ОПТИМАЛЬНАЯ ФИЛЬТРАЦИЯ СИГНАЛА ЭКГ НА ОСНОВЕ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ

Бехруз Бадридинович Саидов, Владимир Федорович Тележкин

Аннотация


Развитие средств цифровой обработки сигналов и микропроцессорной техники создают условия для совершенствования методов диагностики функционального состояния органов. Вейвлетный анализ – это современный и перспективный метод обработки информации. С целью определения эффективных оптимальных фильтраций сигнала электрокардиографии на основе вейвлет-преобразования в работе была произведена вейвлет-фильтрация с использованием вейвлетов разных семейств, исследована эффективность применения различных уровней разложения, способов расчета порога и видов пороговой функции. Цель исследования: определение эффективных оптимальных фильтраций сигнала электрокардиографии на основе вейвлет-преобразования. Материалы и методы. Для анализа были взяты кардиограммы. Далее они были оцифрованы и введены в компьютер для обработки. Была написана программа в среде MATLAB, реализующая непрерывное и дискретное вейвлет-преобразование. Результаты. В результате исследования были протестированы 56 комбинаций параметров шумоподавления для трех уровней шума. Было выявлено, что максимальная степень очистки сигнала от шума была получена с использованием вейвлета Койфлета 5 с использованием жесткого метода пороговой обработки, с эвристическим способом расчета порогового значения. Вейвлет Симмлета 8 имеет меньшие значения коэффициента корреляции, чем Койфлет 5, на уровне шума 35 дБ наилучший результат 97 %, на уровне шума 40 дБ наилучший результат 98,7 %, на уровне шума 45 дБ наилучший результат 99,3 %, что в целом незначительно отличается от коэффициентов корреляции вейвлет Койфлета 5. Заключение. В результате исследования были сделаны следующие выводы: оптимальный уровень вейвлет разложения ЭКГ сигнала N = 2; максимальная степень очистки сигнала от шума была получена с использованием вейвлет Койфлета 5 с использованием жесткого метода пороговой обработки, с эвристическим способом расчета порогового значения; вейвлет Симмлета 8 с использованием мягкого метода пороговой обработки, с минимаксным способом расчета порогового значения также показывает достойные упоминания результаты, незначительно уступающие результатам вейвлета Койфлета 5.

Ключевые слова


ЭКГ сигнал; вейвлет Симмлета 8; вейвлет Койфлета 5; метод пороговой обработки; оптимальный уровень

Полный текст:

PDF (English)

Литература


Bohan C., Hongliu, Y. ECG Signal Processing and Human State Detection Based on Wearable Electrodes. Journal of Physics: Conference Series, 2021, рр. 1–8. DOI: 10.1088/1742-6596/1952/3/032055

Saidov B., Telezhkin V. Transformation of the Amplitude-Modulated Spectrum of a Signal on a Nonlinear Element. 2020 International Russian Automation Conference (RusAutoCon), 2020, pp. 757–761. DOI: 10.1109/RusAutoCon49822.2020.9208134

Phinyomark A., Limsakul C., Phukpattaranont P. An Optimal Wavelet Function Based on Wavelet Denoising for Multifunction Myoelectric Control. 6th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON 2009), Thailand, 2009, vol. 2, pp. 1098–1110. DOI: 10.1109/ECTICON.2009.5137236

Burhan E. Signal and Image Denoising Using Wavelet Transform. Advances in Wavelet Theory and Their Applications in Engineering, Physics and Technology, 2012, pp. 495–514. DOI: 10.5772/36434

Singh B.N., Tiwari A.K. Optimal Selection of Wavelet Basis Function Applied to ECG Signal Denoising. Digital Signal Processing, 2006, vol. 16 (3), pp. 275–287. DOI: 10.1016/j.dsp.2005.12.003

Bagheri F., Ghafarnia N., Bahrami F. Electrocardiogram (ECG) Signal Modeling and Noise Reduction Using Hopfield Neural Networks. Eng. Technol. Appl. Sci. Res., 2013, vol. 3, no. 1, pp. 345–348. DOI: 10.48084/etasr.243

Sameni R., Shamsollahi M.B., Jutten C., Babaie-Zadeh M. Filtering noisy ECG signals using the extended kalman filter based on a modified dynamic ECG model. Computers in Cardiology, 2005, pp. 1017–1020. DOI: 10.1109/CIC.2005.1588283

Shemi P.M., Shareena E.M. Analysis of ECG signal denoising using discrete wavelet transform. 2016 IEEE International Conference on Engineering and Technology(ICETECH), 2016, pp. 713–718, DOI: 10.1109/ICETECH.2016.7569341

Chouakri S.A., Bereksi-Reguig F., Ahmaïdi S., Fokapu O. Wavelet Denoising of the Electrocardiogram Signal Based on the Corrupted Noise Estimation. Computers in Cardiology, 2005, pp. 1021–1024. DOI: 10.1109/CIC.2005.1588284

Telezhkin V., Saidov B. Integrated Information Processing in Wireless (Secure) Communications of Corporate Communication Systems. 2020 International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon), 2020, pp. 1–5. DOI: 10.1109/FarEastCon50210.2020.9271417

Sameni R., Shamsollahi M.B., Jutten C., Clifford G.D. A Nonlinear Bayesian Filtering Framework for ECG Denoising. IEEE Transactions on Biomedical Engineering, 2007, vol. 54, no. 12, pp. 2172–2185. DOI: 10.1109/TBME.2007.897817

Mishu M.M.H., Hossain A.B.M.A., Emon M.E.A. Denoising of ECG signals using dual tree complex wavelet transform. 2014 17th International Conference on Computer and Information Technology (ICCIT), 2014, pp. 379–382. DOI: 10.1109/ICCITechn.2014.7073141

Aowlad Hossain A.B.M., Haque M.A. Analysis of Noise Sensitivity of Different ECG Detection Algorithms. International Journal of Electrical and Computer Engineering (IJECE), 2013, vol. 3, no. 3, pp. 307–316. DOI: 10.11591/ijece.v3i3.2516

Omid S., Mohammad B.Sh. ECG Denoising and Compression Using a Modified Extended Kalman Filter Structure. IEEE transactions on biomedical engineering, 2008, vol. 55, no. 9, pp. 2240–2248. DOI: 10.1109/TBME.2008.921150

Telezhkin V., Saidov B., Ragozin A. Recognition and Elimination of Anomalies in Information Leakage Channels in Opto-Ultrasonic Communication Channels in Data Streams of Industrial Automated Systems. 2021 International Russian Automation Conference (RusAutoCon), 2021, pp. 201–206. DOI: 10.1109/RusAutoCon52004.2021.9537495




DOI: http://dx.doi.org/10.14529/ctcr210415

Ссылки

  • На текущий момент ссылки отсутствуют.