 ns. Kada je start konverzije u visokom naponskom stanju,

A/D konvertor isključuje svoj ulazno-izlazni takt i adresni ulaz, i zbog toga su u ovom periodu

ulazno-izlazni takt i adresni signal FPGA kontrolera na niskom naponskom nivou. Tada je

digitalni izlaz A/D konvertora u stanju visoke impedanse. Kontroler A/D konverzije vrši

paralelizaciju svog serijskog ulaza koji je povezan sa serijskim digitalnim izlazom A/D konvertora,

a nakon završetka paralelizacije, odbirci analognih BM signala postaju dostupni na

EKGp(n)[11..0] i PPGp(n)[11..0] izlazima. Istovremeno, odgovarajući izlazni signali, Novi_ekg_odbp

i Novi_ppg_odbp, se postavljaju na visoko naponsko stanje koje traje jedan ciklus sistemskog

takta FPGA čip-a. Uloga ovih signala je indikacija da su dostupni novi odbirci EKGp(t) i PPGp(t)

signala. FPGA kontroler vrši čitanje svog serijskog ulaza na rastućoj ivici ulazno-izlaznog takta

koji sam generiše. Nakon 12 rastućih ivica ulazno-izlaznog takta, FPGA kontroler završava sa


70

čitanjem odbirka koji je rezultat A/D konverzije koja je inicirana u prethodnom ulazno-izlaznom

ciklusu A/D konvertora.

13500 ns 111500 ns

1000 ns 500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns

500 ns 500 ns500 ns

500 ns 500 ns

stanje čekanja stanje čekanja2 3 4 5 6 7 8 9 10

bit 0 bit 1 bit 2 bit 3 bit 4 bit 5 bit 6 bit 7 bit 8 bit 9 bit 10 bit 11

bit 7 bit 6 bit 5 bit 4 bit 3 bit 2 bit 1 bit 0

500 ns

Ulazno-izlazni

takt

Start

konverzije

Adresni signal

Stanja mašine

stanja

Serijski ulaz

11 12 13 14 15 16 17 18 17 18 17 18 17 181

Slika 5.4 Trajanje signala na ulazu i izlazima FPGA kontrolera analogno-digitalne konverzije u

jednom ulazno-izlaznom ciklusu A/D konvertora

Za generisanje ulazno-izlaznog takta i adresnog signala za A/D konvertor, FPGA kontroler

koristi mašinu stanja koja ima 19 stanja od kojih svako traje 500 ns, izuzimajući početno.

Dijagram ove mašine stanja je dat na Slici 5.5, a trajanje pojedinačnih stanja je prikazano na Slici

5.4. Početno stanje čekanja traje 1000 ns i u toku njega su izlazni kontrolni signali FPGA A/D

kontrolera na niskom naponskom nivou. Stanje čekanja i stanje broj 1. prethode prvoj uzlaznoj

ivici ulazno-izlaznog takta. U svim stanjima nakon početnog stanja čekanja dolazi do

naizmjeničnog uspostavljanja niskog i visokog naponskog stanja ulazno-izlaznog takta. Nakon

stanja čekanja FPGA kontroler počinje sa slanjem podataka na adresni ulaz A/D konvertora. Za

to se koristi ukupno 16 stanja, pri čemu se jedan bit adresnog signala prenosi u toku dva

susjedna stanja (npr. stanja 1. i 2., 3. i 4., itd.).

Stanje

čekanja1 2 3 4 5 6 7 8 9

18 17 16 15 14 13 12 11 10

Uključenje

ili reset

Kraj ulazno-

izlaznog ciklusa

Slika 5.5 Mašina stanja korišćena za realizaciju kontrolera analogno-digitalne konverzije


71

5.3 Arhitektura ekstraktora parametara EKG i PPG signala

Arhitektura ekstraktora parametara je prikazana na Slici 5.6. Ovu arhitekturu čine sistem za

obradu EKG signala, sistem za obradu PPG signala i PTT kalkulator. Uloga ekstraktora

parametara je obrada BM signala i generisanje signala koji daju informacije o vitalnim

parametrima. Sistem za obradu EKG signala detektuje QRS kompleks, računa SP i RR interval, a

sistem za obradu PPG signala detektuje nagib i vrh PPG signala, i računa SP. PTT kalkulator

računa PTT intervale.

Sistem za obradu EKG signala generiše signale: Indikator QRS kompleksa, SP iz EKG-a, Novi SP

iz EKG-a koji je impuls koji signalizira da je izračunata nova vrijednost SP-a, RRI i Novi RRI-

impulsni signal koji signalizira da je izračunat novi RRI. Sistem za obradu PPG signala na svojim

izlazima daje: Indikator nagiba PPG-a, Indikator vrha PPG-a, SP iz PPG-a, i impuls Novi SP iz PPG-

a, koji daje informaciju da je dostupna nova vrijednost SP-a.

Ulazni signali PTT kalkulatora su Indikator QRS kompleksa i Indikator nagiba PPG-a. PTT

kalkulator vrši računanje PTTI i generiše signal Novi PTTI, impuls koji signalizira da je dostupan

novi PTT interval.

EKGp(n)[11..0]

PPGp(n)[11..0]

Novi_ekg_odbp

Novi_ppg_odbp

Sistem za

obradu

EKG signala

Sistem za

obradu

PPG signala


SP iz EKG-a

Novi SP iz EKG-a

RRI

Novi RRI



SP iz PPG-a

Novi SP iz PPG-a

PTTI

Novi PTTIPTT

kalkulatorEkstraktor

parametara

Slika 5.6 Blok dijagram ekstraktora parametara EKG i PPG signala

5.3.1 Arhitektura sistema za obradu EKG signala

Sistem za obradu EKG signala se zasniva na detekciji QRS kompleksa. Prvo se računa DWT za

EKG signal, a algoritam za QRS detekciju vrši pretragu Di(n), i=1..3, koeficijenata DWT u cilju

pronalaženja lokalnih minimuma, lokalnih maksimuma i PN-ova koji nastaju transformacijom


72

QRS kompleksa. Detekcija karakterističnih tačaka DWT se istovremeno sprovodi na tri nivoa

dekompozicije EKG signala, i njihova detekcija u redosledu: lokalni minimum, PN, lokalni

maksimum, znači da je detektovan QRS kompleks. Algoritam koristi adaptivne pragove za

detekciju, Ppi i Pni, i radi prema logici sa Slike 5.7.

0 500 1000 1500 2000 2500 3000 3500 4000 45000

500

1000

EK

G(n

)

odbirci(n)

0 500 1000 1500 2000

-100

0

100

KD

1(n

)

odbirci(n)

0 200 400 600 800 1000

-200

0

200

KD

2(n

)

odbirci(n)

0 100 200 300 400 500-500

0

500

KD

3(n

)

odbirci(n)

0 50 100 150 200 250

-500

0

500

KD

4(n

)

odbirci(n)

Di(n-2)[11…0] Di(n)[11…0]

Di(n-1)[11…0]-lokalni maks.

Ppi

Pni

Koeficijenti detalja

Di(n-1)[11…0]-lokalni min.

Di(n)[11…0]Di(n-2)[11…0]

PN

Slika 5.7 DWT za EKG signal sa pragovima za detekciju negativnog minimuma i pozitivnog

maksimuma

Algoritam za QRS detekciju je prikazan na Slici 5.8. Za detekciju QRS kompleksa je dovoljna

njegova detekcija na samo jednom od tri nivoa dekompozicije EKG signala. Vrši se provjera

svakog Di(n) koeficijenta, kako bi se utvrdilo da li on predstavlja lokalni minimum, PN ili lokalni

maksimum DWT. Za to se koriste adaptivni pragovi, zbog čega se algoritam može smatrati

adaptivnim. Nakon uzastopne detekcije lokalnog minimuma, PN-a i lokalnog maksimuma,

generiše se Impuls_i, i=1..3. Finalni indikator QRS detekcije nastaje primjenom ILI logičke

operacije na Impulsima_i, koji signaliziraju detekcije karakterističnih tačaka DWT na

pojedinačnim nivoima.


73

Potraga za

lokalnim min.

Lokalni minimum

detektovan

Potraga za PN-

omPN je detektovan

Potraga za

lokalnim maks.

Lokalni maksimum

detektovan

Generisanje Impulsa_1

Da

Da

Da

Ne

Ne

Ne

Potraga za

lokalnim min.

Lokalni minimum

detektovan

Potraga za PN-

omPN je detektovan

Potraga za

lokalnim maks.

Lokalni maksimum

detektovan


Da

Da

Da

Ne

Ne

Ne

Potraga za

lokalnim min.

Lokalni minimum

detektovan

Potraga za PN-

omPN je detektovan

Potraga za

lokalnim maks.

Lokalni maksimum

detektovan


Da

Da

Da

Ne

Ne

Ne

Primjena ILI logičke funkcije

nad Impuls_i signalima i

generisanje indikatora QRS

kompleksa

Računanje D1(n)

DWT koeficijenta

Računanje D2(n)

DWT koeficijenta

Računanje D3(n)

DWT koeficijenta

Slika 5.8 Algoritam za detekciju QRS kompleksa implementiran na FPGA čipu

Blok dijagram sistema za obradu EKG signala je prikazan na Slici 5.9. Ovaj sistem vrši

detekciju QRS kompleksa i računa SP i RRI. Odbirci EKGp(n)[11..0] se dovode do kola za

računanje DWT, u formi DST, čiji su izlazi detalji Di(n)[11..0] i aproksimacije Ai(n)[11..0], i=1..3,

gdje je i redni broj nivoa dekompozicije. Koeficijenti detalja, dobijeni tokom 1 s (800 odbiraka

EKG signala), na svim nivoima, formiraju nizove D1[BK1...1][11...0], D2[BK2...1][11...0], i

D3[BK3...1][11...0], BKi=1s*fod/2i, BK1=400, BK2=200 i BK3=100, fod=800 Hz. Svaki od ovih nizova se

pretražuje od strane modula Lokal_min., Lokal_maks. i PN detektor za Di, kako bi se pronašle

karakteristične tačke u DWT, a to su: lokalni minimum, PN i lokalni maksimum. U slučaju

njihovog pojavljivanja u navedenom redosledu, generiše se Impuls_i. Uslov za uspješno

otkrivanje QRS kompleksa je pojava bar jednog od signala Impuls_1, Impuls_2 i Impuls_3 na

ulazima ILI kola. Nakon toga, Generator finalnog impulsa proizvodi signal Indikator QRS

kompleksa koji je jedan od izlaznih signala sistema za obradu EKG signala. Istovremeno, Kratki

impuls, koji signalizira rastuću ivicu Indikatora QRS kompleksa, se upućuje Kalkulatoru RRI-a i

SP-a, čiji su izlazni signali SP iz EKG-a (srčani puls) i RRI (RR interval).


74

Takt

Reset

DWT

A1(n)[11..0]

D1(n)[11..0]

A2(n)[11..0]

D2(n)[11..0]

A3(n)[11..0]

D3(n)[11..0]

Koef_spreman_1

Koef_spreman_2

Koef_spreman_3

Takt

Reset Lokal_min.,

Lokal_maks. i PN

detektor za D1

Lokal_min.,

Lokal_maks. i PN

detektor za D2

Lokal_min.,

Lokal_maks. i PN

detektor za D3

Takt

Takt

Reset

Reset

Impuls_1

Impuls_2

Impuls_3

Počni_mjerenje

Počni_mjerenje

Počni_mjerenje

ILI

Generator

finalnog

impulsa

Takt

Reset

Indikator QRS

kompleksa

Kratki impuls

Takt

Reset Novi SP iz EKG-a

Kalkulator

RRI-a i SP-a

Novi RRI

RRI

SP iz EKG-a

Zbirni_impuls

Sistem za obradu

EKG signala

EKGp(n)[11..0]

Novi_ekg_odbp

Slika 5.9 Arhitektura FPGA sistema za obradu EKG signala

5.3.1.1 Hardverska realizacija DWT

Hardverska struktura za računanje DWT je implementirana prema Malatovoj šemi za

dekompoziciju signala, koristeći DST, prema formulama 3.11 i 3.12. Prvo je realizovana osnovna

jedinica za DWT, kolo za računanje jednog nivoa dekompozicije, Slika 5.10. Ulazi osnovne

jedinice za DWT su Odbirak(n)[11..0], i signal za omogućenje čitanja, Novi_odbirak. Ova jedinica

za obradu signala vrši operacije filtriranja i pododabiranja signala sa ulaza. Izlazni signali kola su

koeficijent aproksimacije, A(n)[11..0], koeficijent detalja D(n)[11..0], i Koef_spreman, signal koji

označava da je novi par koeficijenata izračunat i dostupan na izlazima kola.

REGOdbirak(n)[11..0]

+

-

Novi_odbirak

Omogućenje

čitanja odbirka

>> 1 REGA

REGD

A(n)[11..0]

D(n)[11..0]

Muks

Muks

Koef_spreman

D flip

flop

D

flip-flop

Ulaz

Izlaz

Selekcioni

ulaz

Selekcioni

ulaz

Osnovna

jedinica

za DWT

Takt

Reset

Slika 5.10 Arhitektura osnovne hardverske jedinice za računanje DWT


75

Hardver osnovne jedinice za DWT se u osnovi sastoji od registra za pamćenje odbiraka, REG,

registara za sinhronizaciju izlaznih signala, REGA i REGD, kola za sabiranje/oduzimanje,

multipleksera, i D flip-flopa. Prilikom rada, ovo kolo se može naći u dva različita radna stanja. U

toku oba radnja stanja se vrši pamćenje vrijednosti najnovijeg signala Odbirak(n)[11..0] u

registru REG, i računanje koeficijenata aproksimacija i detalja. Međutim, samo u drugom

radnom stanju, dobijeni rezultati se kroz multipleksere i registre REGA i REGD propuštaju na

izlaze A(n)[11..0] i D(n)[11..0]. Na ovaj način je implementirana operacija pododabiranja signala.

Za kontolu radnih stanja je iskorišćen D flip-flop sa invertovanim ulazom. Prilikom računanja

aproksimacija, umjesto operacije dijeljenja sa 2, iskorišćena je operacija pomjeranja bita za

jedno mjesto u desno, operacija ’’>> 1’’. Čitanje odbirka sa ulaza kola, Odbirak(n)[11..0], se vrši

na jednoj rastućoj ivici sistemskog takta, koliko treba da traje signal Novi_odbirak. Impulsni

signal Koef_spreman, takođe traje jedan ciklus sistemskog takta.

Računanje više nivoa DWT se sprovodi kaskadnim povezivanjem osnovnih jedinica za

računanje DWT, pri čemu se A1(n)[11..0] izlaz prve jedinice povezuje sa ulaznim portom

Odbirak2(n)[11..0] druge jedinice u kaskadnoj vezi, Slika 5.11. Tada se signal Koef_spreman_1 sa

izlaza prve jedinice dovodi ulaza Novi_odbirak_2 druge jedinice. Isti princip važi za sve nivoe

dekompozicije.

Takt

Reset

Odbirak1(n)[11..0]

Novi_odbirak_1

Osnovna

jedinica

za DWT

A1(n)[11..0]

D1(n)[11..0]

Koef_spreman_1

Takt

Reset

Odbirak2(n)[11..0]

Novi_odbirak_2

Osnovna

jedinica

za DWT

A2(n)[11..0]

D2(n)[11..0]

Koef_spreman_2

Takt

Reset

Odbirak3(n)[11..0]

Novi_odbirak_3

Osnovna

jedinica

za DWT

A3(n)[11..0]

D3(n)[11..0]

Koef_spreman_3

Kaskadna veza

osnovnih jedinica za DWT

i računanje tri nivoa dekompozicije

EKGp(n)[11..0]

Novi_ekg_odbp

Takt

Reset

Slika 5.11 Kaskadno povezivanje jedinica za računanje DWT i računanje tri nivoa DWT

Posmatrajući simulacioni dijagram rada kaskadne veze osnovnih DWT jedinica, Slika 5.12,

može se uočiti da se vremenska rezolucija signala duplo smanjuje sa povećanjem nivoa

dekompozicije. Očigledno je da se na svakom nivou transformacije prvi koeficijenti javljaju u

različitim vremenskim trenucima u odnosu na ostale nivoe. Ovo kašnjenje se javlja kao posledica


76

pododabiranja signala i prolaza signala kroz registre. Kašnjenje koeficijenata, u odnosu na prvi

nivo dekompozicije, se povećava na svakom narednom nivou dekompozicije. Vrijeme kašnjenja

prvenstveno zavisi od brzine rada prve jedinice u kaskadnoj vezi, tj. od brzine kojom ova jedinica

čita ulazne odbirke, Odbirak1(n)[11..0]. Svaka jedinica iz kaskadne veze čita odbirke sa svog

ulaza duplo manjom brzinom od prethodne jedinice. Npr., ako na ulaz Odbirak1(n)[11..0] prvog

kola u kaskadnoj vezi dolazi 800 odbiraka u sekundi, prvi koeficijenti na A1(n)[11..0] i D1(n)[11..0]

izlazima ovog kola će se javiti za oko 1.3 ms od čitanja prvog odbirka Odbirak1(n)[11..0]. Drugo

kolo u kaskadnoj vezi će dati prve vrijednosti A2(n)[11..0] i D2(n)[11..0], za oko 2.63 ms nakon

pojave prvih koeficijenta na izlazima A1(n)[11..0] i D1(n)[11..0]. Kašnjenje na trećem nivou

dekompozicije, u odnosu na prvi, bi iznosilo oko 7.88 ms i povećavalo bi se za naredne nivoe.

Ovaj vremenski pomjeraj se mora uzeti u obzir prilikom obrade signala dobijenih

multirezolucionom analizom u realnom vremenu.

Slika 5.12 Simulacioni dijagram rada kaskadne veze za računanje tri nivoa DWT

5.3.1.2 Arhitektura detektora lokalnog minimuma, lokalnog maksimuma i

prolaza kroz nulu

Na Slici 5.13 je prikazana arhitektura kola koje pronalazi lokalni minimum, PN i lokalni

maksimum DWT, tj. koje vrši prepoznavanje QRS kompleksa. Kolo se sastoji od pet modula, a to

su: Lokal_min. detektor, PN detektor, Lokal_maks. detektor, Mašina stanja za prepoznavanje

QRS kompleksa i Generator impulsa.


77

Takt

ResetLokal_min.

detektorDi(n)[11..0]

Koef_spreman_i

Min_detektovan

Takt

Reset

PN detektorDi(n)[11..0]

Koef_spreman_i

PN_detektovan

Takt

ResetLokal_maks.

detektorDi(n)[11..0]

Koef_spreman_i

Maks_detektovan

Takt

Reset QRS_detektovanMašina stanja

za

prepoznavanje

QRS kompleksa

Impuls_i

Počni_mjerenje

Takt

Reset Generator

impulsa

5 s

Lokal_min., Lokal_maks. i PN detektor za Di

Slika 5.13 Arhitektura kola za detekciju lokalnog minimuma, lokalnog maksimuma i prolaza kroz

nulu, i prepoznavanje QRS kompleksa

Hardverska arhitektura kola Lokal_min. detektor i Lokal_maks. detektor, Slika 5.14, je skoro

sasvim ista i prati logiku sa Slike 5.7. Njihova razlika se ogleda u upotrebi operatora ’’<’’ i ’’>’’,

procedurama za računanje adaptivnih pragova za detekciju Ppi i Pni i pravilima za odlučivanje u

detekciji lokalnog minimuma i maksimuma. Za različite nivoe dekompozicije, ovo kolo se

razlikuje samo po broju koeficijenata BKi.

Kolo sa Slike 5.14 u toku cijelog rada sistema sprovodi prilagođenje adaptivnog pozitivnog Ppi

praga i negativnog Pni praga, koji se računaju kao:

,

(5.1)

gdje predstavljaju srednju vrijednost četiri uzastopna maksimalna/minimalna Di(n)

koeficijenta prikupljena u toku 4 sekunde, prethodno zapamćena u registrima REG1, REG2,

REG3 i REG4,

∑ ( [ ][ ][ ] ) (5.2)

∑ ( [ ][ ][ ] ) (5.3)

gdje su [ ][ ][ ] zapamćeni maksimalni/minimalni koeficijenti detalja iz k-te

sekunde, k=1..4.


78

U registrima REG1, REG2, REG3 i REG4 se pamte koeficijenti detalja za koje je utvrđeno da su

najveći po vrijednosti (kod Lokal_maks. detektora), odnosno najmanji po vrijednosti (kod

Lokal_min. detektora) unutar nizova koeficijenata dužine BKi. Ovo znači da se u svakom od

registara REG1, REG2, REG3 i REG4 pamte koeficijenti koji su pronađeni u toku intervala koji

traje 1 s. Adaptivni pragovi se računaju na osnovu maksimalnih/minimalnih koeficijenata koji su

se pojavili u poslednje četiri sekunde rada sistema. Svake sekunde dolazi do pomjeranja sadržaja

registara REG1, REG2, REG3 i REG4, s tim što se u REG1 upisuje najnovija vrijednost. Tada dolazi

do prebrisavanja vrijednosti koja je upisana u registar REG4. Sadržaji ovih registara se dovode

do kola za računanje adaptivnih pragova Ppi i Pni.

REG1 REG2 REG3 REG4Min. ili

maks. u

1 s

Računanje adaptivnih

pragova Pni ili Ppi

REG5 REG6 REG7

0

0

10

1

Komparator

za operaciju

< ili >

Odlučivanje o lokalnom

min/maksuMin_detektovan

ili

Maks_detektovanDi(n)[11..0]

BKi =

BrojačOmogućenje

čitanja

(Pni ili Ppi)

Lokal_min. i Lokal_maks.

detektori

Slika 5.14 Arhitektura kola za detekciju lokalnog minimuma/lokalnog maksimuma

Tri uzastopna koeficijenta detalja Di(n)[11..0], Di(n-1)[11..0], Di(n-2)[11..0], koja su se pojavila na

ulazu kola, se pamte u registrima REG5, REG6 i REG7. Vrijednost najnovijeg koeficijenta

transformacije je sačuvana u REG5, dok su REG6 i REG7 registri za koeficijente koji mu prethode.

Kolo za odlučivanje o lokalnom maksimumu/minimumu donosi odluku na osnovu sadržaja

REG5, REG6 i REG7 i adaptivnih pragova, prateći logiku sa Slike 5.7, prema pravilima:

( ) ( ) ( ) (5.4)

( ) ( ) ( ) (5.5)


79

Navedena pravila odlučivanja znače da je lokalni maksimum onaj koeficijent koji je veći od

izračunatog pozitivnog praga Ppi, i od koeficijenta koji mu prethodi, i od koeficijenta koji je

dobijen nakon njega. Za detekciju lokalnog minimuma je potrebno pronaći koeficijent koji je

manji od negativnog praga, i koeficijenta koji mu prethodi i koeficijenta koji se javlja posle njega.

Ukoliko su uslovi za detekciju ispunjeni, kola za odlučivanje u Lokal_min. i Lokal_maks.

detektorima generišu impulse na svojim izlazima Maks_detektovan i Min_detektovan.

Na Slici 5.15 je prikazan blok dijagram kola za detekciju PN-a. Ovo jednostavno kolo je na isti

način implementirano za sve nivoe dekompozicije. Ono ispituje da li se na njegovom ulazu,

nakon negativnog koeficijenta pojavio koeficijent pozitivne vrijednosti, tj. ispituju se uslovi

Di(n)[11..0]>0 i Di(n-1)[11..0]<0. To se vrši provjerom bitova znaka poslednjeg i pretposlednjeg

koeficijenta sa ulaza kola. Kolo pamti bit znaka pretposlednjeg odbirka sa ulaza. Taj bit znaka se

dovodi na ulaz komparatora koji vrši poređenje sa ’1’, a bit znaka odbirka koji je trenutno na

ulazu se poredi sa ’0’ na zasebnom komparatoru. Izlazi komparatora se dovode na ulaze

logičkog I kola. I kolo, visokim naponskim stanjem na svom izlazu PN_detektovan, daje signal da

je detektovan PN.

==

'1''0'Bit znaka iz

Di(n)[11..0]

I koloPN_detektovan

Bit znaka iz

Di(n-1)[11..0]

Slika 5.15 Kolo za pronalaženje prolaza kroz nulu

Odlučivanje u procesu detekcije QRS kompleksa vrši Mašina stanja za prepoznavanje QRS

kompleksa čiji su kombinacioni ulazi povezani sa signalima Min_detektovan, Maks_detektovan i

PN_detektovan, Slika 5.13. Realizovana mašina stanja ima četiri stanja (Slika 5.16), a početno

stanje u kojem se mašina stanja nalazi, nakon uključenja čipa ili nakon resetovanja, je stanje

početne adaptacije QRS detektora. Početno stanje traje 5 s i predstavlja period predviđen za

početno prilagođenje adaptivnih pragova za detekciju, kada se pune registri REG1, REG2, REG3 i

REG4. U toku procesa početne adaptacije se ne vrši potraga za QRS kompleksom i izlazni signali

mašine stanja, QRS_detektovan i Počni_mjerenje su na niskom naponskom nivou. Nakon


80

završetka stanja početne adaptacije, signal Počni_mjerenje dobija visok naponski nivo i on

signalizira da mjerenja parametara EKG signala mogu da počnu. Nakon isteka stanja adaptacije,

mašina stanja se u njega ne vraća, osim u slučaju resetovanja cjelokupnog FPGA sistema.

Adaptacija pragova za detekciju se vrši i u narednim stanjima, kontinualno, nakon svake

sekunde rada sistema. Iz stanja početne adaptacije detektora, mašina prelazi u stanje u kojem

se očekuje pojava lokalnog minimuma Di(n) koeficijenata, stanje-Traženje lokalnog minimuma.

Kada se na ulazu mašine stanja koji je povezan sa signalom Min_detektovan pojavi visok

naponski nivo, mašina prelazi u stanje potrage za PN-om, stanje-Traženje PN-a, a nakon što se

desi PN, mašina prelazi u stanje potrage za lokalnim maksimumom Di(n) koeficijenata, stanje-

Traženje lokalnog maksimuma. Detekcija QRS kompleksa je uspješna ukoliko su lokalni

minimum, PN i lokalni maksimum detektovani uzastopno. Funkcija mašine stanja je da utvrdi da

li je detekcija ovih tačaka izvršena u navedenom redosledu. U slučaju detekcije QRS kompleksa,

mašina stanja na svom sinhronom izlazu QRS_detektovan generiše impuls koji traje jedan ciklus

sistemskog takta.

Proces

početne

adaptacije

Traženje

lokalnog

minimuma

Traženje

PN-a

Traženje

lokalnog

maksimuma

Uključenje

ili reset

Lokalni minimum detektovan

PN d

etek

tova

n

Lokalni

maksimum

detektovan

QRS_detektovan='1'

QRS_detektovan='0'

QRS_detektovan='0'

QRS_detektovan='0'

QRS_detektovan='0'

QRS_detektovan='0'

QRS_d

etek

tova

n='0'

Slika 5.16 Mašina stanja za detekciju QRS kompleksa

Signal QRS_detektovan se sa izlaza mašine stanja dovodi do Generatora impulsa koji generiše

Impuls_i koji traje 30 ms, Slika 5.13. Impuls_i je izlazni signal Lokal_min., Lokal_maks. i PN

detektora. Zbirni rezultat QRS detekcije sa tri nivoa dekompozicije se dobija nakon propuštanja

signala Impuls_1, Impuls_2 i Impuls_3 sa tri Lokal_min., Lokal_maks. i PN detektora kroz ILI


81

logičko kolo, Slika 5.9. Na izlazu ILI kola se dobija Zbirni_impuls čije trajanje zavisi od broja nivoa

na kojim je uspjela detekcija QRS kompleksa. Trajanje pojedinačnih impulsa od 30 ms je

odabrano da bi propuštanje tri Impuls_i signala kroz ILI kolo, uprkos vremenskom razmaku

između njihovog početka, prouzrokovanog vremenskim kašnjenjem pojave karakterističnih

tačaka na različitim nivoima dekompozicije i algoritmom za detekciju, dovelo do generisanja

jednog impulsa koji traje duže od 30 ms.

Zbirni_impuls se sa izlaza ILI kola dovodi do Generatora finalnog impulsa koji vrši detekciju

rastuće ivice Zbirnog_impulsa i generiše signalizacioni impuls Indikator QRS kompleksa koji traje

20 ms, Slika 5.9. Ovo kolo je dizajnirano tako da se Indikator QRS kompleksa generiše samo ako

je od prethodnog Zbirnog_impulsa koji dolazi na ulaz kola proteklo više od 200 ms, koliko traje

fiziološki minimum za pojavu uzastopnih QRS kompleksa. Ovo kolo, na rastućoj ivici

Zbirnog_impulsa, generiše i Kratki_impuls koji traje jedan ciklus sistemskog takta. Kratki_impuls

se dovodi do ulaza Kalkulatora RRI-a i SP-a.

5.3.1.3 Sistem za računanje RR intervala i srčanog pulsa

Kalkulator RRI-a i SP-a sadrži četiri brojača (B1, B2, B3, B4), dva leč registra i jedan množač,

Slika 5.17. Ovo kolo počinje sa radom nakon izlaska kola za detekciju QRS kompleksa iz stanja

adaptacije, kada je signal Počni_mjerenje u visokom naponskom stanju. Kolo na svom izlazu RRI

daje binarni ekvivalent RR intervala EKG signala, a na izlazu SP iz EKG-a daje vrijednost srčanog

pulsa. Nakon računanja RRI-a i SP-a iz EKG-a, kolo na svojim izlazima Novi RRI i Novi SP iz EKG-a

generiše impulse koji traju jedan ciklus sistemskog takta i signaliziraju da su izvršena nova

mjerenja. Digitalni brojači B1 i B2 se koriste za računanje RRI, a B3 i B4 se koriste za mjerenje SP-

a.


82

Kalkulator RRI-a i SP-a

B1 B2

B3 B4

prek. takt

Le

č

reg

ista

r

Le

č

reg

ista

r

1 ms

10 s

takt

čitanje

čitanje

Kratki impuls

Takt

QRS-ovi

RRI

Novi RRI

x6SP iz EKG-a

Novi SP iz EKG-a

Počni mjerenje

prek.

Nms

Nim

Slika 5.17 Blok dijagram kola za računanje RR intervala i srčanog pulsa

Perioda brojanja brojača B1 je TB1=NB1/ftakt=1 ms i ona za frekvenciju sistemskog takta ftakt=50

MHz obuhvata NB1=50000 ciklusa takta. Nakon svakog prekoračenja (prek.) vrijednosti NB1, B1

počinje da broji od nule. Brojač B2 se taktuje svake milisekunde, pomoću prekoračenja B1.

Trenutna vrijednost na izlazu brojača B2 je Nms i ona predstavlja broj proteklih milisekundi. Kada

se na ulazu kola pojavi Kratki impuls, leč registar memoriše vrijednost Nms, a nakon toga se B1 i

B2 resetuju. Nms predstavlja broj proteklih milisekundi između detekcije dva uzastopna QRS

kompleksa, tj. RR interval, RRI=Nms [ms].

Za računanje SP-a su iskorišćeni B3 i B4. Brojač B3 ima periodu brojanja TB3=NB3/ftakt=10 s,

gdje je, za ftakt=50 MHz, broj ciklusa takta u periodi brojača NB3=5x108. Brojač B4 je taktovan

Kratkim impulsom i na svom izlazu daje trenutni broj Kratkih impulsa, Nim, koji su se pojavili na

ulazu kola i koji signaliziraju da je detektovan QRS kompleks. Srčani puls se procjenjuje

množenjem broja impulsa Nim u toku intervala koji traje 10 sekundi sa brojem 6. Nim se

memoriše u izlaznom registru u trenutku prekoračenja brojača B3. Digitalna reprezentacija

srčanog pulsa, SP=Nimx6, se prosljeđuje na izlaz SP iz EKG-a. Tada se brojači B3 i B4 resetuju.

Prva vrijednost SP-a postaje dostupna 15 sekundi nakon uključenja digitalnog sistema, što je

zapravo interval u kojem se vrši proces adaptacije QRS detektora i računanje prve vrijednosti SP-

a. Osvježavanje vrijednosti SP na izlazu kola se vrši posle svakih 10 sekundi rada sistema.


83

5.3.2 Arhitektura sistema za obradu PPG signala

Za obradu PPG signala se koriste algoritmi koji su zasnovani na DWT i operaciji diferenciranja.

Detekcija vrha PPG signala se vrši na način koji je primjenjen u detekciji QRS kompleksa EKG

signala. Nagibi PPG signala se detektuju pomoću algoritamskih koraka prikazanih na Slici 5.18.

Na koeficijentima aproksimacija, A1(n), A2(n) i A3(n), dobijenim wavelet transformacijom PPG

signala, se vrše operacije diferenciranja. Signali dobijeni diferenciranjem imaju lokalne

maksimalne vrijednosti u tačkama koje odgovaraju najvećim nagibima PPG-a. Nakon detekcije

lokalnih maksimuma prvih izvoda, u algoritamskom koraku zaduženom za odlučivanje se

generiše signal za indikaciju uspješne detekcije najvećeg nagiba PPG signala. Detekcija se vrši

paralelno na tri nivoa aproksimacija, kako bi se omogućila pouzdana detekcija tačke najvećeg

nagiba PPG-a.

Računanje A1(n)

DWT

koeficijenata

Računanje A2(n)

DWT

koeficijenata

Računanje A3(n)

DWT

koeficijenata

Diferenciranje Diferenciranje Diferenciranje

Detekcija

maksimuma

prvog izvoda

Detekcija

maksimuma

prvog izvoda

Detekcija

maksimuma

prvog izvoda

Odlučivanje u

detekciji i

indikacija

detekcije nagiba

PPG-signala

Slika 5.18 Algoritam za detekciju najvećeg nagiba PPG signala koji je implementiran na FPGA

čipu

Obradu PPG signala vrši kolo koje je projektovano za detekciju vrha i maksimalnog nagiba

PPG signala, i ekstrakciju SP-a iz PPG signala, Slika 5.19. Izlazi kola su: impulsi Indikator nagiba

PPG-a i Indikator vrha PPG-a koji signaliziraju izvršene detekcije, SP iz PPG-a, binarni ekvivalent

SP-a, i Novi SP iz PPG-a, impuls koji daje informaciju da je izvršena nova procjena SP-a. Kolo

sadrži više modula, a njihova funkcija je opisana u nastavku teksta.


84

Odbirci PPG signala, PPGp(n)[11..0], dolaze do kola za računanje DWT, primjenjujući DST, koje

vrši dekompoziciju PPG signala do petog nivoa. Koeficijenti aproksimacija A1(n)[11..0],

A2(n)[11..0] i A3(n)[11..0] su iskorišćeni za detekciju tačke maksimalnog nagiba PPG signala.

Koeficijenti aproksimacija su iskorišćeni jer su oni izlazni odbirci nisko-propusnih filtera, što

doprinosi uklanjanju šumova iz ulaznih odbiraka PPGp(n)[11..0] i uspješnijoj detekciji tačke

najvećeg nagiba. A1(n)[11..0], A2(n)[11..0] i A3(n)[11..0] se dovode do ulaza diferencijatora.

Signali na izlazu diferencijatora, Dif1(n)[11..0], Dif2(n)[11..0] i Dif3(n)[11..0] imaju lokalne

maksimalne vrijednosti u tačkama koje odgovaraju maksimalnim nagibima PPG signala, kao na

Slici 2.9. Diferencijatori su realizovani implementirajući jednačinu Difi(nT)[11..0]=Ai(nT)[11..0]-

Ai(nT-2T)[11..0], gdje je Difi(nt)[11..0] odbirak na izlazu diferencijatora, Ai(nT)[11..0] trenutni

odbirak na ulazu diferencijatora, a T perioda odabiranja PPG signala.

Takt

Reset

Takt

Reset

Takt

Reset

Diferencijator

za A1

Diferencijator

za A2

Diferencijator

za A3

Dif1(n)[11..0]

Dif2(n)[11..0]

Dif3(n)[11..0]

Novi_dif

Novi_dif

Novi_dif

Maks.

detektor 1

Maks_detektovan_3

Maks.

detektor 2

Maks.

detektor 3

Takt

Takt

Takt

Reset

Reset

Reset

Mašina

stanja za

detekciju

nagiba

Takt

Reset

Maks_detektovan_2

Maks_detektovan_1

Indikator

nagiba PPG-a

Takt

Reset

DWTA3(n)[11..0]

D3(n)[11..0]

A4(n)[11..0]

D4(n)[11..0]

A5(n)[11..0]

D5(n)[11..0]

Koef_spreman_3

Koef_spreman_4

Koef_spreman_5

Takt

Reset Lokal_min.,

Lokal_maks. i PN

detektor za D3

Lokal_min.,

Lokal_maks. i PN

detektor za D4

Lokal_min.,

Lokal_maks. i PN

detektor za D6

Takt

Takt

Reset

Reset

Impuls_3

Impuls_4

Impuls_5

Počni_mjerenje

Počni_mjerenje

Počni_mjerenje

ILI

Generator

finalnog

impulsa

Takt

Reset

Indikator vrha

PPG-a

Kratki impuls

Takt

Reset

Novi SP iz PPG-aKalkulator

SP-a

SP iz PPG-a

Zbirni_impuls

PPGp(n)[11..0]

Novi_ppg_odbp

A1(n)[11..0]

D1(n)[11..0]

A2(n)[11..0]

Koef_spreman_1

D2(n)[11..0]

Koef_spreman_2

Sistem za obradu PPG

signala

Slika 5.19 Arhitektura FPGA sistema za obradu PPG signala

Odbirci Dif1(n)[11..0], Dif2(n)[11..0] i Dif3(n)[11..0] se dovode do ulaza kola za detekciju

tačaka u kojim prvi izvod ima lokalnu maksimalnu vrijednost, Maks. detektor 1, Maks. detektor 2


85

i Maks. detektor 3. Ova tri kola vrše detekciju i memorisanje Difi(n)[11..0] odbiraka sa svog ulaza

za koje je utvrđeno da su maksimalni u toku 1 s, unutar analiziranih nizova Dif1[BK1..1][11..0],

Dif2[BK2..1][11..0], i Dif3[BK3..1][11..0], BK1=400, BK2=200, BK3=100. Pi (i=1..3) je adaptivni prag

za detekciju lokalnih maksimalnih vrijednosti signala dobijenih diferenciranjem, koji se računa

kao:

(5.6)

gdje je AVi (i=1..3) srednja vrijednost dva Difi(n)[11..0] odbirka za koje je utvrđeno da su najveći

po vrijednosti unutar dva uzastopna Difi[BKi...1][11...0] niza,

∑ ( [ ][ ][ ])

(5.7)

AVi se računa za maksimalne Difi(n)[11..0] odbirke koji su memorisani u toku zadnje dvije

sekunde rada sistema. Svake sekunde se memoriše jedan novi Difi(n)[11..0] odbirak i osvježava

se vrijednost adaptivnog praga Pi .

Za detekciju tačke u kojoj prvi izvod PPG signala ima najveću vrijednost, kola Maks. detektor

1, Maks. detektor 2 i Maks. detektor 3 koriste pravilo odlučivanja:

(( ( )[ ] ( )[ ]) ( ( )[ ]

) ( ( )[ ] ( )[ ]))

( )[ ]

(5.8)

Navedeno pravilo odlučivanja znači da je lokalni maksimum prvog izvoda onaj odbirak koji je po

vrijednosti veći od izračunatog adaptivnog praga Pi, od prethodnog i narednog odbiraka. Maks.

detektor 1, Maks. detektor 2 i Maks. detektor 3 imaju jedinice za odlučivanje koje memorišu tri

uzastopna odbirka, Difi(n-2)[11..0], Difi(n-1)[11..0], Difi(n)[11..0], sa izlaza diferencijatora. U

trenutku detekcije maksimuma prvog izvoda, signali Maks_detektovan_1, Maks_detektovan_2 i

Maks_detektovan_3 dobijaju visok naponski nivo. Ovi impulsni signali se dovode do

kombinacionih ulaza mašine stanja za odlučivanje u detekciji nagiba PPG signala. Mašina stanja

za detekciju nagiba, nakon detekcije impulsa na bar jednom od svoja tri kombinaciona ulaza,


86

generiše impulsni signal Indikator nagiba PPG-a koji signalizira da je detektovana tačka

maksimalnog nagiba PPG signala.

Dijagram mašine stanja za detekciju najvećeg nagiba PPG-a je prikazan na Slici 5.20. Rad ove

mašine stanja počinje stanjem početne adaptacije koje traje pet sekundi, koliko traje i proces

adaptacije QRS detektora i u njemu se ne vrši provjera naponskih nivoa na ulazima mašine

stanja. U tom periodu se vrši početno prilagođenje adaptivnih pragova Pi. Nakon isteka

početnog stanja, mašina prelazi u stanje detekcije impulsa u kojem se vrši provjera naponskih

nivoa na ulazima mašine. Ako se na bar jednom od ulaza mašine stanja detektuje visoko

naponsko stanje, onda mašina prelazi u stanje stanje generisanja impulsa. Indikator nagiba PPG-

a se generiše na sinhronom izlazu mašine stanja i traje 20 ms, koliko traje i stanje generisanja

impulsa. Nakon isteka stanja generisanja impulsa, mašina stanja prelazi u stanje čekanja koje

traje 180 ms. Stanje generisanja impulsa i stanje čekanja ukupno traju 200 ms, a to je vrijeme u

kojem se ne očekuje detekcija nove tačke nagiba PPG-a, jer je 200 ms fiziološki minimum za dva

uzastopna otkucaja srca. Nakon isteka stanja čekanja, mašina stanja se vraća u stanje u kojem

se vrši provjera naponskih stanja na ulazima mašine, stanje-detekcija impulsa. Povratak u

početno stanje je moguć u slučaju resetovanja mašine stanja, što se može desiti samo u slučaju

resetovanja čitavog digitalnog sistema.

Početna

adaptacija

Generisanje

impulsa

Stanje

čekanja

Detekcija

impulsa

Uključenje

ili reset

Maks_detektovan_1='1' ili

Maks_detektovan_2='1'

ili Maks_detektovan_3='1'

Indikator nagiba PPG-a='0'




Slika 5.20 Mašina stanja za detekciju najvećeg nagiba PPG signala

Detekcija tačke na vrhu PPG signala se vrši na principu rada detektora QRS kompleksa EKG

signala, opisanom u poglavlju 5.3.1. Hardverska realizacija detektora vrha PPG signala ima samo


87

nekoliko implementacionih razlika. Prva razlika u odnosu na QRS detektor se ogleda u tome što

su u proces detekcije uključeni koeficijenti D3(n)[11..0], D4(n)[11..0] i D5(n)[11..0], dobijeni

dekompozicijom PPG signala. S obzirom na to, Lokal_maks. detektori i Lokal_min. detektori

pretražuju nizove koeficijenata od BK3=100 koeficijenata za treći nivo, BK4=50 koeficijenta za

četvrtu nivo i BK5=25 koeficijenata za peti nivo. Adaptivni pragovi za detekciju, Ppi i Pni se

računaju kao:

,

(5.9)

gdje su i srednje vrijednosti dva uzastopna maksimalna/minimalna odbirka iz nizova

sastavljenih od BK3, BK4 i BK5 koeficijenata detalja. I u ovom slučaju se, nakon detekcije lokalnog

minimuma, lokalnog maksimuma i PN-a, generišu signali Impuls_i, a nakon toga se na izlazu ILI

kola generiše Zbirni_impuls. Pojedinačno trajanje signala Impuls_3, Impuls_4 i Impuls_5 je 150

ms, a takvo trajanje je odabrano zbog vremenskog pomjeraja trenutaka detekcije

karakterističnih tačaka DWT u nizovima koeficijenata D3(n)[11..0], D4(n)[11..0] i D5(n)[11..0].

Zbirni impuls se dovodi do Generatora finalnog impulsa, koji prvo vrši detekciju njegove rastuće

ivice. Na rastućoj ivici Zbirnog impulsa se generiše finalni signalizacioni impuls Indikator vrha

PPG-a koji traje 20 ms. U intervalu od 200 ms, Generator finalnog impulsa može da generiše

samo jedan Indikator vrha PPG-a. Kratki impuls se dovodi do Kalkulatora SP-a, koji generiše

binarni ekvivalent SP-a, SP iz PPG-a. Kalkulator SP-a broji Kratke impulse sa svog ulaza u toku

deset sekundi, a zatim izračunava SP iz PPG-a, kao SP=Nimx6.

5.3.3 Sistem za računanje PTT intervala

Ulazni signali PTT kalkulatora su Indikator QRS kompleksa koji generiše detektor QRS talasa

EKG signala i Indikator nagiba PPG-a sa izlaza sistema za obradu PPG signala, Slika 5.21. PTT

kalkulator izračunava PTT intervale i prosljeđuje ih na svoj izlazni port PTTI. Trajanje PTT

intervala se izražava u milisekundama.


88

PTT Kalkulator

B5 B6prek. takt

Le

č

reg

ista

r

1 ms

čitanje


Takt PTTI

Novi PTTI

Nms

Indikator nagiba PPG-aKontrolna logika za

uključenje i isključenje

Signal za

uključenje

Signal za

uključenje

Slika 5.21 Blok dijagram sistema za računanje PTT intervala

PTT kalkulator vrši detekciju rastućih ivica Indikatora QRS kompleksa i Indikatora nagiba PPG-

a. Kolo je dizajnirano tako da računanje PTTI počinje u trenutku pojave Indikatora QRS

kompleksa. Kada se na ulazu za Indikator QRS kompleksa pojavi visoko naponsko stanje dolazi

do uključenja brojača B5 i B6 koji služe za računanje PTTI intervala. Prekoračenje brojača B5, koji

broji periode sistemskog takta frekvencije ftakt=50 MHz, se dešava nakon TB5=NB5/ftakt=1 ms, gdje

je NB5=50000 broj ciklusa takta. Izlazna vrijednost brojača B6, Nms, se povećava u trenutku

prekoračenja brojača B5. Nms je zapravo broj proteklih milisekundi od pojave Indikatora QRS

kompleksa. Brojači B5 i B6 rade sve do pojave Indikatora nagiba PPG-a. Tada se na izlaz PTT

kalkulatora, PTTI, prosljeđuje vrijednost PTTI=Nms [ms], tj. trenutna vrijednost Nms koju je

dostigao brojač B6, koja ujedno predstavlja PTT interval. Na izlazu Novi PTTI se generiše impuls

koji daje indikaciju da je izračunat novi PTT interval. Impuls Novi PTTI traje jedan ciklus

sistemskog takta. Brojači B5 i B6 se ponovo uključuju kada se pojavi novi Indikator QRS

kompleksa.

5.4 Sistem za biranje pacijenata i multipleksiranje parametara

Multipleksiranje signala koje generišu Ekstraktori parametara je izvršeno pomoću kola za

multipleksiranje koje ima 45 ulaza za ekstraktovane parametre, jedan selekcioni ulaz i devet

izlaza. Grupe signala, koje su sastavljene od devet signala za svakog od pet pacijenata, su na Slici

5.22 predstavljene podebljanim strelicama: Pac. 1., Pac. 2., Pac. 3., Pac. 4., Pac. 5. Do ulaza kola

za multipleksiranje su dovedeni signali sa izlaza svih pet Ekstraktora parametara, a u jednom


89

trenutku se na njegove izlaze prosljeđuju samo signali koji su generisani za jednog pacijenta.

Izbor pacijenta, za koga se vrši prikaz i slanje vrijednosti izračunatih vitalnih parametara, se vrši

pomoću tastera T1 koji je povezan sa ulaznim pinom FPGA čipa. Signal sa T1 se dovodi do Kola

za biranje pacijenta koje je u suštini mašina stanja koja na svom izlazu generiše 3-bitni selekcioni

signal koji predstavlja binarni ekvivalent rednog broja pacijenta.

Kolo za

multipleksiranje

Kolo za

biranje

pacijenta

SP iz

EKG-a

SP iz

PPG-a




RRI

Selekcioni

ulaz

Pac. 1.

Pac. 2.

Pac. 3.

Pac. 4.

Pac. 5.

PTTI

Novi RRI

Novi PTTI

Signal sa

tastera T1 Selekcioni

signal

7-seg.

kontroler

Signali za 7-

seg. ekran

Slika 5.22 Sistem za biranje i multipleksiranje pacijenata

Iskorišćena mašina stanja ima pet stanja, Slika 5.23, a svako od njih odgovara jednom od pet

pacijenata. Obrada svih deset BM signala se vrši u toku čitavog perioda rada sistema, ali se u

jednom trenutku na izlazne portove FPGA sistema prosljeđuju vitalni parametri za samo jednog

pacijenta. Npr., kada je mašina stanja u stanju Pac. 1., koje je početno stanje u radu sistema,

može se vršiti vizuelno praćenje parametara za samo prvog pacijenta, iako se tada obrađuju i

BM signali ostalih pacijenata. Mašina stanja mijenja stanje na opadajućoj ivici signala sa tastera

T1. Selekcioni signal se dovodi do selekcionog ulaza kola za multipleksiranje koje ga koristi za

odabir jedne od grupa signala sa ulaza, Pac. 1., Pac. 2., Pac. 3., Pac. 4. i Pac. 5., koja se propušta

na izlaze kola. Selekcioni signal se dovodi i do kontrolera 7-segmentnog ekrana, realizovanog u


90

formi dekodera, čiji su izlazi povezani sa pinovima FPGA čipa. Ovi pinovi FPGA čipa su spojeni sa

sedmosegmentnim ekranom koji prikazuje redni broj pacijenta čije se nadgledanje trenutno

vrši.

Pac. 3.Pac. 2.Pac. 1.

Pac. 5. Pac. 4.

Uključenje

ili reset

selekcioni signal="000" selekcioni signal="001" selekcioni signal="010"

selekcioni signal="100"selekcioni signal="011"

T1 pritisnut T1 pritisnut

T1 pritisnut

T1 pritisnut

T1 pritisnut

Slika 5.23 Mašina stanja za biranje pacijenta

5.5 Prikazivanje i prenos vitalnih parametara

Nakon multipleksiranja parametara koji se dobijaju u toku paralelnog praćenja pet pacijenata

i odabira pacijenta čije stanje treba vizuelno pratiti, na sedmosegmentnim ekranima se vrši

prikazivanje SP-a pacijenta, a preko RS232 porta koji je povezan sa FPGA čipom se prenose RRI

ili PTTI.

Na sedmosegmentnim ekranima se može prikazivati vrijednost SP-a koja je ekstraktovana iz

EKG-a ili iz PPG-a. Zbog toga se na Muks-u vrši multipleksiranje binarnih vrijednosti SP-a iz EKG-a

i SP-a iz PPG-a, a odabir vrijednosti koja se prikazuje se vrši pomoću prekidača P2 koji je

povezan sa pinom FPGA čipa, Slika 5.24. Signal sa P2 se dovodi do selekcionog ulaza Muks-a.

Ako na pin koji je povezan sa P2 dolazi signal niskog naponskog stanja, onda se na izlaz Muks-a

prosljeđuje signal SP-a iz EKG-a, a ako je na pinu prisutno visoko naponsko stanje onda se vrši

prikazivanje brojne vrijednosti SP-a iz PPG-a.


91

Muks

Kontroler

7-seg.

ekrana

SP iz

EKG-a

SP iz

PPG-a

Signal sa

prekidača P2

Signali za tri 7-

segmentna ekrana

Konvertor

binarnih brojeva

u BCD cifre

Deko-

der

Deko-

der

Deko-

der

BCD BCD BCD

selekcioni

ulaz

Slika 5.24 Sistem za prikazivanje vrijednosti srčanog pulsa

Za prikazivanje brojne vrijednosti SP-a su iskorišćena tri sedmosegmentna indikatora, tj. tri

cifre. Binarni izlaz multipleksera SP-a se dovodi do kontrolera sedmosegmentnih ekrana. Ovaj

kontroler je sastavljen od konvertora binarnih brojeva u BCD cifre i tri dekodera BCD cifara čiji su

izlazi povezani sa digitalnim pinovima koji napajaju sedmosegmentne ekrane. Za konverziju 9-

bitnih binarnih vrijednosti SP-a, u BCD cifre, implementiran je double dabble algoritam [91]. Kao

rezultat konverzije se dobijaju tri 4-bitne BCD cifre. Ugrađeni dekoderi u kontroleru

sedmosegmentnih ekrana dekodiraju BCD cifre i definišu naponska stanja za 24 pina koja su

povezana sa sedmosegmentnim indikatorima. Osvježavanje prikazanih vrijednosti SP-a na

indikatorima se vrši svakih deset sekundi, a izbor izvora SP-a (EKG ili PPG), pomoću P2, je

trenutan.

Binarne vrijednosti RRI i PTTI se dovode do ulaza Muks kola, kola za multipleksiranje signala,

čiji je selekcioni ulaz preko pina FPGA čipa povezan sa prekidačem P1, Slika 5.25. Prekidač P1

služi za odabir intervala koji će se prosljeđivati na RS232 port, a to, u jednom trenutku, može biti

samo RRI ili samo PTTI. Do Muks kola se dovode i impulsi koji signaliziraju da su nove vrijednosti

RRI i PTTI izračunate, Novi RRI i Novi PTTI. Odabrani intervali se šalju na ulaz Konvertora u ASCII,

koji je kolo dizajnirano za konverziju binarnih brojeva u ASCII karaktere. Konvertor u ASCII prvo


92

vrši konverziju binarnih brojeva u BCD cifre, koristeći double dabble algoritam, a zatim

konverziju BCD cifara u ASCII karaktere. Nakon obavljene konverzije, kolo na svoj izlaz šalje ASCII

karaktere, tako što se prvo šalje karakter koji predstavlja cifru najveće težine. Nakon slanja svih

cifara, kolo šalje karaktere koji označavaju prelaz u novi red i pozicioniranje na početak reda.

Jedan ASCII karakter se šalje u jednom ciklusu sistemskog takta.

Muks

koloKonvertor u

ASCII UART

RRIPTTINovi RRI

Novi PTTI

Signal

za TX

pin

Selekcioni ulaz povezan sa prekidačem P1

Slika 5.25 Sistem za prenos vrijednosti RR i PTT intervala

Izlazni signali Konvertora u ASCII se dovode do kontrolera za serijsku komunikaciju, UART-a.

Za realizaciju UART sistema je iskorišćeno pojednostavljeno i modifikovano Alterino RS232-

UART jezgro iz Alterinog Univerzitetskog Programa [90]. Serijska komunikacija se vrši brzinom

115200 bita u sekundi i to samo u predajnom smjeru.


93

Poglavlje 6.

6. Rezultati, testiranje i diskusija

U ovom poglavlju su dati rezultati testiranja dizajniranih sistema, sa analizom utroška

resursa, kao što su memorijski i logički resursi. Date su slike koje prikazuju oscilografe signala na

ulazima i izlazima sistema prilikom testiranja u realnom vremenu, a dati su i prikazi vrijednosti

izračunatih vitalnih parametara koje su slate preko RS232 porta i snimljene pomoću računara.

6.1 Rezultati i testiranje mikrokontrolerskog rješenja

Za potrebe mikrokontrolerske implementacije i testiranja, prikazani algoritmi za obradu EKG

signala i umanjenje šuma su razvijeni u C programskom jeziku pomoću IAR Embedded

Workbench kompajlera [92]. MSP430F169 čip je programiran kroz Olimex MSP430-P169

razvojnu ploču [93]. Provjera rada i potrebna mjerenja su izvedena pomoću seta koji se sastoji

od personalnog računara, Elvis II+ National Instruments (NI) platforme i digitalnog osciloskopa,

Slika 6.1. Dizajnirani LabVIEW [94] virtuelni instrument je čitao EKG signale iz odgovarajućih

MIT-BIH fajlova [95] ili PPG signale iz laboratorijskih fajlova i pretvarao ih u analogni oblik preko

Elvis II+ platforme [94].

MSP430 čip prihvata emulirane signale, računa DST i IST, vrši QRS detekciju ili umanjenje

šuma u realnom vremenu. MK vraća različite analogne ili digitalne signale na izlaznim pinovima,

zavisno o radu programa, a to su D4(n) i D3(n) u analognom obliku, RR intervali u impulsnom

(digitalnom) obliku i RR intervali u obliku ASCII stringova, kao i signal bez prisustva šuma. Ovi

signali su posmatrani osciloskopom ili preko računarskog terminala u slučaju serijskog RS232

prenosa. Na osnovu toga su izvršene kvalitativna i kvantitativna analiza sistema.


94

PC NI ELVIS II+

MK ploča

ASCIIMIT-BIH baza

Osciloskop

Slika 6.1 Set uređaja korišćenih za testiranje rada mikrokontrolerskog sistema u realnom vremenu

Kvalitativna analiza je uglavnom obavljena mjerenjima na čipu. MK je konfigurisan za tri

načina rada, a to su wavelet dekompozicija, QRS detektor sa digitalnim izlazima i umanjenje

šuma.

Računanje DWT u realnom vremenu je testirano tako što je emulirani EKG signal doveden do

A1 ulaza A/D konvertora, digitalizovan i obrađen nakon čega su generisani analogni signali,

ekvivalenti D3(n) i D4(n), na D/A pinovima P6.6 i P6.7 (Slika 4.2). Istovremeno, talasni oblici

ulaznih i izlaznih signala su praćeni na digitalnom osciloskopu. Zatim, isti EKG signali su obrađeni

u MATLAB-u, a rezultati su posmatrani na graficima. Za ilustraciju, Slika 6.2 pokazuje snimke sa

osciloskopa za ulazni EKG signal i odgovarajuće D4(n) koeficijente i MATLAB grafik D4(n)

koeficijenata. Kao što se vidi, talasni oblici signala sa Slika 6.2 (b) i 6.2 (c) se poklapaju veoma

dobro. Treba primjetiti da su amplituda i vremenska podjela za snimke sa osciloskopa prikazani

u legendi, ispod signala, kao na primjer, CH1 200 mV/div, 200.0 ms/div.


95

a) Original ECG signal

e) CD4 computed by MSP430

0 0.5 1 1.5 2-800

-600

-400

-200

0

200

400

600

800

t [s]

CD

4 [m

V]

d) CD4 computed by Matlab

(a)

(b)

(c)

D4[m

V]

Slika 6.2 DST izračunata u MATLAB-u i na MSP430F169 u realnom vremenu: (a) oscilograf originalog EKG signala; (b) D4(n) koeficijenti izračunati u MATLAB-u; (c) oscilograf D4(n)

koeficijenata, snimljenih na P6.7 pinu MK-a

U svrhu testiranja rada detektora QRS kompleksa, EKG signali su dovedeni do A/D pina A1,

(Slika 4.2). MK obavlja QRS detekciju u realnom vremenu i generiše impulse (pin P1.0), čije

pozicije odgovaraju QRS kompleksima u EKG signalu. Vremenski razmak između dva uzastopna

impulsa predstavlja RR interval u milisekundama. Slika 6.3 prikazuje snimak sa osciloskopa za

izvorni EKG signal (gore) i impulse koji signaliziraju detekciju QRS kompleksa (dolje). Na primjer,

udaljenost između 1. i 2. impulsa je oko 580 ms, a između 2. i 3. je oko 560 ms što odgovara


96

srčanom pulsu od 60/0.58=103 i 60/0.56=107 otkucaja u minutu. Kao što se može vidjeti,

generisani impulsi su vremenski pomaknuti, u odnosu na ulazni signal, za oko 50 ms.

Slika 6.3 EKG signal sa QRS kompleksima (gore) i impulsi koji signaliziraju detekciju QRS kompleksa u realnom vremenu (dolje)

Treći način testiranja se odnosi na sistem za umanjenje šuma u realnom vremenu (Slika 4.4).

Analogni EKG i PPG signali, zahvaćeni šumom 50 Hz ili bijelim šumom, su dovedeni do A/D ulaza

na pinu A1. MK digitalizuje signal, vrši umanjenje šuma i u realnom vremenu, generiše filtrirane

analogne signale na pinu P6.7 D/A konvertora. Slika 6.4 ilustruje situaciju sa EKG signalom

zahvaćenim šumom od 50 Hz, a Slika 6.5 pokazuje rezultat filtriranja signala zahvaćenog bijelim

šumom. Slika 6.6 prikazuje slučaj invertovanog PPG signala zahvaćenog šumom od 50 Hz.

Prilikom umanjenja šuma, frekvencija odabiranja signala je 762 Hz, a filtrirani signal je zakašnjen

za 40 ms. Kao što se može vidjeti, u svim slučajevima, ulazni signali su dobro filtrirani nakon

prolaska kroz mikrokontrolerski sistem za umanjenje šumova.


97

Slika 6.4 EKG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon filtriranja u realnom vremenu (dolje)

Slika 6.5 EKG signal zahvaćen bijelim šumom (gore) i signal dobijen nakon filtriranja (dolje)


98

Slika 6.6 Invertovani PPG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon filtriranja u realnom vremenu (dolje)

Osim kvalitativne analize, predloženi algoritmi su ocjenjeni na osnovu nekoliko kvantitativnih

kriterijuma: vrijeme računanja, zauzetost memorije, potrošnja energije, tačnost detekcije. U

svim slučajevima, MK je koristio takt od 0.75 MHz i napajan je sa 3.3 V.

Vrijeme računanja je posmatrano za direktnu i inverznu Haar transformaciju u zapisu sa

pomičnim zarezom i primjenjene cjelobrojne DST i IST. Tabela 6.1 prikazuje dobijene rezultate.

Očigledno je da je cjelobrojna implementacija više od dva puta brža za slučaj direktne

transformacije i više od tri puta brža u slučaju inverzne transformacije. Ova činjenica omogućuje

MK-u da u realnom vremenu vrši odabiranje i obradu signala sve do 800 Hz, do 4 nivoa

dekompozicije, što značajno poboljšava kvalitet akvizicije, kao i tačnost detekcije.

Broj nivoa DST

[u ms] IST

[u ms] Direktna HT

[u ms] Inverzna HT

[u ms]

4 2,35 2,23 5,82 6,90

5 3,96 4,37 11,86 13,99

6 6,93 8,63 23,91 28,14

7 12,64 17,10 47,99 56,41

Tabela 6.1 Vremena računanja DWT za cjelobrojne verzije i verzije sa pomičnim zarezom

Tabela 6.2 daje zauzetost memorijskih resursa za cjelobrojne implementacije i

implementacije sa pomičnim zarezom. I ovde, razlika je oko dva puta veća u korist cjelobrojne

implementacije. Valja napomenuti da cijeli QRS detektor zauzima ukupno 268 bajtova memorije


99

za podatke (eng. DATA memory), 39 bajtova memorije za konstante (eng. CONST memory) i

2022 bajtova programske memorije (eng. CODE memory). Za sistem za umanjenje šuma je

potrebno 335 bajtova memorije za podatke i 1902 bajtova programske memorije.

Broj nivoa DST

[u bajtovima] IST

[u bajtovima] Direktna HT

[u bajtovima] Inverzna HT

[u bajtovima]

4 74 74 138 138

5 138 138 266 266

6 266 266 522 522

7 522 522 1034 1034

Tabela 6.2 Zauzetost memorije za podatke kod cjelobrojne verzije DWT i verzije sa pomičnim zarezom

Po svojoj prirodi MSP430 je nisko-potrošni mikrokontroler. Osim toga, i cjelobrojna

optimizacija smanjuje potrošnju, ali ne previše. QRS detektor i filter, implementirani u ovoj

aritmetici, troše 319 μA i 315 μA što je oko 5 % manje nego u slučaju računanja sa pomičnim

zarezom, 336 μA, 332 μA.

U svrhu provjere tačnosti QRS detekcije, posmatrano je 11094 otkucaja srca unutar pet MIT-

BIH fajlova (snimci: 101, 103, 202, 230 i 234). Tačnost detekcije, TD, za svaki snimak je

definisana kao:

( ) (

) (6.1)

gdje je LD broj lažno detektovanih QRS kompleksa, PD broj propuštenih detekcija, a UO je

ukupan broj QRS kompleksa, tj. otkucaja srca. Prosječna tačnost detekcije, PTD, koja iznosi

99.06 %, je izračunata sa:

( )

∑ ( )

(6.2)

Rezultati testiranja za pet MIT-BIH snimaka EKG signala su dati u Tabeli 6.3.

Snimak UO LD PD TD(%)

101 1865 7 13 98.92

103 2084 3 15 99.13

202 2136 13 14 98.73

230 2256 20 7 98.80

234 2753 3 5 99.70

Tabela 6.3 Tačnost detekcije QRS kompleksa za pet EKG snimaka iz MIT-BIH baze


100

6.2 Rezultati i testiranje FPGA rješenja

Dizajniranje FPGA sistema za obradu BM signala je izvršeno u Alterinom Quartus II 9.1

razvojnom okruženju [90]. Quartus II je poslužio za razvoj, simulaciju i verifikaciju rada sistema.

Za automatizovano projektovanje digitalnih kola je korišćen VHDL. Sistem za mjerenje

biomedicinskih parametara je implementiran na Cyclone II EP2C70F896C6N FPGA čipu [90].

Prototipiranje i testiranje rada sistema u realnom vremenu je izvršeno pomoću Alterine DE2-

70 razvojne ploče [90], Slika 6.7. TLC2543 A/D konvertor je, preko pinova na DE2-70 ploči,

povezan sa FPGA čipom. Za realizaciju sistema su iskorišćeni FPGA čip, sedmosegmentni ekrani,

serijski RS232 port, prekidači i tasteri koji su ugrađeni na DE2-70 ploči.

Slika 6.7 Alterina razvojna ploča DE2-70

U procesu testiranja rada i procjene preciznosti realizovanog sistema, umjesto prikupljanja

signala sa ljudskih subjekata, korišćeni su simulirani signali iz računarskih fajlova. Fokus

testiranja je bio na utvrđivanju tačnosti u detekciji karakterističnih tačaka EKG i PPG signala, što

predstavlja glavni parametar performansa ovog sistema. BM signali su sumulirani pomoći NI

ELVIS II+ eksperimentalne ploče, Biomedical Workbench softvera [94] i napravljenog Labview

virtuelnog instrumenta. Za testiranje su upotrebljeni snimci iz MIT-BIH i Multiparameter

Intelligent Monitoring in Intensive Care (MIMIC) [96] baza fizioloških signala. ELVIS II+ ploča je


101

povezana sa personalnim računarom, a digitalni zapisi EKG i PPG signala su pretvoreni u

analogne signale koji su preuzimani sa analognih izlaza ELVIS II+ ploče. BM signali, u analognoj

formi, su dovedeni do ulaznih kanala TLC2543 A/D konvertora koji je vršio njihovu digitalizaciju.

U funkciju je stavljeno deset kanala A/D konvertora. Digitalne reprezentacije EKG i PPG signala

su sa digitalnog izlaza A/D konvertora, preko pina na DE2-70 ploči, dovedene do pina FPGA čipa.

FPGA čip je u realnom vremenu obrađivao pristigle BM signale i na svojim izlazima davao

rezultate paralelne obrade pet EKG i pet PPG signala. Vrijednosti srčanog pulsa su prikazivane na

sedmosegmentnim ekranima DE2-70 ploče, a RR i PTT intervali su preko RS232 porta slati

personalnom računaru koji je preko kabla za serijsku komunikaciju povezan sa DE2-70 pločom.

Računar je iskorišćen za snimanje pristiglih vrijednosti PTT i RR intervala u *.txt fajlove koji su u

kasnijim analizama poslužili za utvrđivanje tačnosti rada sistema. Digitalni impulsi, koji su

dobijeni na izlazima QRS detektora i detektora nagiba i vrha PPG signala, su pomoću osciloskopa

posmatrani paralelno sa EKG i PPG signalima.

Signali iz MIT-BIH i MIMIC baza signala su primjenjeni direktno na dizajnirani sistem, bez

prethodnih filtriranja zbog uklanjanja šumova ili stabilizovanja baznih linija signala. Jedino je

izvršeno pomjeranje nivoa svih BM signala na gore, jer korišćeni A/D konvertor nema

mogućnost digitalizacije negativnih dijelova signala.

Implementirani algoritmi za obradu BM signala su zasnovani na DWT. Dizajnirani sistem

računa DWT za EKG i PPG signale. U toku digitalizacije signala je korišćena frekvencija

odabiranja od 800 odbiraka u sekundi. Na Slici 6.8 je prikazan EKG signal sa graficima

koeficijenata detalja njegove DWT sa četiri nivoa dekompozicije, u formi DST. Prikazane

koeficijente detalja je izračunalo FPGA kolo dizajnirano za računanje DWT u realnom vremenu.

Koeficijenti su preko RS232 porta slati računaru i snimljeni su u fajlovima, a potom su upoređeni

sa rezultatima dobijenim u MATLAB-u. Na Slici 6.9 su prikazani koeficijenti detalja koji su

izračunati pomoću MATLAB-a za isti EKG signal. Poređenje Slika 6.8 i 6.9 potvrđuje izuzetno

dobro poklapanje koeficijenata izračunatih na FPGA čipu u realnom vremenu i koeficijenata

dobijenih u MATLAB-u. Slike 6.10 i 6.11 prikazuju koeficijente aproksimacija i detalja sa pet

nivoa dekompozicije DWT, za PPG signal.


102

Slika 6.8 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati na FPGA čipu, u realnom vremenu

Slika 6.9 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati u MATLAB-u

0 500 1000 1500 2000 2500 3000 3500 4000 45000

500

1000

EK

G(n

)

odbirci(n)

0 500 1000 1500 2000

-100

0

100

D1

(n)

odbirci(n)

0 200 400 600 800 1000

-200

0

200

D2

(n)

odbirci(n)

0 100 200 300 400 500-500

0

500

D3

(n)

odbirci(n)

0 50 100 150 200 250

-500

0

500

D4

(n)

odbirci(n)

0 500 1000 1500 2000 2500 3000 3500 4000 45000

500

1000

EK

G(n

)

odbirci(n)

0 500 1000 1500 2000

-100

0

100

D1

(n)

odbirci(n)

0 200 400 600 800 1000

-200

0

200

D2

(n)

odbirci(n)

0 100 200 300 400 500-500

0

500

D3

(n)

odbirci(n)

0 50 100 150 200 250

-500

0

500

D4

(n)

odbirci(n)


103

Slika 6.10 PPG signal i DST koeficijenti aproksimacija sa pet nivoa dekompozicije DWT, izračunati na FPGA čipu, u realnom vremenu

Slika 6.11 PPG signal i DST koeficijenti detalja sa pet nivoa dekompozicije, izračunati na FPGA čipu, u realnom vremenu

500 1000 1500 2000 2500 3000 3500 4000 45000

500

1000

PP

G(n

)

odbirci(n)

200 400 600 800 1000 1200 1400 1600 1800 2000 22000

500

1000

A1

(n)

odbirci(n)

100 200 300 400 500 600 700 800 900 1000 11000

500

1000

A2(n

)

odbirci(n)

50 100 150 200 250 300 350 400 450 500 5500

500

1000

A3(n

)

odbirci(n)

50 100 150 200 2500

500

1000

A4

(n)

odbirci(n)

20 40 60 80 100 120 1400

500

1000

A5

(n)

odbirci(n)

500 1000 1500 2000 2500 3000 3500 4000 45000

500

1000

PP

G(n

)

odbirci(n)

200 400 600 800 1000 1200 1400 1600 1800 2000 2200-20

0

20

D1(n

)

odbirci(n)

100 200 300 400 500 600 700 800 900 1000 1100

-200

20

D2(n

)

odbirci(n)

50 100 150 200 250 300 350 400 450 500 550-40-20

02040

D3

(n)

odbirci(n)

50 100 150 200 250

-500

50

D4

(n)

odbirci(n)

20 40 60 80 100 120 140

-1000

100

D5

(n)

odbirci(n)


104

Detekcija maksimalnog nagiba PPG signala je vršena diferenciranjem signala sa prva tri nivoa

aproksimacija PPG signala. Signali dobijeni na izlazima diferencijatora su prikazani na Slici 6.12.

Lokalne maksimalne vrijednosti koje se javljaju u signalima dobijenim diferenciranjem

odgovaraju tački maksimalnog nagiba PPG signala.

Slika 6.12 PPG signal i signali dobijeni nakon diferenciranja DWT koeficijenata aproksimacija za PPG signal

Na Slici 6.13 su prikazani EKG signali i digitalni impulsi sa izlaza QRS detektora preuzeti sa

pina FPGA čipa. Signali su snimljeni pomoću osciloskopa. Digitalni impulsi signaliziraju uspješnu

detekciju QRS kompleksa. Slika 6.13 (b) prikazuje rezultat detekcije za signal koji je zahvaćen

šumom i kod kojeg dolazi do pomjeranja bazne linije. Dizajnirani QRS detektor ima mogućnost

uspješnog rada i u uslovima koji doprinose pojavi grešaka u detekciji.

500 1000 1500 2000 2500 3000 3500 4000 45000

500

1000

PP

G(n

)

odbirci(n)

200 400 600 800 1000 1200 1400 1600 1800 2000 2200

-50

0

50

Dif

1(n

)

odbirci(n)

100 200 300 400 500 600 700 800 900 1000 1100-100

0

100

Dif

2(n

)

odbirci(n)

50 100 150 200 250 300 350 400 450 500 550-200

0

200

Dif

3(n

)

odbirci(n)

50 100 150 200 250

-200

0

200

Dif

4(n

)

odbirci(n)


105

(a) (b)

Slika 6.13 EKG signali različitih talasnih oblika i impulsi koji signaliziraju detekcije QRS kompleksa u realnom vremenu

Na Slici 6.14 se može vidjeti da postoji određeno kašnjenje u detekciji QRS kompleksa. Pojava

prolaza koeficijenata detalja DWT za EKG signal kroz nultu vrijednost odgovara vrhu R talasa

EKG signala. Kašnjenje u detekciji QRS kompleksa se javlja prvenstveno zbog toga što algoritam

za detekciju, nakon detekcije prolaza koeficijenata kroz nultu vrijednost, mora da detektuje i

lokalni maksimum DWT. Na trajanje kašnjenja utiče i uspješnost detekcije QRS kompleksa na

pojedinačnim nivoima dekompozicije signala. Kašnjenje je manje, ako je detekcija uspješno

izvršena na prvom nivou dekompozicije, a ako je detekcija izvršena samo na trećem nivou, onda

je kašnjenje u detekciji najveće. Rezultat detekcije QRS kompleksa na tri nivoa dekompozicije je

prikazan na Slici 6.14 (a). Tri zasebna impulsa signaliziraju detekciju na različitim nivoima

dekompozicije. Prvi impuls nastaje kao rezultat detekcije na prvom nivou, drugi impuls se dobija

na drugom nivou, a treći nastaje na trećem nivou. Trajanje ovih impulsa je u finalnoj realizaciji

sistema povećano i podešeno tako da njihov prolaz kroz ILI logičko kolo dovodi do generisanja

jednog dužeg impulsa, kao što su impulsi sa Slike 6.13 ili Slike 6.14 (b). Kašnjenje u detekciji QRS

kompleksa za signal sa Slike 6.14 iznosi oko 16 ms.


106

(a) (b)

Slika 6.14 QRS kompleks i (a) pojedinačni impulsi za indikaciju njegove detekcije na tri nivoa DWT, i (b) zbirni impuls za indikaciju QRS kompleksa

Rezultati detekcije QRS kompleksa za 10 polusatnih snimaka iz MIT-BIH Aritmija baze su

sumirani u Tabeli 6.4. Signali su reprodukovani pomoću NI-ovog softvera za generisanje

analognih EKG signala. Testiranje QRS detektora je trajalo pet časova. Testiranje je sprovedeno

na ukupno UO=22031 QRS segmenata. Broj lažno detektovanih QRS kompleksa je LD=105, a

broj propuštenih detekcija je PD=424. Prema dobijenim rezultatima, koristeći formulu 6.2,

izračunata je prosječna tačnost QRS detektora. Prosječna tačnost detektora QRS kompleksa

iznosi PTD=97.53 %. Može se primjetiti da rezultati detekcije variraju za različite signale.

Abnormalne zdravstvene pojave, koje se reflektuju u EKG signalima, i pojave artefakata kao što

su šumovi i pomjeranje bazne linije signala, mogu da negativno utiču na detekciju QRS

kompleksa. Ipak, implementirani algoritam za detekciju se pokazao pouzdanim i uspješnim u

detekciji QRS kompleksa različitih morfologija, amplituda i vremenskih parametara. Pred-

procesiranje EKG signala bi svakako doprinjelo povećanju tačnosti detektora.


107

Snimak br. no.

UO LD PD TD (%) 100 2273 0 1 99.95 101 1865 4 9 99.30 102 2187 3 39 98.07 103 2084 0 3 99.85 104 2230 48 121 92.42 105 2572 19 15 98.67 106 2027 0 211 89.59 107 2137 8 14 98.97 109 2532 7 5 99.52 111 2124 16 6 98.96

Tabela 6.4 Rezultati detekcije QRS kompleksa pomoću dizajniranog FPGA sistema za deset EKG MIT-BIH snimaka

Testiranje je izvršeno na EKG signalima različitih srčanih ritmova i različitih vrijednosti srčanih

pulseva. To je veoma bitno jer je na taj način utvrđeno da dizajnirani sistem ima mogućnost

uspješne adaptacije. Implementirani QRS detektor je ostvario dobar rezultat na snimku broj

105. koji na nekim segmentima sadrži šum usled artefakata pokreta. Ograničenje minimalnog

vremena za pojavu QRS kompleksa na 200 ms je umanjilo broj lažno detektovanih QRS

kompleksa, pogotovo za snimak broj 102. Nekoliko sekundi signala ovog EKG snimka je

prikazano na Slici 6.15. Snimak 102. potiče od pacijenta sa ugrađenim pejsmejkerom i na Slici

6.15 je prikazan pejsovani ritam rada srca.

Slika 6.15 EKG signal sa pejsovanim ritmom i indikacija QRS kompleksa u realnom vremenu

Adaptivni pragovi za detekciju QRS kompleksa se računaju pomoću koeficijenata detalja DWT

nastalih transformacijom EKG signala. Koeficijenti detalja, koji su po vrijednosti najveći ili


108

najmanji u intervalu 1 sekunde, se memorišu i koriste za računanje pragova. Ovakvi koeficijenti

uglavnom nastaju wavelet transformacijom QRS kompleksa. Da ovo ne bi dovelo do propuštanja

detekcija QRS kompleksa, u situaciji kada se amplituda QRS kompleksa naglo smanji u odnosu

na prethodne QRS komplekse, adaptivni pragovi se računaju kao 5/8 dio srednje vrijednosti

memorisanih koeficijenata. U slučaju naglog povećanja amplitude QRS kompleksa, nema bojazni

od propuštene detekcije, bar u pogledu vrijednosti adaptivnog praga.

RR intervali, za svih deset reprodukovanih snimaka iz MIT-BIH Aritmija baze, su pomoću

računara snimljeni u *.txt fajlovima. Isti snimci su prethodno analizirani pomoću NI-ovog

Biomedical Workbench računarskog softvera. Poređenje rezultata dobijenih pomoću NI-ovog

softvera i rezultata koje je ostvario dizajnirani FPGA sistem, za snimak broj 103., je dato na Slici

6.16. Očigledno je da su dobijeni rezultati skoro sasvim identični. Propuštene detekcije QRS

kompleksa se na grafiku RR intervala koje je izmjerio FPGA čip mogu prepoznati kao produženi

intervali (Slika 6.16 (b)), tj. povećanja RR intervala u odnosu na odgovarajuće intervale sa grafika

rezultata NI-ovog softvera (Slika 6.16 (a)), koji je izuzetno precizan. Ostvarene lažne detekcije

QRS kompleksa, kojih za snimak 103. nema, bi se prepoznale po pojavi RR intervala čije su

vrijednosti manje od vrijednosti intervala izračunatih u računarskom softveru. Na Slici 6.17 je

prikazan histogram RR intervala, koji su izmjereni pomoću dizajniranog FPGA sistema, za EKG

snimak broj 103.


109

0 200 400 600 800 1000 1200 1400 1600 1800 20000

500

1000

1500

2000

redni broj mjerenja

RR

in

terv

al [m

s]

0 200 400 600 800 1000 1200 1400 1600 1800 20000

500

1000

1500

2000

redni broj mjerenja

RR

in

terv

al [m

s]

RR intervali dobijeni pomocu NI-ovog softvera

RR intervali dobijeni pomocu FPGA sistema

(a)

(b)

Slika 6.16 Poređenje (a) vrijednosti RR intervala dobijenih u NI-ovom softveru i (b) vrijednosti dobijenih na FPGA čipu u realnom vremenu, za EKG MIT-BIH snimak br. 103.

Slika 6.17 Histogram RR intervala za EKG MIT-BIH snimak br. 103.

Vrijednosti srčanog pulsa koje je računao FPGA sistem su praćene i zabilježene zbog buduće

analize. U Tabeli 6.5 su date srednje vrijednosti SP-a, dobijene pomoću FPGA kola, i srednje

vrijednosti za SP-e koji su izračunati na osnovu RR intervala iz NI-ovog softvera, kao SP=60/RRI.

Za skoro sve testirane signale, dobijene srednje vrijednosti su veoma bliske, a jedino za signale

600 800 1000 1200 1400 1600 18000

10

20

30

40

50

60

RR intervali (ms)

His

tog

ram


110

104. i 106. postoji značajno odstupanje. Slika 6.18 prikazuje poređenje vrijednosti SP-a,

izračunatih na osnovu RR intervala dobijenih pomoću NI-ovog softvera, i SP vrijednosti dobijenih

u realnom vremenu pomoću FPGA kola za snimak broj 100. Dizajnirani FPGA sistem računa

vrijednosti SP-a množenjem broja detektovanih QRS kompleksa u toku 10 s sa 6. Zbog toga,

vrijednosti koje daje FPGA čip predstavljaju aproksimaciju vrijednosti SP-a izračunatih za svaki

RR interval unutar EKG signala. Primjenjeni način računanja SP-a doprinosi manjem uticaju

lažnih i propuštenih detekcija QRS kompleksa na tačnost rada sistema za računanje SP-a. S

obzirom da SP predstavlja broj otkucaja srca u minutu, uopšte nije potrebno računati SP za svaki

RR interval, tj. kao SP=60/RRI. Nagla povećanja i smanjenja RR intervala, npr. usled srčanih

aritmija, bi na taj način dovela do pogrešne procjene broja otkucaja srca u toku jednog minuta.

Broj snimka Srednja vrijednost SP-a

za NI-ov softver Srednja vrijednost SP-a

za FPGA sistem

100 70.32 69.25

101 61.92 61.37

102 72.64 71.90

103 69.43 70.24

104 65.86 71.86

105 87.70 85.74

106 69.14 58.98

107 69.95 69.76

109 84.26 84.80

111 70.68 70.09

Tabela 6.5 Srednje vrijednosti srčanog pulsa koje su izračunate za vrijednosti dobijene pomoću NI-ovog softvera i FPGA čipa


111

0 200 400 600 800 1000 1200 1400 1600 1800 2000

50

100

150

redni broj mjerenja

SP

Vrijednosti SP-a dobijene pomocu NI-ovog softvera

20 40 60 80 100 120 140 160

50

100

150

redni broj mjerenja

SP

Vrijednosti SP-a dobijene pomocu FPGA sistema

(a)

(b)

Slika 6.18 Poređenje (a) vrijednosti srčanog pulsa dobijenih pomoću NI-ovog softvera i (b) vrijednosti dobijenih na FPGA čipu

Detektori karakterističnih tačaka PPG signala su testirani na signalima iz MIMIC više-

parametarske baze BM signala. Uspješno ekstraktovanje parametara PPG signala zahtjeva da

signali nisu zahvaćeni prevelikim šumom i da u signalima nisu učestali artefakti pokreta. PPG

signali su izuzetno podložni uticaju pokreta pacijenata, što negativno utiče na analizu signala.

Artefakti pokreta su glavni uzročnici degradacije preciznosti detektora karakterističnih tačaka

PPG signala. Zbog toga je testiranje rađeno na PPG signalima, sa malim prisustvom artefakata

pokreta, smatrajući da je za ispravan rad realizovanih detektora potrebno koristiti signale

dobijene u toku stanja mirovanja pacijenata. Za testiranje su izabrani 10-minutni segmenti pet

različitih PPG snimaka iz MIMIC baze.

Slika 6.19 prikazuje segmente PPG signala iz MIMIC baze i impulse koji signaliziraju detekciju

maksimalnih nagiba PPG signala. Na Slici 6.20 su prikazani PPG signali i signali za indikaciju

vrhova PPG signala. Digitalni impulsi za signalizaciju su snimljeni na pinovima FPGA čipa.

Prikazani impulsi su dobijeni kao rezultat detekcije na tri nivoa wavelet dekompozicije PPG

signala. Naravno, i kod ovih detektora, kao kod detektora QRS kompleksa, postoji izvjesno

kašnjenje u detekciji, koje je neizbježno. Kašnjenje u detekciji vrhova PPG signala je veće od

kašnjenja u detekciji najvećih nagiba PPG signala.


112

Slika 6.19 PPG signali i impulsi za indikaciju detekcija najvećih nagiba u PPG signalu

Slika 6.20 PPG signali i impulsi za indikaciju detekcija vrhova PPG signala

Tabele 6.6 i 6.7 prikazuju rezultate detekcije tačaka najvećeg nagiba i vrha za pet 10-

minutnih PPG signala. Prilikom testiranja su korišćeni čisti signali koji sadrže veoma malo

artefakata pokreta. Za svaki od signala je dat ukupan broj otkucaja srca, UO, koji odgovara broju

pulsnih talasa u PPG signalu, LD-broj lažnih detekcija, i PD-broj propuštenih detekcija. Prosječne

tačnosti detektora su izračunate prema formuli 6.2. Prosječna tačnost detektora tačke

maksimalnog nagiba PPG signala je PTD=97.09 %, a prosječna tačnost algoritma za detekciju

vrha PPG signala je PTD=94.52 %. Sprovedeni eksperimenti su pokazali da dizajnirani detektori

imaju veliki procenat tačnosti u obradi čistih PPG signala.


113

Snimak br. no.

UO LD PD TD (%) 039 1320 15 16 97.65 041 1020 13 7 98.03 055 1009 4 1 99.50 211 877 23 25 94.52 471 710 14 16 95.77

Tabela 6.6 Rezultati detekcije tačaka najvećih nagiba za PPG signale iz MIMIC baze

Snimak br. no.

UO LD PD TD (%) 039 1320 2 17 98.56 041 1020 6 36 95.88 055 1009 1 15 98.41 211 877 41 55 89.05 471 710 24 42 90.70

Tabela 6.7 Rezultati detekcije vrhova PPG signala iz MIMIC baze

Dizajnirani detektori su podložni negativnim uticajima, kao što su artefakti pokreta. Ukoliko

se dizajnirani detektori koriste u situacijama kada je prisutna velika degradacija PPG signala,

npr. usled pokreta pacijenta, potrebno je koristiti kola za eliminaciju artefakata. Pojave poput

pomjeranja bazne linije i promjene u amplitudi signala nisu imale negativan uticaj na rad

detektora. To je postignuto zahvaljujući dovoljnoj stopi osvježavanja vrijednosti adaptivnih

pragova za detekciju.

Detekcija vrha PPG signala je iskorišćena za procjenu SP-a. Izvršena je obrada PPG signala i

EKG signala iz istih snimaka MIMIC baze. Na Slici 6.21 je dato poređenje dobijenih vrijednosti SP-

a iz EKG-a i PPG-a za snimak 039. iz MIMIC baze. Vrijednosti SP-a koje su ekstraktovane iz oba

signala se kreću u opsegu 120-145 otkucaja u minutu u čemu se dobijena mjerenja poklapaju.

Ipak, postoje određena odstupanja u dobijenim vrijednostima koja nastaju uglavnom zbog

grešaka u detekciji vrhova PPG signala.

Testiranje rada pod-sistema za mjerenje PTT intervala je izvršeno na snimcima iz MIMIC baze

fizioloških signala. Testiranje je sprovedeno tako što su na ulaze A/D konvertora dovedeni EKG i

PPG signal koji su snimljeni za iste srčane cikluse, a FPGA sistem je vršio obradu signala i

proračun PTT-a. PTT interval je računat kao vremenski interval između pojave R talasa EKG

signala i tačke maksimalnog nagiba PPG signala u jednom istom srčanom ciklusu. Primjer PTT

intervala, izračunatih pomoću FPGA sistema u realnom vremenu, za jedan segment snimka 041.

iz MIMIC baze je dat na Slici 6.22 (a). Slika 6.22 (b) prikazuje signal krvnog pritiska za isti snimak


114

iz MIMIC baze. Poređenjem Slika 6.22 (a) i 6.22 (b) se uočava inverzna korelacija između

sistolnog krvnog pritiska i PTT intervala.

Za precizno mjerenje PTT intervala je značajan efekat kašnjenja signala koji dolaze sa dva

različita senzora, u ovom slučaju sa EKG i PPG senzora. Zbog toga je potrebna sinhronizacija EKG

i PPG signala na ulazima A/D konvertora. Tačnost rada sistema za mjerenje PTT intervala

prvenstveno zavisi od uspješnosti algoritama za detekciju karakterističnih tačaka EKG i PPG

signala. Pogrešne i lažne detekcije karakterističnih tačaka prouzrokuju pogrešna mjerenja PTT

intervala. PTT interval se računa kao vremenska razlika u detekciji R talasa EKG-a i maksimalnog

nagiba PPG-a. Ovo dovodi do toga da loša sinhronizacija EKG i PPG signala ostvaruje negativan

uticaj na mjerenje PTT intervala.

5 10 15 20 25 30 35 40 45 50 5580

90

100

110

120

130

140

150

160

5 10 15 20 25 30 35 40 45 50 5580

90

100

110

120

130

140

150

160

(a)

broj mjerenja

broj mjerenja

(b)

SP

iz E

KG

-aS

P iz P

PG

-a

Slika 6.21 Poređenje (a) vrijednosti srčanog pulsa dobijenih iz EKG signala i (b) vrijednosti dobijenih iz PPG signala


115

broj intervala

broj odbiraka

Krv

ni p

ritisa

k (

mm

Hg)

PT

T (

ms)

0 50 100 150 200 250 300 350 400250

300

350

400

450

500

550

600

650

700

0 0.5 1 1.5 2 2.5 3

x 104

40

50

60

70

80

90

100

110

120

a)

b)

Slika 6.22 Korelacija (a) vrijednosti PTT intervala dobijenih na FPGA čipu i (b) signala krvnog pritiska

Pomoću Quartus II softvera je izvršena analiza zauzetosti logičkih resursa FPGA čipa za

dizajnirani FPGA sistem. Korišćeni Cyclone EP2C70F896C6N FPGA čip posjeduje 68416 logičkih

elemenata (LE). Cjelokupni FPGA sistem za obradu BM signala i praćenje vitalnih parametara pet

pacijenata, prikazan na Slici 5.1, zauzima 16139 LE-a čipa, što je 24 % ukupnih logičkih resursa

čipa. Jedan ekstraktor parametara BM signala, čija je arhitektura prikazana na Slici 5.6, zauzima

3275 LE-a. Za sistem za obradu EKG signala je potrebno 1459 LE-a, dok sistem za obradu PPG-a

zauzima 1770 LE-a.


116

Poglavlje 7.

7. Zaključak

Ekspanzija digitalnih tehnologija daje veliku mogućnost za razvoj i implementaciju metoda i

algoritama za obradu BM signala, njihovo poboljšanje i ekstrakciju željenih karakteristika i

parametara. U radu su predstavljeni algoritmi za obradu EKG i PPG signala, koji su

implementirani na mikrokontrolerskoj i FPGA platformi, u realnom vremenu.

U osnovi realizovanih algoritama za obradu BM signala se nalazi DWT, koja je zadnjih godina

dobila veliku primjenu u biomedicinskom inženjeringu. Korišćena je cjelobrojna verzija Haar

transformacije, u formi S transformacije, koja daje sasvim dovoljno podataka, a jednostavna je

za implementaciju na programabilnim i rekonfigurabilnim platformama. DWT je pogodna za

primjenu u obradi BM signala, a optimizacije DWT omogućuju njenu laku implementaciju u

realnom vremenu. DWT se pokazuje kao odlično sredstvo za obradu BM signala, čak i u

uslovima šuma.

Predloženi su algoritmi za detekciju QRS kompleksa, koji je polazna tačka za mnoge analize

EKG signala. Algoritmi su implementirani i testirani u realnom vremenu, na MK i FPGA platformi.

DWT je iskorišćena za obradu EKG signala i transformaciju QRS kompleksa u dva maksimalna

modula sa suprotnim znacima, sa prolazom kroz nulu između njih. U fazi detekcije QRS

kompleksa se koriste adaptivni pragovi za prepoznavanje karakterističnih tačaka koje nastaju

transformacijom. Zbog adaptivnih pragova za detekciju, realizovani sistemi su prilagodljivi EKG

signalima različitih amplituda i talasnih oblika, što omogućuje njihovu široku primjenu, npr. kod

srčanih aritmija. Kod MK i FPGA realizacije, detekcija QRS kompleksa je iskorišćena za računanje

RR intervala, a kod FPGA realizacije, i za računanje srčanog pulsa. Dobijeni RR intervali se mogu

koristiti za analize varijabilnosti srčanog ritma. Predloženi algoritmi su testirani na polusatnim

snimcima EKG signala iz MIT-BIH Aritmija baze. Korišćeni EKG signali sadrže različite srčane

ritmove i artefakte koji se javljaju u svakodnevnoj kliničkoj praksi. FPGA sistem je testiran na


117

većem uzorku EKG signala, koji sadrže raznovrsne QRS morfologije i artefakte, u odnosu na MK

sistem koji je testiran na manjem uzorku. MK sistem vrši detekciju QRS kompleksa na samo

jednom nivou DWT, dok FPGA sistem koristi tri nivoa DWT, što, u hardverskom smislu, FPGA

sistem čini nadmoćnijim. Kod FPGA sistema je iskorišćen paralelizam, koji odlikuje ovu

tehnologiju, što je omogućilo, ne samo istovremenu analizu više nivoa DWT, već i paralelno

praćenje vitalnih parametara više pacijenata, čak pet. Oba sistema ostvaruju veoma visoku

tačnost u detekciji QRS kompleksa kod čistih signala, a čak i kod signala koji sadrže šum i druge

artefakte. MK sistem je ostvario prosječnu tačnost od 99.06 % nakon primjene na pet EKG

signala, uglavnom sa pravilnim oblicima, dok je FPGA sistem pokazao prosječnu tačnost od

97.53 %, za deset EKG signala, sa veoma promjenljivim morfologijama i mnogim artefaktima. U

radu je prikazano nekoliko rezultata koji su postignuti na EKG signalima, u vidu impulsa koji u

realnom vremenu signaliziraju detekciju QRS kompleksa.

Algoritmi za obradu PPG signala su implementirani na FPGA platformi. Predloženi algoritmi

su adaptivni, vrše detekciju tačaka na vrhu i najvećem nagibu PPG signala, i zasnivaju se na DWT

i operaciji diferenciranja PPG signala. Detekcija vrha PPG signala je iskorišćena za računanje

srčanog pulsa, a tačka najvećeg nagiba je iskorišćena za računanje PTT intervala. PTT interval je

jedan od potrebnih parametara za neinvazivno mjerenje krvnog pritiska, za šta se dizajnirani

sistem može koristiti. PTT interval je računat kao vremenski period između detekcije QRS

kompleksa EKG signala i detekcije tačke najvećeg nagiba u PPG signalu. Testiranje

implementiranih algoritama je izvršeno na snimcima iz MIMIC baze fizioloških signala. Kao veliki

problem u obradi PPG signala, pojavljuju se artefakti pokreta, koji mogu značajno umanjiti

tačnost detekcije. Zbog toga je sistem korišćen uglavnom na PPG snimcima koji sadrže malo

artefakata pokreta, što se i postavlja kao uslov za pravilan rad dizajniranog sistema. Dizajnirani

FPGA sistem ostvaruje visoku tačnost u detekciji kod čistih PPG signala. Testiranje je izvršeno na

pet PPG signala, postižući prosječnu tačnost od 94.52 % u detekciji vrhova signala, i 97.09 % u

slučaju detekcije tačke najvećeg nagiba.

Realizovan je MK sistem koji implementira algoritam za umanjenje šumova, takođe zasnovan

na DWT. Algoritam radi u realnom vremenu i testiran je na EKG i PPG signalima zahvaćenim

raznim tipovima šuma. Sudeći prema postignitim rezultatima, predstavljenim u radu, kvalitet


118

BM signala se znatno poboljšava nakon propuštanja kroz realizovani sistem, u mjeri da je šum

skoro sasvim uklonjen. Ovaj sistem se može primjenjivati i na drugim tipovima signala, ne samo

na BM signalima, tj. svugdje gdje je potrebno poboljšanje signala, u pogledu smanjenja nivoa

šuma.

Zbog postignute visoke tačnosti u radu, realizovani MK i FPGA sistemi mogu biti korišćeni za

praćenje zdravstvenog stanja i više vitalnih parametara, kao i za dijagnostikovanje oboljenja.

Tačnost detekcija značajnih tačaka EKG i PPG signala bi se mnogo povećala da je izvršeno

prethodno filtriranje signala, zbog uklanjanja raznih artefakata, a zatim njihova dalja obrada

pomoću predstavljenih sistema.

Dizajnirani sistemi su pogodni za upotrebu u ugrađenim sistemima i prenosivim medicinskim

uređajima. Korišćene tehnologije omogućuju realizaciju minijaturizovanih i nisko-potrošnih

uređaja, koji se napajaju pomoću baterija, što je slučaj sa mnogim uređajima dizajniranim za

medicinske svrhe. BM signali su digitalizovani koristeći frekvenciju odabiranja 800 Hz, u slučaju

detekcija karakterističnih tačaka u BM signalima, i 762 Hz kod umanjenja šumova. Ove

frekvencije odabiranja omogućuju reprezentativnu digitalizaciju svih brzo-promjenljivih dijelova

BM signala. Realizovani MK i FPGA sistemi podržavaju serijsku komunikaciju, što daje

mogućnost povezivanja sa drugim uređajima, npr. sa personalnim računarima, koji mogu služiti

za prikupljanje i analizu dijagnostičkih informacija. Paralelizam FPGA tehnologije je korišćen za

realizaciju svih dijelova FPGA sistema, a najveće prednosti upotrebljenog paralelizma se

ogledaju u primjeni pet realizovanih ekstraktora parametara, koji istovremeno obrađuju EKG i

PPG signale za pet pacijenata.

Smjernice za budući rad su:

Integracija dizajniranog mikrokontrolerskog i FPGA sistema u šire sisteme koji sadrže

senzore EKG i PPG signala, kako bi se realizovali kompletni sistemi za procjenu vitalnih

parametara, sasvim osposobljeni za rad u realnom vremenu i direktnu primjenu u

kliničkim uslovima.

Realizacija digitalnih filtera za BM signale, koji se u okviru realizovanih sistema mogu

koristiti nakon izvršene analogno-digitalne konverzije signala, prije početka faze


119

detekcije njihovih značajnih tačaka. Ovakvo poboljšanje bi značajno doprinijelo

povećanju tačnosti rada implementiranih algoritama za detekcije.

Realizacija sistema za automatsku kontrolu pojačanja BM signala. Realizacija sistema za

automatsku detekciju artefakata pokreta i isključenje nevalidnih vrijednosti vitalnih

parametara.

Realizacije algoritama za ekstrakciju parametara EKG i PPG signala, sa većim stepenom

paralelizma, namijenjenih mikrokontrolerskim platformama.

Hardverske realizacije DWT koristeći Quadratic Spline i Daubechies 4 wavelete i nihova

primjena na BM signale.

Realizacija i implementacija algoritama za obradu EEG signala.


120

Prilog

Prilog radu je CD koji sadrži:

elektronsku verziju rada,

izvorne kodove.


121

Literatura

[1] Adam Gacek, Witold Pedrycz, ECG Signal Processing, Classification and Interpretation: A

Comprehensive Framework of Computational Intelligence, Springer, 2011.

[2] John G. Webster, Design of Pulse Oximeters, Taylor & Francis, 1997.

[3] Metin Akay, Time Frequency and Wavelets in Biomedical Signal Processing, Wiley-IEEE Press,

1997.

[4] R. Bartholomä, F. Kesel, "Implementing Signal Processing Algorithms on FPGAs",

Radioelektronika 2003, Brno, Tschechien, 2003.

[5] Uwe Meyer-Baese, Digital Signal Processing with Field Programmable Gate Arrays, Springer,

2001.

[6] Leif Sörnmo, Pablo Laguna, Bioelectrical Signal Processing in Cardiac and Neurological

Applications, Academic Press, 2005.

[7] Nicholle Brock, Principles of ALS Care, Jones & Bartlett Learning, 2010.

[8] U. Rajendra Acharya, K. Paul Joseph, N. Kannathal, C.M. Lim, J.S. Suri, ‘’Heart rate variability:

a review’’, Med. Biol. Eng. Comput., Vol. 44, pp. 1031-1051, 2006.

[9] G.M. Friesen, T.C. Jannett, M.A. Jadallah, S.L. Yates, S.R. Quint, H.T. Nagle, ‘’A comparison of

the noise sensitivity of nine QRS detection algorithms’’, IEEE Trans. Biomed. Eng, Vol. 37, pp.

85-98, 1990.

[10] N. Kumaravel, A. Senthil, K.S. Sridhar, N. Nithiyanandam, ‘’Integrating the ECG power-line

interference removal methods with rule-based system’’, Biomed. Sci. Instrum., Vol. 31, pp.

115-120, 1995.

[11] P.S. Hamilton, ‘’A comparison of adaptive and nonadaptive filters for reduction of power

line interference in the ECG’’, IEEE Trans. Biomed. Eng., Vol. 43, No. 1, pp. 105-109, 1996.

[12] E. Cramer, C.D. McManus, D. Neubert, ‘’Estimation and removal of power line interference

in the electrocardiogram: a comparison of digital approaches’’, Comput. Biomed. Res.,Vol.

20, No. 1, pp. 12-28, 1987.


122

[13] A. V. Oppenheim, A. S. Willsky, S. H. Nawab, Signals and Systems, Prentice-Hall, New

Jersey, 1997.

[14] S. H. Liu, ‘’Motion Artifact Reduction in Electrocardiogram Using Adaptive Filter’’, Medical

and Biological Engineering, Vol. 31, No. 1, pp. 67-72, 2009.

[15] M. Blanco-Velasco, B. Weng, K.E. Barner, ‘’ECG signal denoising and baseline wander

correction based on the empirical mode decomposition’’, Comput. Biol. Med., Vol. 38, pp. 1-

13, 2008.

[16] O. Sayadi, M. B. Shamsollahi, ‘’ECG Denoising and Compression Using a Modified Extended

Kalman Filter Structure’’, IEEE Trans. Biomed. Eng., Vol. 55, No. 9, pp. 2240-2248, 2008.

[17] N. V. Thakor, Y.S. Zhu, ‘’Applications of adaptive filtering to ECG analysis: noise cancellation

and arrhythmia detection’’, IEEE Transactions on Biomedical Engineering, Vol. 38, No. 8, pp.

785-794, 1991.

[18] S. Poornachandra, ‘’Wavelet-based denoising using subband dependent threshold for ECG

signals’’, Digital signal processing, Vol.18, pp. 49-55, 2008.

[19] B.U. Köhler, C. Hennig, R. Orglmeister, ‘’The principles of software QRS detection’’, IEEE

Enginering in Medicine and Biology, Vol. 21, pp. 42-57, 2002.

[20] P.S. Hamilton, W.J. Tompkins, ‘’Quantitative investigation of QRS detection rules using the

MIT/BIH arrhythmiac database’’, IEEE Trans. Biomed. Eng., Vol. 33, pp. 1157-1165, 1986.

[21] J. Pan, W.J. Tompkins, ‘’A real-time QRS detection algorithm’’, IEEE Trans. Biomed. Eng.,

Vol. 32, pp. 230-236, 1985.

[22] M. Bahoura, M. Hassani, M. Hubin, ‘’DSP implementation of wavelet transform for real

time ECG wave forms detection and heart rate analysis’’, Comput. Methods Programs

Biomed., Vol. 52, No. 1, pp. 35-44, 1997.

[23] V. Di-Virgilio, C. Francaiancia, S. Lino, S. Cerutti, ‘’ECG fiducial points detection through

wavelet transform’’, IEEE Eng. Med. Biol. 17th Ann. Conf. 21st Canadian Med. Biol. Eng.

Conf., pp. 1051-1052, Montreal, Quebec, Canada, 1997.

[24] S. Kadambe, R. Murray, G.F.Boudreaux-Bartels, ‘’Wavelet transform-based QRS complex

detector’’, IEEE Trans. Biomed. Eng., Vol. 46, pp. 838-848, 1999.

[25] S. Mallat, W.L. Hwang, ‘’Singularity detection and processing with wavelets’’, IEEE Trans.

Inform. Theory, Vol. 38, pp. 617-643, 1992.


123

[26] C. Li, C. Zheng, C. Tai, ‘’Detection of ECG characteristic points using wavelet transforms’’,

IEEE Trans. Biomed. Eng., Vol. 42, pp. 21-28, 1995.

[27] Y.H. Hu, W.J. Tompkins, J.L. Urrusti, V.X. Afonso, ‘’Applications of artificial neural networks

for ECG signal detection and classification’’, J. Electrocardiology, Vol. 26, pp. 66-73, 1993.

[28] G. Vijaya, V. Kumar, H.K. Verma, ‘’ANN-based QRS-complex analysis of ECG’’, J. Med. Eng.

Technol., Vol. 22, No. 4, pp. 160-167, 1998.

[29] P.E. Trahanias, ‘’An approach to QRS complex detection using mathematical morphology’’,

IEEE Trans. Biomed. Eng., Vol. 40, No. 2, pp. 201-205, 1993.

[30] C.H.H. Chu, E.J. Delp, ‘’Impulsive noise suppression and background normalization of

electrocardiogram signals using morphological operators’’, IEEE Trans. Biomed. Eng., Vol. 36,

pp. 262-273, 1989.

[31] C. Pavlatos, A. Dimopoulos, G. Manis, G. Papakonstantinou, ''Hardware implementation of

PAN & TOMPKINS QRS detection algorithm’’, EMBEC'05, Prague, Czech Republic, 2005.

[32] A. Ruha, S. Sallinen, S. Nissila, ‘’A real-time microprocessor QRS detector system with a 1-

ms timing accuracy for the measurement of ambulatory HRV’’, IEEE Trans. Biomed. Eng.,Vol.

44, pp. 159-167, 1997.

[33] S. Hoferichter, B. U. Köhler, C. Henning, R. Orglmeister, ‘’On-Line QRS Detection using the

TMS320C6701’’, Proc. 3rd. European DSP Education and Research Conference, 2000.

[34] M.W. Phyu, Y. Zheng, B. Zhao, X. Liu, Y.S. Wang, ‘’A Real-Time ECG QRS Detection ASIC

Based on Wavelet Multiscale Analysis’’, In Proceedings of the Solid-State Circuits Conference,

A-SSCC, pp. 293-296, 2009.

[35] T.T. Hoang, J.P. Son, Y.R. Kang, C.R. Kim, H.Y. Chung, S.W. Kim, ‘’A Low Complexity, Low

Power, Programmable QRS Detector Based on Wavelet Transform for Implantable

Pacemaker’’, In Proceedings of the 19th IEEE System on Chip Conference (SOCC), pp. 160-

163, Texas, USA, 2006.

[36] I.I. Chio, I.V. Mang, U.M. Peng, ‘’ECG QRS Complex Detection with Programmable

Hardware’’, In Proceedings of the 30th Annual International Conference of the IEEE

Engineering in Medicine and Biology Society, pp. 2920-2923, Vancouver, British Columbia,

Canada, 2008.


124

[37] R. Stojanović, D. Karadaglić, M. Mirković, D. Milošević, ‘’A FPGA system for QRS complex

detection based on Integer Wavelet Transform’’, Measurement Science Review, Vol. 11,

Issue 4, pp. 131-138, 2011.

[38] M. Rudnicki, P. Strumillo, ‘’A Real-Time Adaptive Wavelet Transform-Based QRS Complex

Detector’’, In proceeding of 8th International Conference on Adaptive and Natural

Computing Algorithms, ICANNGA 2007, Proceedings, Part II, Warsaw, Poland, pp. 281-289,

2007.

[39] P. Kumar, M. Jain, S. Chandra, ‘’Low Cost, Low Power QRS Detection Module Using PIC’’, In

Proceedings of the 2011 International Conference on Communication Systems and Network

Technologies, Katra, Jammu, India, pp. 414-418, 2011.

[40] http://www.ti.com

[41] R.E. Kleiger, J.P. Miller, J.T. Bigger, A.J. Moss, ‘’Decreased heart rate variability and its

association with increased mortality after myocardial infarction‘’, Am. J. Cardiol., Vol. 59, pp.

256-262, 1987.

[42] Federico Lombardi, ‘’Spectral Analysis of Heart Rate Variability‘’, Cardiac Electrophysiology

Review, Vol. 1, Issue 3, pp. 335-337, 1997.

[43] M. Alnaeb, N. Alobaid, A. Seifalian, D. Mikhailidis, G. Hamilton, ‘’Optical Techniques in

the Assessment of Peripheral Arterial Disease’’, Curr Vasc Pharmacol, Vol. 5, pp. 53-59.

2007.

[44] A. Hertzman, ‘’The blood supply of various skin areas as estimated by the photoelectric

plethysmograph’’, Amer J Physiol., 1924:329-40, 1938.

[45] M. Elgendi, ‘’On the Analysis of Fingertip Photoplethysmogram Signals’’, Current Cardiology

Reviews, Vol. 8, No. 1, 2012.

[46] K.H. Shelley, ‘’Photoplethysmography: beyond the calculation of arterial oxygen saturation

and heart rate‘’, Anesthesia & Analgesia, Vol. 105, pp. S31-36, 2007.

[47] J. Dorlas, J. Nijboer, ‘’Photo-electric plethysmography as a monitoring device in

anaesthesia. Application and interpretation’’, British Journal of Anaesthesia, Vol. 57, pp.

524-30, 1985.

http://www.ti.com/


125

[48] E. Chua, S. Redmond, G. McDarby, C. Heneghan, ‘’Towards using photo-plethysmogram

amplitude to measure blood pressure during sleep’’, Annals of Biomedical Engineering, Vol.

38, No. 3, pp. 945-54, 2010.

[49] S. Lu, H. Zaho, K. Ju, K. Shin, M. Lee, K. Shelly, et al., ‘’Can photoplethysmography variability

serve as an alternative approach to obtain heart rate variability information?’’, Journal

Clinical Monitoring and Computing, Vol. 22, No. 1, pp. 23-29, 2008.

[50] T.R. Dawber, H.E Jr Thomas, P.M. McNamara, ‘’Characteristics of the dicrotic notch of the

arterial pulse wave in coronary heart disease’’, Angiology, Vol. 24, pp. 244-255, 1973.

[51] B. Bates, A Guide to Physical Examination, 6th edition, J.B. Lippingcott Company,

Philadelphia, USA, 1995.

[52] H. Gesche, D. Grosskurth, G. Küchler, A. Patzak, ‘’Continuous blood pressure measurement

by using the pulse transit time: Comparison to a cuff-based method‘’, Eur. J. Appl. Physiol.,

Vol. 112, pp. 309-315, 2012.

[53] Soo-young Ye, Gi-Ryon Kim, Dong-Keun Jung, Seong-wan Baik, Gye-rok Jeon, ‘’Estimation of

Systolic and Diastolic Pressure using the Pulse Transit Time’’, World Academy of Science,

Engineering & Technology, Vol. 67, p726, 2010.

[54] T. Ma, Y.T. Zhang, ‘’A Correlation Study on the Variabilities in Pulse Transit Time, Blood

Pressure, and Heart Rate Recorded Simultaneously from Healthy Subjects’’, Proceeding of

the 27th Annual Conference of the IEEE Engineering in Medicine and Biology, Shanghai,

China, pp. 996-999, 2005.

[55] Lee Ju-Won, Nam Jae-Hyun, ‘’Design of Filter to Reject Motion Artifacts of PPG Signal by

Using Two Photosensors’’, International Journal of Information and Communication

Engineering, Vol. 10, Issue 1, pp. 91-95, 2012.

[56] E. Kunesch, F. Binkofski, H.J. Freund, ‘’Invariant temporal characteristics of manipulative

hand movements’’, Exp. Brain Res., Vol. 78, pp. 539-546, 1989.

[57] A. Jubran, ‘’Pulse oximetry’’, In: M.J. Tobin (ed), Principles and practice of intensive care

monitoring, McGraw-Hill, New York, pp. 261-287, 1998.

[58] C. Ahlstrom, A. Johansson, F. Uhlin, T. Lanne, P. Ask, ''Noninvasive Investigation of Blood

Pressure Changes Using the Pulse Wave Transit Time: a Novel Approach in the Monitoring of

Hemodialysis Patients'', The Japanese Society for Artificial Organs, Vol. 8, pp. 192-197, 2005.


126

[59] S.H. Shin, Y.B. Park, H.W. Rhim, W.S. Yoo, Y.J. Park, D.H. Park, ‘’Multibody Dynamics in

Arterial System’’, Journal of Mechanical Science and Technology, Vol. 19, No. 1, pp. 343-349,

2005.

[60] Q. Zhang, Y. Shi, et al., ‘’Pulse transit time-based blood pressure estimation using hilbert-

huang transform’’, Conf Proc IEEE Eng Med Biol Soc 2009, pp. 1785-8, 2009.

[61] D.L. Li, Y. Pan, H. Chen, S.M. Ye, H. Yan, ‘’The Establishment of a Non-invasive Continuous

Blood Pressure Measure System based on Pulse Transit Time’’, The 2nd International

Conference on Bioin-formatics and Biomedical Engineering, Shanghai, China, May 16-18, pp.

1624-1627, 2008.

[62] K. Nakajima, T. Tamura, H. Miike, ‘’Monitoring of heart and respiratory rates by

photoplethysmography using a digital filtering technique’’, Med. Eng. Phys., Vol. 18, No. 5,

pp. 365-72, Jul. 1996.

[63] A. Johansson et al., ‘’Monitoring of Heart and Respiratory Rates in Newborn Infants Using a

New Photoplethysmographic Technique’’, J Clin Monit Comput., Vol.15, Isss. 7-8, pp. 461-

467, 1999.

[64] Y.S. Yan, C.C. Poon, Y.T. Zhang, ‘’Reduction of motion artifact in pulse oximetry by

smoothed pseudo Wigner–Ville distribution’’, J. Neuroeng. Rehabil., 2005.

[65] Tsu-Hsun Fu, Shing-Hong Liu, Kuo-Tai Tang, ‘’Heart rate extraction from the

photoplethysmogram waveform using wavelet multi-resolution analysis’’, Journal of Medical

and Biological Engineering, Vol. 28, No. 4, pp. 229-232, 2008.

[66] K. Takazawa, N. Tanaka, M. Fujita, O. Matsuoka, T. Saiki, M. Aikawa, et al. ‘’Assessment of

vasocative agents and vascular aging by the second derivative of photoplethysmogram

waveform’’, Hypertension, Vol. 32, pp. 365-370, 1998.

[67] S. Millasseau, R. Kelly, J. Ritter, P. Chowienczyk, ‘’Determination of age-related increases in

large artery stiffness by digital pulse contour analysis’’, Clinical Science., Vol. 103, pp. 371-

377, 2002.

[68] S.R. Alty, N. Angarita-Jaimes, S.C. Millasseau, P.J. Chowienczyk, ‘’Predicting Arterial

Stiffness From the Digital Volume Pulse Waveform’’, IEEE Transactions on Biomedical

Engineering, Vol. 54, No. 12, pp. 2268-75, 2007.


127

[69] M.Greve, E.Kviesis-Kipge, O.Rubenis, U.Rubins, V.Mecnika, A.Grabovskis, Z.Marcinkevics,

“Comparison of pulse rate variability derived from digital photoplethysmography over the

temporal artery with the heart rate variability derived from a polar heart rate monitor’’,

Proc. 7th ESGCO, Kazimierz Dolny, Poland, 2012.

[70] M. Elgendi, ‘’A and B waves detection in acceleration photoplethysmogram’’,

http://vixra.org.

[71] J.M. Graybeal, M.T. Petterson, ‘’Adaptive filtering and alternative calculations

revolutionizes pulse oximetry sensitivity and specificity during motion and low perfusion’’,

Engineering in Medicine and Biology Society, IEMBS '04. 26th Annual International

Conference of the IEEE, pp. 5363-5366, 2004.

[72] K.A. Reddy, et al., ‘’Motion Artifact Reduction and Data Compression of Photoplethysmo-

graphic Signals utilizing Cycle by Cycle Fourier Series Analysis’’, Instrumentation and

Measurement Technology Conference Proceedings, IMTC 2008. IEEE, pp. 176-179, 2008.

[73] B.S. Kim, S.K. Yoo, ‘’Motion artifact reduction in photoplethysmography using independent

component analysis’’, IEEE Trans. Biomed. Eng., Vol. 53, pp. 566-568, 2006.

[74] S. Kim, E.J. Hwang, D.W. Kim, ‘’Reduction of movement artifacts in photo- plethysmograph

using SFLC (scaled Fourier linear combiner)’’, IFMBE Proc., Vol. 15, pp. 427-430, 2007.

[75] K.W. Chan, Y.T. Zhang, ‘’Adaptive reduction of motion artifact from photo-

plethysmographic recordings using a variable step-size LMS filter’’, Conf. Proc. IEEE Sens. 2,

pp. 1343–1346, 2002.

[76] A.R. Relente, L.G. Sison, ‘’Characterization and adaptive filtering of motion artifacts in pulse

oximetry using accelerometers’’, IEEE Trans. Biomed. Eng., Vol. 48, pp. 452–461, 2001.

[77] J.Y.A. Foo, S.J. Wilson, ‘’A computational system to optimise noise rejection in

photoplethysmography signals during motion or poor perfusion states’’, Med. Biol. Eng.

Comput., Vol. 44, pp. 140-145, 2006.

[78] B. Lee, J. Han, H.J. Baek, J.H. Shin, K.S. Park, and W.J. Yi, ‘’Improved elimination of motion

artifacts from a photoplethysmographic signal using a Kalman smoother with simultaneous

accelerometry’’, Physiological Measurement, Vol. 31, pp. 1585-1603, 2010.

[79] R. Couceiro, P. Carvalho, R.P. Paiva, J. Henriques, ‘’Detection of motion artifacts in

photoplethysmographic signals based on time and period domain analysis’’, Annual

http://vixra.org/


128

International Conference of the IEEE Engineering in Medicine and Biology Society, IEEE

Engineering in Medicine and Biology Society. Conference 08/2012, pp. 2603-6, 2012.

[80] R.J.E. Merry, ‘’Wavelet theory and applications: a literature study’’, Technische Universiteit

Eindhoven (Eindhoven), DCT 2005.053., 2005., [Online]. Available:

http://alexandria.tue.nl/repository/books/612762.pdf

[81] S.G. Mallat, ‘’A theory for multiresolution signal decomposition: the wavelet

representation’’, IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 11, No. 7, pp.

674-693, 1989.

[82] A.R. Calderbank, I. Daubechies, W. Sweldens, B.L. Yeod, ‘’Wavelet Transforms That Map

Integers to Integers’’, Applied and Computational Harmonic Analysis, Vol. 5, Issue 3, pp. 332-

369, 1998.

[83] C. Li, C. Zheng, C. Tai, ‘’Detection of ECG characteristic points using wavelet transforms’’,

IEEE Trans. Biomed. Eng., Vol. 42, pp. 21-8. 1995.

[84] L. Senhadji, G. Carrault, J.J Bellanger, G. Passariello, ‘’Comparing wavelet transforms for

recognizing cardiac patterns’’, IEEE Trans. Med. Biol., Vol. 13, pp. 167-73, 1995.

[85] J.S. Sahambi, S.M. Tandon, R.K.P. Bhatt, ‘’Using wavelet transforms for ECG

characterization: an on-line digital signal processing system’’, IEEE Eng. Med. Biol., Vol. 16,

pp. 77-83, 1997.

[86] D. Cvetkovic, E.D. Übeyli, Irena Cosic, ‘’Wavelet transform feature extraction from human

PPG, ECG, and EEG signal responses to ELF PEMF exposures: A pilot study’’, Digital Signal

Processing Vol. 18, No. 5, pp. 861-874, 2008.

[87] P. Manimegalai, A. Sahoo, Dr.K. Thanushkodi, ‘’Wavelet based cardiovascular parameters

estimation system using ECG and PPG signals’’, European Journal Of scientific Research, Vol.

65, Issue 4, December 2011.

[88] T. Nguyen, G. Strang. Wavelets and Filter Banks. Wellesley-Cambridge Press, 1996.

[89] G. Oppenheim, J.M. Poggi, M. Misiti, Y. Misiti. Wavelet Toolbox. The MathWorks, Inc.,

Natick, Massachusetts 01760, April 2001.

[90] http://www.altera.com

[91] http://en.wikipedia.org/wiki/Double_dabble

[92] http://www.iar.com

http://alexandria.tue.nl/repository/books/612762.pdf

http://www.altera.com/

http://en.wikipedia.org/wiki/Double_dabble

http://www.iar.com/


129

[93] https://www.olimex.com/

[94] http://see.ni.com/

[95] G.B. Moody, R.G. Mark, ‘’The impact of the MIT-BIH Arrhythmia Database‘’, IEEE Eng in

Med and Biol, Vol. 20, No. 3, pp. 45-50, 2001.

[96] G.B Moody,R.G. Mark, ‘’A Database to Support Development and Evaluation of Intelligent

Intensive Care Monitoring‘’, Computers in Cardiology, Vol. 23, pp. 657-660, 1996.

https://www.olimex.com/

http://see.ni.com/

knezevic magistarski rad.pdf · sažetak ekstrakcija parametara biomedicinskih signala je od...

Documents