Тема: Спектральный исследование электрокардиограммы

  • Вид работы:
    Реферат
  • Предмет:
    Медицина, физкультура, здравоохранение
  • Язык:
    Русский
  • Формат файла:
    MS Word
  • Размер файла:
    1,07 Mb
Спектральный исследование электрокардиограммы
Спектральный исследование электрокардиограммы
Вы можете узнать стоимость помощи в написании студенческой работы.
Помощь в написании работы, которую точно примут!

Оглавление

Перечень принятых сокращений и условных обозначений

Введение

Глава 1. Средства регистрации и анализа ЭКС

.1Цифровой метод анализа ЭКС.

.2Детектирование R-зубца.

.3Методы обработки сигналов.

.3.1Виды сигналов

.3.2Цели обработки сигналов

.3.3Методы и технологии обработки сигналов.

.3.4Сравнение аналоговой и цифровой обработки сигналов

Глава 2 Исследование электрокардиосигналов, полученных с помощью электрокардиографа сверхвысокого разрешения

.1Материалы и методы, использованные при проведении исследования

.2Оборудование, использованное при проведении исследования

.3Организация исследования и получение экспериментальных данных

Глава 3 Обработка полученных данных

.1Цели обработки данных

.2Возможности анализа с помощью пакета MatLab

.3Варианты спектрального анализа с помощью пакета MATLAB

.4Анализ полученных результатов

Заключение

Список литературы

Перечень принятых сокращений и условных обозначений

Электрокардиограмма (ЭКГ)- графическое представление разности потенциалов возникающих в результате работы сердца и проводящихся на поверхность тела. На ЭКГ отражается усреднение всех векторов потенциалов действия, возникающих в определённый момент работы сердца.

Инфаркт миокарда (ИМ) - одна из клинических форм ишемической болезни сердца <#"justify">Введение

В рамках работы по изучению тонкой структуры биоэлектрических сигналов, проводимой на кафедре медицинской радиоэлектроники Санкт-Петербургского государственного университета аэрокосмического приборостроения, был разработан экспериментальный электрокардиограф сверхвысокого разрешения. В ходе выполнения исследовательской работы по исследованию электрокардиосигналов с помощью электрокардиографа сверхвысокого разрешения была поставлена проблема анализа полученных электрокардиосигналов методом спектрального анализа. Этой проблемой я и решила заняться.

Данная работа актуальна для большей диагностической информативности электрокардиосигнала. В том числе для понимания развития, течения и методов лечения (использование стволовых клеток) инфаркта миокарда (ИМ), как в раннем, так и в позднем постинфарктном периоде.

Цель исследования состоит в получении сигналов с помощью электрокардиографа сверхвысокого разрешения (ЭКГ СВР) на основе экспериментального исследования на животных с моделью ИМ (инфаркта миокарда) и анализе полученных данных. В том числе в исследовании спектрального состава электрокардиосигнала полученного с помощью ЭКГ СВР при нормальном и при патологическом состоянии сердечно - сосудистой системы животного.

В ходе проведения исследования были поставлены следующие задачи для достижения: организация исследования для получения экспериментальных ЭКС СВР; регистрация ЭКГ СВР; анализ методов обработки информации в частности ЭКС и выбор метода; анализ математических программ для обработки информации; написание программы для построения спектров ЭКС СВР; анализ полученных данных (спектров ЭКС СВР); формирование банка данных ЭКС; написание программы исследования.

Данная работа актуальна в первую очередь для большей диагностической информативности электрокардиосигнала. В том числе для понимания развития, течения и методов лечения (использование стволовых клеток) ИМ, как в раннем, так и в позднем постинфарктном периоде.

При проведении исследования было запланировано получение следующих результатов: получение спектров ЭКС СВР; анализ спектров ЭКС СВР, сравнение со спектрами нормального ЭКС; возможность получения отличительных особенностей для диагностики СС заболеваний на ранних этапах; формирование банка данных ЭКС.

Результаты исследования могут быть использованы в системах диагностики сердечнососудистых заболеваний в специализированных медицинских учреждениях.

Для проведения эксперимента и получения электрокардиосигналов использовалось следующее оборудование: ИВЛ проводиться с помощью аппарата SAR-830P (частота дыхания - 50/мин, дыхательный объем - 3 мл/100 г массы тела). В том числе, в ходе эксперимента у животных выполнялась запись электрокардиограммы (Кардиотехника-8, ЗАО «Инкарт», СПб) в стандартных отведениях и частота сердечных сокращений (ЧСС). Так же, параллельно, производилась запись электрокардиограммы при помощи экспериментального электрокардиографа сверхвысокого разрешения. Для построения спектров ЭКС используется пакет математических программ MatLab R2009b.

Глава 1. Средства регистрации и анализа ЭКС

1.1Цифровой метод анализа ЭКС

В задачах обработки биоэлектрических сигналов (БЭС) с учетом прогресса в развитии технических средств измерения их параметров и в увеличении вычислительной мощности средств цифровой обработки сигналов одной из наиболее актуальных проблем становится их вторичная обработка и атоматизированный анализ. При разработке цифровых методов анализа электрокардиосигналов (ЭКС) для повышения эффективности кардиодиагностики требуется создание новых точных, быстрых и надежных алгоритмов выделения отдельных элементов внутри каждого кардиоцикла и точного вычисления их временных и статистических характеристик. Решение этих задач позволит более точно диагностировать кардиопатологии, улучшит диагностическую ценность уже существующих методик и позволит реализовать новые алгоритмы определения признаков кардиозаболеваний на разных и, что особенно важно, на самых ранних стадиях развития.

Эффективный совместный автоматизированный анализ заданного набора последовательностей кардиоциклов ЭКС требует существенного повышения точности временной синхронизации каждого отдельного кардиоцикла. В данном случае синхронизация рассматривается, как вопрос поиска и высокоточной оценки временного положения характерных точек ЭКС для последующего синхронного анализа как всей выборки в одном отведении, так и всех сигналов многоканального электрокардиографа. Современные методы решения данной проблемы не отличаются высокой точностью, надежностью и эффективностью и не позволяют, ввиду вариабельности сердечного ритма, производить эффективный синхронный анализ кардиоциклов вне ближайшей окрестности R-зубца. Следовательно, для увеличения точности и надежности синхронизации требуется разработка новых алгоритмов высокоточного определения временных характеристик отдельных элементов кардиоцикла.

Наибольшую актуальность вопрос высокоточной синхронизации имеет для кардиографии сверхвысокого разрешения (ЭКГ СВР), в которой извлечение низкоамплитудных составляющих ЭКС накладывает повышенные требования к точности синхронизации и синхронного анализа кардиоциклов. В рамках работы по изучению тонкой структуры биоэлектрических сигналов, проводимой на кафедре медицинской радиоэлектроники Санкт-Петербургского государственного университета аэрокосмического приборостроения, был разработан экспериментальный электрокардиограф сверхвысокого разрешения, структурная схема которого представлена на рис. 1 и подробно описана в [1].

На рис. 1 обозначены: ОРФ - отключаемый режекторный фильтр, МУУ - масштабирующий управляемый усилитель, ФВЧ - фильтр верхних частот, ФНЧ - фильтр нижних частот, БНПФ - блок нелинейных полосовых фильтров.

Отличительной особенностью данного ЭКГ СВР является разделение входного сигнала на два канала - низкочастотный (НЧ) (канал синхронизации) и высокочастотный (ВЧ). Это связано с тем, что в рамках проводимых исследований особое внимание уделяется низкоамплитудным ВЧ составляющим ЭКС (микропотенциалам), выделение и дополнительное усиление которых происходит в ВЧ-канале.

Для современных электрокардиографов величина усиления составляет 100…150, т.е. ЭКС, имеющий максимальную амплитуду 20 мВ, будет усилен до 2…3 В, что укладывается в типичный диапазон входного напряжения АЦП [2]. При этом микропотенциалы ЭКС теоретически должны иметь амплитуду от 100…150 мкВ, что составляет 2…3 шага квантования для 16-разрядного АЦП с допустимым диапазоном входного напряжения 0…3 В.

Введение ВЧ-канала позволяет дополнительно усилить ВЧ составляющие ЭКС, имеющие незначительный размах, введя их в диапазон входного напряжения АЦП. Новизна предлагаемого подхода состоит в том, что в данном случае ВЧ компоненты ЭКС ЭКГ СВР укладываются не в 2…3 шага квантования, как в обычной ЭКГ, а занимают практически весь рабочий диапазон АЦП.


На рис. 2 представлен результат прохождения сигнала ЭКГ, снятого в первом отведении, через аналоговый блок разработанного кардиографа сверхвысокого разрешения (рис. 1). Кривая на рис. 2, а представляет сигнал на выходе НЧ-канала, а кривая на рис. 2, б - на выходе ВЧ-канала. Как видно из рис. 2, б, ВЧ сигнал полностью лишен характерных признаков, присущих НЧ составляющим спектра ЭКС. В связи с этим, при разработке ЭКГ СВР было решено, что анализ ВЧ составляющих ЭКС требует высокоточной синхронизации ВЧ-канала по характерным точкам кардиосигнала в НЧ-канале. Для реализации такого рода синхронизации ВЧ-сигналов необходимо осуществлять однозначную временную привязку ВЧ-канала к накалу НЧ. Эта задача решается в НЧ-канале разработанного ЭКС СВР.

1.2Детектирование R-зубца.

Наиболее характерным выбросом кардиосигнала, на котором в большинстве случаев достигается максимальное значение сигнала внутри кардиоцикла, является R-зубец, поэтому синхронизация по R-зубцу является наиболее простым и распространенным способом синхронизации ЭКС. В настоящее время существуют многочисленные алгоритмы детектирования R-зубца ЭКС. Самым простым, требующим минимальных вычислительных затрат, алгоритмом детектирования и временного позиционирования R-зубцов является алгоритм порогового амплитудного детектора [3]. Суть его работы сводится к отысканию локальных максимумов на всем интервале анализируемого ЭКС. Для этого используют решающую функцию:

,(1)

где: - сигнал на выходе детектора обнаружения R-зубца; - электрокардиосигнал; - порог обнаружения. После детектирования анализируются участки ЭКС, на которых амплитуда превышает пороговое значение и на этих участках отыскивают максимумы, позволяющие судить о временном положении R-зубцов.

Достоинством указанного алгоритма является простота его реализации, связанная с минимальным объемом вычислений, что позволяет легко реализовать анализ в реальном времени. Наряду с этим алгоритм обладает низкой точностью и плохой устойчивостью к влиянию помех и изменчивости ЭКС, поэтому его эффективная работа на практике очень затруднена. Кроме того, при некоторых видах сердечных патологий, вершина R-зубца может раздваиваться, и это приводит к тому, что алгоритм дает неверный результат детектирования.


В настоящем разделе рассмотрен корреляционный алгоритм [3]. На первом этапе его работы находятся значения функции взаимной корреляции функции сравнения (рис.3 б) и отрезков исходной функции той же длительности, что и функция сравнения:

.(2)

Положение функции сравнения , которая выбрана для получения значений функции взаимной корреляции, постепенно смещается от начала исследуемого отрезка ЭКС к его концу. Таким образом, появляется возможность построить взаимнокорреляционную функцию на всем протяжение кардиосигнала. Однако результаты вычисления зависят от значений исходных данных и не могут быть адекватно интерпретированы. По этой причине на следующем этапе функция взаимной корреляции масштабируется для приведения к диапазону значений [-1,1] (т.е. получения коэффициента корреляции (КК) ) в соответствии с формулой [4] (рис. 3, в)

.(3)

График этой функции представлен на рис. 3 в. Полученную функцию уже можно использовать для принятия решения о том, найдена точка ЭКС, на которую настроен алгоритм, или нет. Решение принимается по превышению КК определенного порога , выбираемого чаще всего эмпирическим путем. Этот выбор определяет чувствительность алгоритма.

Как показали исследования, этот алгоритм имеет более высокую, по сравнению с амплитудным пороговым детектором, устойчивость к помехам и изменчивости кардиосигнала и может с легкостью детектировать R-зубцы даже при его весьма сильном искажении шумами, поскольку не опирается на абсолютные значения исходного сигнала при принятие решения о положение искомой точки синхронизации. Еще одним достоинством алгоритма является возможность его адаптации под конкретного пациента путем подбора и адаптивной настройки функций сравнения.

Однако существенным недостатком данного алгоритма является большой объем вычислений, необходимых для его реализации, что приводит к увеличению времени анализа ЭКС большой длительности. Кроме того на конечный результат влияет выбор той или иной функции сравнения, поскольку она определяет конечный вид функции КК. В [3] в качестве функции сравнения предлагается использовать отрезок исходного сигнала содержащий один QRS-комплекс. Такой подход, несомненно, даст максимально близкие к единице значения КК в районе QRS комплекса. Однако у этого подхода есть и свои минусы. Каждый раз перед началом анализа новой ЭКГ необходимо выделять область сигнала, принимаемую за эталонную. По этой причине результаты одного вычисления КК могут не совпадать с результатами другого вследствие того, что функции сравнения были не идентичны. Кроме того, полученная функция КК в этом случае будет несколько сдвигаться относительно исходного сигнала в зависимости от характеристик функции сравнения, что требует введения компенсационного сдвига.

Для устранения указанных недостатков, неопределенности и неоднозначности решений, предлагается в качестве функции сравнения вместо отрезка исходного сигнала использовать фиксированную функцию. Результаты вычисления КК в этом случае обладают воспроизводимостью и достоверностью, а используя математическое описание функции сравнения можно точно вычислить компенсационный сдвиг.

В качестве функции сравнения может быть взята любая функция, внешне похожая на QRS комплекс. В процессе исследований было показано, что лучшие результаты при вычислении КК достигаются при использовании функции сравнения вида:

,(4)

где масштабирующая функция.


Как видно из рис. 4, функции КК при использовании в качестве функции сравнения отрезка исходного сигнала и функции , вычисленной по формуле (4), практически идентичны. Это говорит о том, что использование функции (4) вместо отрезка искомой ЭКС не уменьшает надежности системы.

Как видно из рис. 3 и рис. 4 зубцы P и Т на функции КК также дают большие всплески, которые могут быть сопоставимы по амплитуде с значением КК в моменты появления R-зубца. При некоторых видах патологий и помех детектирование R-зубца непосредственно по взаимнокорреляционной функции может оказаться просто невозможным, поскольку сопряжено с риском обнаружения зубца P или T вместо интересующего нас R-зубца. Для того чтобы избавиться от этих недостатков авторами предложено использовать КК не для детектирования R-зубцов на ЭКС, а для избирательной фильтрации исходного сигнала.

Перемножим каждое значение исходного сигнала на соответствующее данному моменту времени значение КК . Учитывая, что нормирована к единице, на участках где его значения близки к единице (R-зубец, иногда Р и Т зубцы), результат этой операции существенно ослабит выбросы на участках близких к указанным зубцам. На остальных участках результат будет представлять собой подавленный, в соответствии, со значениями КК в соответствующие моменты времени, исходный сигнал (рис. 5) .


После такой избирательной фильтрации получим функцию, содержащую подавленные Р и Т-зубцы, и значительно превосходящий их по амплитуде R-зубец. Остальные составляющие ЭКС будут подавлены. Пропустив полученный сигнал через описанный ранее амплитудный пороговый детектор можно точно определить временное положения R-зубцов на протяженном кардиосигнале. Такой подход позволяет существенно снизить вероятность ложных срабатываний алгоритма, тем самым увеличив его надежность, однако это значительно увеличивает объем вычислений, необходимых для его реализации.

Приведенные примеры показывают, что выбор алгоритма для практического использования, сопряжен с анализом объема необходимых вычислений, вероятностью ложных срабатываний и точностью временной привязки с последующим компромиссным принятием решения.

В результате анализа существующих алгоритмов определения временного положения R-зубцов в рамках проводимой работы предлагается использовать комплексный статистический алгоритм оценки положения характерных точек ЭКС. Суть его работы сводится к использованию результатов анализа нескольких других алгоритмов, в том числе и перечисленных ранее, для выработки среднестатистической оценки положения R-зубца.


На рисунке 6 представлены соотношение результатов детектирования R зубца различными алгоритмами, используемыми в настоящее время на практике. Цифрами обозначены: 1 - положение R-зубца по результатам анализа амплитудным пороговым детектором (описан ранее); 2 - положение R-зубца по результатам анализа корреляционным алгоритмом (описан ранее); 3 - положение R-зубца по результатам анализа алгоритмом корреляционной свертки (описан ранее); 4 - положение R-зубца по результатам анализа алгоритмом поиска «центра тяжести» [5]; 5- положение R-зубца по результатам анализа алгоритмом Пана-Томкинса[3]; 6 - положение R-зубца по результатам анализа алгоритмом спектрального анализа)[3].

Такой подход позволяет минимизировать ошибки фиксации временного положения и уменьшить вероятность ложного обнаружения R-зубца. Кроме того, результат работы этого алгоритма не зависит от конкретного сигнального признака, а опирается, в той или иной степени, сразу на несколько признаков, за счет чего, достоверность получаемого результата должна повышаться. Расчет положения R-зубца по комплексному алгоритму требует разработки оптимальных процедур, учитывающих все полученные отдельные оценочные значения и их показатели надежности и достоверности.

Результаты, полученные с помощью приведенных алгоритмов, могут быть использованы для различных видов синхронного анализа ЭКГ СВР, требующих точных данных о положение характерных точек ЭКС. Хотя в приведенных описаниях алгоритмов, определяется положение R-зубца, в дальнейшем авторы предполагают использование и других характерных точек кардиосигнала. В ЭКГ СВР в первую очередь они необходимы для синхронизации ВЧ-канала по каналу НЧ для анализа имеющих малый размах высокочастотных составляющих ЭКС СВР (микропотенциалов), что крайне необходимо для достоверного синхронного анализа кардиоциклов.

Одним из самых эффективных методов синхронного анализа является метод синхронного накопления, позволяющий увеличить отношение сигнал/шум при наличии интенсивных помех. Это позволяет увидеть составляющие ЭКС, обычно маскируемые помехами и внутренними шумами, и настольно малые по амплитуде, что их идентификация либо затруднена, либо невозможна. Результатом такого накопления в грубом приближении является некий усредненный кардиоцикл, пример которого приведен на рисунке 7.


При использовании существующих сегодня методах синхронизации ЭКС подобный график синхронного анализа не может быть получен ввиду отсутствия методик компенсации вариабельности сердечного ритма.

Еще одним эффективным методом синхронного анализа является трехмерное картирование результат которого показан на рисунке 8 где обозначены: текущее время t внутри кардиоцикла; текущее время TКЦ , соответствующее времени синхронного анализа выбранного количества кардиоциклов. Причём TКЦ>>t. Используя этот метод, можно судить о динамике изменения отдельных элементов кардиоцикла на всем протяженном интервале анализируемого сигнала. Данный график не мог бы быть получен без использования привязки точек синхронизации в начале и в конце каждого кардиоцикла с масштабированием промежуточных данных.


Разработка новых высокоточных алгоритмов синхронизации ЭКС, новых аппаратных решений в области съема и записи ЭКГ и новых методов синхронного анализа с целью более эффективной диагностики кардиозаболеваний, в том числе на тех стадиях, когда классические методы еще не показывают наличия патологических изменений в сердечнососудистой системе. При этом ставятся задачи повышения чувствительности аппаратной части ЭКГ СВР и существенного увеличения точности анализа за счет исследования тонкой структуры высокочастотных низкоамплитудных составляющих ЭКС (микропотенциалов), которые до сих пор очень мало исследованы.

Разработка новых алгоритмов высокоточной синхронизации даст возможность существенно повысить точность детектирования характерных точек ЭКС по сравнению с имеющимися сегодня методами. Совместно с принципиально новой аппаратной частью эти алгоритмы и методики анализа ЭКС положены в основу разрабатываемого аппаратно-программного комплекса, обладающего высокой точностью и принципиально новыми свойствами.

1.3Методы обработки сигналов

Приоритетным направлением развития методологии электрофизиологических исследований становится разработка методов автоматического анализа, оптимальных для решения каждой конкретной задачи.

электрокардиограмма сигнал электрокардиосигнал

1.3.1Виды сигналов

Сигнал определяется как напряжение или ток, который может быть передан как сообщение или как информация. По своей природе все сигналы являются аналоговыми, будь то сигнал постоянного или переменного тока , цифровой или импульсный. Тем не менее, принято делать различие между аналоговыми и цифровыми сигналами.

Цифровым сигналом называется сигнал, определённым образом обработанный и преобразованный в цифры. Обычно эти цифровые сигналы связаны с реальными аналоговыми сигналами, но иногда между ними и нет связи. В качестве примера можно привести передачу данных в локальных вычислительных сетях (LAN) или в других высокоскоростных сетях .

В случае цифровой обработки сигнала (ЦОС) аналоговый сигнал преобразуется в двоичную форму устройством, которое называется аналого-цифровым преобразователем (АЦП). На выходе АЦП получается двоичное представление аналогового сигнала, которое затем обрабатывается арифметическим цифровым сигнальным процессором (DSP). После обработки содержащаяся в сигнале информация может быть преобразована обратно в аналоговую форму с использованием цифро-аналогового преобразователя (ЦАП).

Другой ключевой концепцией в определении сигнала является тот факт, что сигнал всегда несет некоторую информацию. Это ведет нас к ключевой проблеме обработки физических аналоговых сигналов - проблеме извлечения информации.

1.3.2Цели обработки сигналов

Главная цель обработки сигналов заключается в необходимости получения содержащейся в них информации. Эта информация обычно присутствует в амплитуде сигнала (абсолютной или относительной), в частоте или в спектральном составе, в фазе или в относительных временных зависимостях нескольких сигналов.

Как только желаемая информация будет извлечена из сигнала, она может быть использована различными способами. В некоторых случаях желательно переформатировать информацию, содержащуюся в сигнале.

В частности, изменение формата сигнала происходит при передаче звукового сигнала в телефонной системе с многоканальным доступом и частотным разделением (FDMA). В этом случае используются аналоговые методы, чтобы разместить несколько голосовых каналов в частотном спектре для передачи через радиорелейную станцию СВЧ диапазона, коаксиальный или оптоволоконный кабель.

В случае цифровой связи аналоговая звуковая информация сначала преобразуется в цифровую с использованием АЦП. Цифровая информация, представляющая индивидуальные звуковые каналы, мультиплексируется во времени (многоканальный доступ с временным разделением, TDMA) и передается по последовательной цифровой линии связи (как в ИКМ - системе).

Еще одна причина обработки сигналов заключается в сжатии полосы частот сигнала (без существенной потери информации) с последующим форматированием и передачей информации на пониженных скоростях, что позволяет сузить требуемую полосу пропускания канала . В высокоскоростных модемах и системах адаптивной импульсно - кодовой модуляции (ADPCM) широко используются алгоритмы устранения избыточности данных (сжатия), так же как и в цифровых системах мобильной связи , системах записи звука MPEG, в телевидении высокой четкости (HDTV).

Промышленные системы сбора данных и системы управления используют информацию, полученную от датчиков, для выработки соответствующих сигналов обратной связи, которые, в свою очередь, непосредственно управляют процессом. Обратите внимание, что эти системы требуют наличия как АЦП и ЦАП, так и датчиков, устройств нормализации сигнала (signal conditioners) и DSP (или микроконтроллеров).

В некоторых случаях в сигнале, содержащем информацию, присутствует шум, и основной целью является восстановление сигнала. Такие методы, как фильтрация, автокорреляция, свертка и т.д., часто используются для выполнения этой задачи и в аналоговой, и в цифровой областях.

Подводя итог, целями обработки сигналов являются:

·Извлечение информации о сигнале (амплитуда, фаза, частота, спектральные составляющие, временные соотношения)

·Преобразование формата сигнала

·Сжатие данных

·Формирование сигналов обратной связи

·Выделение сигнала из шума (фильтрация, автокорреляция, свертка)

·Выделение и сохранение сигнала в цифровом виде для последующей обработки (БПФ)

1.3.3Методы и технологии обработки сигналов

Сигналы могут быть обработаны с использованием аналоговых методов (аналоговой обработки сигналов, или ASP), цифровых методов (цифровой обработки сигналов, или DSP) или комбинации аналоговых и цифровых методов (комбинированной обработки сигналов, или MSP). В некоторых случаях выбор методов ясен, в других случаях нет ясности в выборе и принятие окончательного решения основывается на определенных соображениях.

Что касается DSP, то главное отличие его от традиционного компьютерного анализа данных заключается в высокой скорости и эффективности выполнения сложных функций цифровой обработки, таких как фильтрация, анализ с использованием быстрого преобразования Фурье (БПФ) и сжатие данных в реальном масштабе времени.

Термин "комбинированная обработка сигналов" подразумевает, что системой выполняется и аналоговая, и цифровая обработка. Такая система может быть реализована в виде печатной платы, гибридной интегральной схемы (ИС) или отдельного кристалла с интегрированными элементами. АЦП и ЦАП рассматриваются как устройства комбинированной обработки сигналов, так как в каждом из них реализованы и аналоговые, и цифровые функции.

Недавние успехи технологии создания микросхем с очень высокой степенью интеграции (VLSI) позволяют осуществлять комплексную (цифровую и аналоговую) обработку на одном кристалле. Сама природа ЦОС подразумевает, что эти функции могут быть выполнены в режиме реального масштаба времени.

1.3.4Сравнение аналоговой и цифровой обработки сигналов

Сегодняшний инженер стоит перед выбором надлежащей комбинации аналоговых и цифровых методов для решения задачи обработки сигналов. Невозможно обработать физические аналоговые сигналы, используя только цифровые методы, так как все датчики (микрофоны, термопары, пьезоэлектрические кристаллы, головки накопителя на магнитных дисках и т.д.) являются аналоговыми устройствами.

Некоторые виды сигналов требуют наличия цепей нормализации для дальнейшей обработки сигналов как аналоговым так и цифровым методом. Цепи нормализации сигнала - это аналоговые процессоры, выполняющие такие функции как усиление, накопление (в измерительных и предварительных (буферных) усилителях), обнаружение сигнала на фоне шума (высокоточными усилителями синфазного сигнала, эквалайзерами и линейными приемниками), динамическое сжатие диапазона (логарифмическими усилителями, логарифмическими ЦАП и усилителями с программируемым коэффициентом усиления) и фильтрация (пассивная или активная).

Глава 2 Исследование электрокардиосигналов полученных с помощью электрокардиографа сверхвысокого разрешения

В ходе исследования проводится цикл операций, включающий в себя два этапа. Первый этап - моделирование инфаркта миокарда, второй этап - введение стволовых клеток. Данные операции проводятся с перерывом в одну неделю. В процессе операций проводятся снятия ЭКГ крыс в разные периоды времени.

2.1Материалы и методы, использованные при проведении исследования

Исследование проведено на крысах-самцах линии Wistar массой 200-350 г, которые были случайным образом разделены на две группы: - у первой группы выполнялась левосторонняя торакотомия без перевязки левой коронарной артерии; у второй группы ИМ (инфаркт миокарда) - выполнялась перманентная перевязка левой коронарной артерии. Крыс наркотизировали с помощью хлоралгидрата (500 мг/кг, внутрибрюшинно). Для проведения ИВЛ использовалась интубация трахеи с предварительной обработкой гортани 2% раствором лидокаина. В ходе экспериментов регистрировали ЭКГ в стандартных отведениях. После интубации производился L-образный разрез кожи от верхнего края тела грудины до мечевидного отростка по средней линии и далее по ходу 7 ребра до средней аксиллярной линии. Грудные мышцы отводились в строну (разводились) с помощью ранорасширителей. Торакотомию проводили в четвертом межреберье слева от края тела грудины до передней аксиллярной линии. Для доступа к сердцу выполнялось рассечение перикарда, после которого производилось лигирование ствола левой коронарной артерии в группе ИМ. Затем производилось послойное ушивание раны. В качестве шовного материала использовался викрил №2. Шов на коже обрабатывался настойкой йода (5%). После операции внутрибрюшинно производилась инъекция цефтриаксона (50 мг/кг). В срок от 3 до 14 дней проводили аутопсию и макроскопически оценивали изменения структуры сердца.

2.2 Оборудование, использованное при проведении исследования

Для проведения искусственной вентиляции легких (ИВЛ) производится интубация трахеи. ИВЛ проводиться с помощью аппарата SAR-830P (частота дыхания - 50/мин, дыхательный объем - 3 мл/100 г массы тела). В ходе эксперимента у животных будет выполняться запись электрокардиограммы (Кардиотехника-8, ЗАО «Инкарт», СПб) в стандартных отведениях и частота сердечных сокращений (ЧСС).

2.3Организация исследования и получение экспериментальных данных

Рисунок 5- Показания обычного трехканального кардиографа

Рисунок 6- Показания экспериментального кардиографа сверхвысокого разрешения

Глава 3 Обработка полученных данных

3.1Цели обработки данных

1)собрать всю доступную информацию, представленную в экспериментальных данных - полученные электрокардоисигналы с обычного кардиографа и с экспериментального кардиографа;

2)отделить существенную информацию, представленную данными, от несущественной, для рассмотрения в данный момент; отделить информационные составляющие сигнала от помеховых.

)Провести анализ полученных данных для большей диагностической информативности электрокардиосигнала. В том числе для понимания развития, течения и методов лечения (использование стволовых клеток) инфаркта миокарда (ИМ), как в раннем, так и в позднем постинфарктном периоде.

)Сформировать банк данных.

)представить существенную информацию в виде, наиболее удобном для восприятия человеком.

3.2Возможности анализа с помощью пакета MatLab

Система MATLAB представляет собой уникальный сплав универсальных программных и алгоритмических средств с широкой гаммой специализированных приложений. Входной язык и среда программирования MATLAB очень близки к современным системам визуального программирования на базе универсальных алгоритмических языков типа Basic, C++, Java, Object Pascal. По ряду аспектов MATLAB уступает указанным системам (режим интерпретации, небольшой запас визуальных компонентов). Однако с его библиотекой численных методов ни по объему, ни по качеству не может сравниться ни одна из систем программирования. Кроме того, в пакете MATLAB тщательно отработаны средства визуализации результатов вычислений и отображения различных графических объектов. На базе ядра MATLAB созданы многочисленные расширения, обеспечивающие моделирование и анализ систем в разнообразных сферах человеческой деятельности.

Основное назначение пакета MATLAB - моделирование, анализ и визуализация динамических процессов, имеющих отношение к разнообразным сферам человеческой деятельности.

3.3Варианты спектрального анализа с помощью пакета MATLAB

Различают параметрические и непараметрические методы спектрального анализа. К первым относится авторегрессионный анализ, ко вторым - быстрое преобразование Фурье (БПФ) и периодограммный анализ (рис.1).

Рисунок 7 - Методы спектрального анализа.

В непараметрических методах используется только информация, содержащаяся в отсчетах анализируемого сигнала.

Наиболее часто для спектрального анализа используют быстрое преобразование Фурье (БПФ), с помощью которого сигнал можно разложить на составляющие его колебания различной частоты и амплитуды.

Результатом (БПФ) является построение графика зависимости мощности колебаний от их частоты.

Дискретное преобразование Фурье, реализуется в MATLAB с помощью функций fft и ifft.

Выражения для прямого и обратного ДПФ отличаются лишь знаком в показателе комплексной экспоненты и наличием в обратном преобразовании множителя 1/N перед оператором суммирования.

Отсюда следует, что ДПФ неявно подразумевает периодическое продолжение анализируемого фрагмента сигнала. Для вещественного сигнала x(k) ДПФ обладает комплексно-сопряженной симметрией.

Математическое преобразование называется дискретным преобразованием Фурье (ДПФ). Термин «быстрое преобразование Фурье» (БПФ) относится к способу вычисления ДПФ. Если размерность преобразования N может быть разложена на множители, то и само преобразование можно разделить на несколько преобразований меньшей размерности, а затем объединить их результаты. При этом удается уменьшить требуемое для вычисления ДПФ количество вычислительных операций. Наибольшее ускорение вычислений достигается, когда N равно степени двойки.

Важно понимать, что БПФ не является приближенным алгоритмом; при отсутствии вычислительных погрешностей он даст в точности тот же результат, что и исходная формула ДПФ. Ускорение достигается исключительно за счет оптимальной организации вычислений. Кроме того, необходимо помнить, что алгоритм БПФ предназначен для одновременного расчета всех спектральных отсчетов

Если же необходимо получить эти отсчеты лишь для некоторых n, может оказаться предпочтительнее прямая формула ДПФ.

Таким образом, исходя из выше изложенных методов спектрального анализа, можно прейти к выводу, что наиболее подходящим для анализа ЭКГ, это непараметрические методы в частности быстрое преобразование Фурье (БПФ).

3.4Анализ полученных результатов

В результате проведенной мною работы были получены электрокардиограммы сверхвысокого разрешения. Для проведения анализа этих данных я, проанализировав возможные варианты, выбрала пакет математических программ MatLab. Анализ, совместно с научным руководителем, решено было провести при помощи Быстрого Преобразования Фурье (БПФ).

Построение спектров полученных сигналов осуществлялось с помощью написанного мной алгоритма. Он представлен на рисунке 8.

Рисунок 8- Текст программы

Данная программа проверялась при помощи тестовых сигналов, состоящих из синусоид с разной частотой и амплитудой. В результате чего была подтверждена правильность полученных результатов.

Анализ полученных спектров на данном этапе производился визуально. Из проведенного анализа можно сделать выводы о том, что полученные электрокардиограммы сверхвысокого разрешения дают большую информативность в областях недоступных классическим электрокардиограммам. Так же можно сделать выводы о возможностях дальнейшего анализа, более полного и глубокого.

В дальнейшем я планирую провести анализ огибающих спектров, в том числе сравнить не только огибающие спектров электрокардиограмм сверхвысокого разрешения, но и сравнить их с результатом анализ огибающих классических кардиограмм. Так же планирую произвести разделение результатов исследования по различным признакам: вес участников, их возраст, вид операции и другие.

Для дальнейшего более детального анализа имеет смысл применить другие виды методик. К примеру, метод распознавания изображений, корреляционный анализ или вейвлет-анализ.

Заключение

Цель исследования состояла в получении сигналов с помощью электрокардиографа сверхвысокого разрешения (ЭКГ СВР) на основе экспериментального исследования на животных с моделью ИМ (инфаркта миокарда) и анализе полученных данных. В том числе в исследовании спектрального состава электрокардиосигнала полученного с помощью ЭКГ СВР при нормальном и при патологическом состоянии сердечно - сосудистой системы животного.

В результате проведенной работы были решены следующие задачи: организовано исследование для получения экспериментальных ЭКС СВР; произведена регистрация ЭКГ СВР; произведен анализ методов обработки информации в частности ЭКС и выполнен выбор метода; произведен анализ математических программ для обработки информации; написана программы для построения спектров ЭКС СВР; проанализированы полученные данные (спектры ЭКС СВР); сформирован банк данных ЭКС; написана программа исследования.

Так же, по результатам проведенной работы были запланированы дальнейшие этапы анализа полученных данных.

Список литературы

1.Зайченко К.В., Сергеев Т.В. Аналоговая обработка электрокардиосигналов со сверхвысоким разрешением // Труды вузов России. Радиоэлектроника. 2009. Вып 3. С. 27-34.

.Съем и обработка биоэлектрических сигналов: учеб. пособие / под ред. К. В. Зайченко. /СПбГУАП. СПб., 2001. 140 с.

.Рангайян, Р. М. Анализ биомедицинских сигналов. Практический подход. / пер.с англ. А.Н. Калиниченко. М.: Физматлит, 2007. 440 с.

.Э. C. Айфичер, Б. У. Джервис. Цифровая обработка сигналов: практический подход. 2-е изд.: Изд. гр. "Диалектика-Вильямс", 2004. 992 с.

.Юрьева О.Д. Исследование помехоустойчивости методов измерения длительности RR-интервала. // Известия СПбГЭТУ «ЛЭТИ» Серия Биотехнические системы в медицине и экологии.- СПб.: Изд-во СПбГЭТУ, 2007.-вып.1.- С.9-19.

.А.Б. Сергиенко. Цифровая обработка сигналов. Техносфера - Питер 2002.

.А.Б. Сергиенко. MATLAB и преобразование Фурье. Exponenta Pro 2003

.Ричард Лайонс. Цифровая обработка сигналов. Второе издание.БИНОМ - Москва 2006.

9.http://ru.wikipedia.org/wiki/Спектральный_анализ <http://ru.wikipedia.org/wiki/%D0%A1%D0%BF%D0%B5%D0%BA%D1%82%D1%80%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7>

.<http://www.hrv.ru/standart/contents.html>

.<http://konstb.newmail.ru/liter/hrv/UchPos2.htm>

.<http://www.vestar.ru/article_print.jsp?id=1267>

.<http://www.ecg.ru/books/book03/gl4-5.shtml>

Похожие работы

 

Не нашел материала для курсовой или диплома?
Пишем качественные работы
Без плагиата!