Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция icon

Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция



НазваниеИзвлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция
Дата конвертации26.08.2012
Размер145.98 Kb.
ТипДокументы



Извлечение кардиогенных колебаний в индуктивной плетизмографии:

Многократная эмпирическая модовая декомпозиция


Enas Abdulhay, Pierre-Yves Guméry, Julie Fontecave and Pierre Baconnier, Member, IEEE


Частично редактированный машинный перевод.

Подлинник – http://www.geogin.narod.ru/hht/link05/read5-1.pdf



Резюме - цель этого исследования состоит в том, чтобы исследовать потенциал многократной эмпирической модовой декомпозиции (EEMD) для извлечения кардиогенных колебаний из индуктивного сигнала плетизмографии, чтобы измерить сердечный объем удара. Во-первых, используется простая кардиореспираторная модель, чтобы моделировать сердечные, дыхательные и кардиореспираторные сигналы. Во-вторых, применение классической эмпирической модовой декомпозиции (EMD) к моделируемым кардиореспираторным сигналам показывает, что этот способ, смешивающий модовые функции, затрагивает работу извлечения и, следовательно, измерение сердечного объема удара. Объем удара измерен как амплитуда извлеченных кардиогенных колебаний, и сравнивается с объемом удара моделируемой сердечной деятельности. Наконец, мы показываем, что EEMD приводит к способу, удаляющему смешивание модовых функций.


^ I. ВВЕДЕНИЕ

Контроль сердечной механической деятельности представляет большой медицинский интерес. Некоторые из недавних измерений желудочковых объемов и сердечного результата возводят в степень вставку внутрисосудистых агрессивных катетеров, или экспозицию к радиации. Некоторые могут также потребовать прикроватного присутствия опытного ревизора или зависеть от проведения преобразователя в руке, которая делает их менее применимыми для непрерывного контроля. Чтобы избежать рисков, присоединенных со вставкой и проживанием легочного катетера артерии, были разработаны неразрушающие методы, такие как грудной сделкой электрический био-импеданс и неразрушающая эхокардиография. Однако они не являются общепринятыми для обычного использования, так как их достоверность при клинических условиях была подвергнута сомнению [1]. Был предложен другой неразрушающий метод, названный торакокардиография (TCG) [2]. Он основан на принципах дыхательной индуктивной плетизмографии, метод требует количественную регистрацию дыхания структур. Результат индуктивной плетизмографии представляет сумму всех изменений в объеме, приложенном преобразователем.
Согласно объему TCG, дыхательные движения во время естественного дыхания составляют приблизительно 95% и оставляли сердечную деятельность желудочка (кардиогенные колебания) для 5 % амплитуды формы волны, зарегистрированный на уровне мечевидного отростка [2]. TCG неагрессивно симулирует контролировать оставленный желудочковый объем удара, вызванным усреднением множества ЕCG и цифровым полосно-пропускающим фильтрованием [0.7 * (сердечная частота) Гц – 10 Гц] [3] из этой формы волны, чтобы подавить низкую частоту гармоники, связанный с дыханием и другими движениями тела, так же как высокочастотным электрическим шумом. TCG показывает хорошую точность объема удара и результата сердечных измерений. Однако, параметры фильтра, используемые в TCG, во-первых, зависят от измеренного потока сердечного разряда и требуют канала кардиограммы. Во-вторых, TCG не приспособлен к сильным нестационарным условиям, поскольку оценка сердечного разряда нуждается в оконной процедуре.

Нелинейный метод. ^ Эмпирическая модовая декомпозиция (EMD) была предложена N.E. Huang и др. для того, чтобы адаптивно представить нестационарные сигналы как суммы нулевого среднего AM - FM компонентов ([4], [5]). В этой работе мы используем простую кардиореспираторную модель (CR), чтобы проверить работу EMD для кардиогенного извлечения колебаний в индуктивном плетизмографе. Мы также используем модель, чтобы проанализировать работу метода, основанного на EMD и названном многократной эмпирической модовой декомпозицией (EEMD) [6].

^ II. ЭМПИРИЧЕСКАЯ МОДОВАЯ ДЕКОМПОЗИЦИЯ

Эмпирическая модовая декомпозиция сигнала, обрабатывающий метод, предложенный, чтобы извлечь все колебательные процессы, вложенные в сигнал без любого требования стационарности или линейности данных ([7], [8]). Извлеченные процессы, с четкими мгновенными частотами, теоретически идентифицируются с определенными физическими или физиологическими аспектами исследуемого явления [9]. EMD нашел непосредственные применения в биомедицинской разработке [10].

Отличающийся от методов разложения, основанных на вейвлетах, метод EMD адаптивен к обрабатываемым данным; следовательно, применяя EMD, мы не должны задавать форму вейвлета заранее для обнаружения особенности или разложения небольшой волны [11], ни оказаться перед неизбежными членами вмешательства и утечкой энергии, которые производят много небольших нежелательных пиков на всем протяжении частотных масштабов трудоёмкой непрерывной трансформанты вейвлета ([12], [8]). Кроме того, хотя у вейвлет-преобразования есть хорошее временное разрешение в высокочастотной области, оно часто не может отделять события со слишком небольшим временным интервалом между ними. Кратко, операция EMD не является трудоёмкой, может иметь дело с большого размера нелинейными нестационарными сигналами и не имеет ограничений по частотно-временному разрешению (в отличие от вейвлет-преобразования и кратковременного преобразования Фурье) [13].

Методом EMD любой сложный сигнал может разлагаться в определенное число высоко- и низкочастотных компонентов, которые называют внутренними модовыми функциями (IMFs). В [14], было показано, что EMD может быть полезен для извлечения местных временных структур, таких как сердечные удары, нанесенные на сигналы дыхания, чтобы контролировать дыхание и сердечные частоты во время сна, используя гибкий пьезоэлектрический датчик (флуктуаций давления). Нужно заметить здесь, что сердечный объем удара (SV) извлеченного сердечного сигнала не был изучен.

По определению, модовые функции удовлетворяют двум условиям:

1. Число extrema и число нулевых пересечений могут отличаться не больше, чем на один.

2. Локальное среднее число - ноль. Это определено средним числом максимальных и минимальных оболочек.

Эти свойства IMFs учитывают мгновенную частоту и амплитуду, которая будет определена однозначно [15].

Учитывая эти два категорических требования IMF, процесс просеивания для того, чтобы извлечь IMFs из данного сигнала x(t), t = 1 … T описан следующим образом [16]:

1. Идентифицируйте все максимумы и минимумы x(t).

2. Вычислите верхнюю и нижнюю огибающие, xup(t) и xlow(t), интерполяцией кубическим сплайном.

3. Вычислите точку за точкой, среднюю от верхней и нижней огибающих, м(t) = (xup(t)+xlow(t))/2.

4. Извлеките детали, d(t) = x(t)м(t).

5. Проверьте свойства d(t):

• Если d(t) удовлетворяет двум вышеприведенным условиям, IMF получено. Замените x(t) разностью r(t) = x(t)d(t);

• Если d(t) не является IMF, замените x(t) d(t).

6. Повторите шаги (1-5) до получения монотонной разности, или одного максимума, или минимальной разности, удовлетворяющей некоторому останавливающему критерию [5].

В конце этого процесса сигнал x(t) может быть выражен следующим образом:



где N - число IMF, а rN(t) обозначает заключительный остаток, который может интерпретироваться, поскольку компонент DC сигнала. cj(t) IMFs и является практически ортогональными к друг к другу, и у всех есть почти нулевые средние [16].

^ III. Смешивание мод и Многократная эмпирическая модовая деконволюция

EMD определен алгоритмом и не имеет никакой аналитической формулировки; следовательно, наше понимание EMD вытекает из экспериментальных, а не аналитических результатов [5]. На экспериментальных результатах было показано, что смешивание и прерывистость мод - главные препятствия использованию EMD на многих сигналах, включая кардиореспираторные сигналы, измеренные гибким пьезоэлектрическим датчиком, как в передней упомянутой ссылке [14]. Смешивание мод указывает, что колебания различных временных масштабов сосуществуют в одной IMF, или, что колебания с теми же самыми временными масштабами были отсеяны на различные IMFs. Следовательно, это приводит к искажению действительного процесса.

[17] суммирует поведение EMD для случая суммы двух синусоидальных сигналов так же, как для случая суммы двух нелинейных сигналов. Это показывает, что, изучая смешивание мод, амплитуда и отношения частоты между компонентами сигнала должны быть приняты во внимание.

Чтобы преодолеть смешивание мод, был предложен новый метод EEMD [6] (многократная эмпирическая модовая декомпозиция), использующий добавленный шум. Это определяет истинный IMF как среднее число по ряду испытаний; каждое испытание - EMD оригинального сигнала, добавленного к белому шуму, чтобы получить коллекцию белых шумов, которые отменяют друг друга. Поэтому, только действительные компоненты могут выжить и сохраниться в заключительном среднем числе. Амплитуда белых шумов должна вынудить множество получить все возможные решения: шум заставляет различные компоненты проживать в соответствующем IMF, продиктованном банками фильтра EMD и существенным физическим смыслом IMF. Число испытаний должно быть достаточно высоким, которое определяет трудоёмкость процедуры.

^ IV. КАРДИОРЕСПИРАТОРНАЯ МОДЕЛЬ

Мы используем в этой работе улучшенную версию нашей кардиореспираторной модели [18] (CR), чтобы моделировать CR, респиратор, и сердечные сигналы объема. Модель состоит из дыхательного модуля, добавленного к простому сердечному генератору волны, чтобы моделировать дыхательный образец, альвеолярный объем, плевральное давление, сердечную деятельность так же, как механика стенки грудной клетки и изменения объема (моделировал индуктивный сигнал piethysmography). Мы разрабатываем здесь улучшенную модель, принимающую во внимание оставленный желудочек (LV) модуляция объема удара во время дыхания и что LV объемов удара лежат в пределах [0.08 0.2]* периодического объема. Диапазоны физиологических респиратор-сердечных частотных коэффициентов ограничиваются (3Fr
Наша предыдущая модель [18] намеревалась моделировать одышку, не бралось в рассмотрение взаимодействия CR во время дыхания. Оно состоит в трех связанных элементах: грудная клетка, сердце и легкое. Отношения между грудной клеткой, альвеолярные и внутригрудные объемы крови (соответственно Vth, VA и Vlt) даны уравнением:

Vth = Vft + VA (2)

Сердечная механическая деятельность представлена периодическим (сердечная частота, Fc) изменением внутригрудного объема крови. В каждом сердечном цикле, внутригрудной объем крови меняется в зависимости от амплитуды, равной объему удара [18]. В сердечном цикле (сердечный период Tc =1/Fc) есть две фазы: заполнение до начала выбрасывания (Tej; мы произвольно выбрали Tej = Tc*3/4), и выбрасывание. Между 0 и Tej моделировал ­внутригрудной объем крови (Vh) увеличивается линейно со временем от 0 до штрихового объема (Vstr). Между Tej и Tc, моделируемым в tra-грудном объеме крови, уменьшается линейно со временем от Vstr до 0. Форма сердечной произведенной волны является тогда квазитреугольной, подобной кардиогенным колебаниям, наблюдаемым во время одышки [18].

В предыдущей модели Vstr считался постоянным вдоль моделируемого периода, и стенка грудной клетки была просто упругой (elastance Hew), таким образом, что

Ppl=Ecw*Vth (3)

где Ppl - плевральное давление, которое рассматривают как внутригрудное измерение давления (pressuure). Легкое сымитировано гибким отделением (elastance El, объем VA), поданное плевральному давлению и подключенное к атмосфере трубкой, имеющей сопротивление (сопротивление Raw). Поведение этого отделения удовлетворяет условиям следующего уравнения:



Улучшенная модель была разработана, чтобы включать механический CR взаимодействия во время дыхания. Модуляция объема удара из-за дыхания (уменьшение во время вдоха и увеличение во время выдоха) моделируется уравнением (5), где C - параметр (равный 0.03 L2).



Поведение генератора образца респиратора описано [19]:



где a, b и HB - 0.8, -3 и 1 соответственно, и представляет дыхательную деятельность центров. Эта динамическая система принимает во внимание наблюдаемое рефлекторный эффект изменений в объеме легкого на дыхательных центрах. Параметр, что мы добавились к начальному дыхательному генератору (19] позволяет моделировать различные респираторные частоты (Fr), наблюдаемые среди людей.



Значение 12.7 циклов/мин. является дыхательной частотой начального дыхательного генератора.

Дыхание происходит в результате дыхательной деятельности мускулов, отличной от нуля (Pmus), приводящий к приведению или повышению плеврального давления (Ppl). Это приводит к замене (3) на (9):



где Pmus определен следующим образом:



где  и  параметры (1.1 и 1.03 соответственно) и VthO представляет неподчеркнутый объем грудной клетки (2 L).

Моделируемый постоянный Vth анализируется EMD (итерации 2000) и методами EEMD (ряд 5000 белых шумов 1.6 отношений стандартного отклонения), чтобы извлечь сердечную деятельность. Оставленный сигнал объема желудочка (Vlv) используется как ссылка сердечная деятельность. Объемы удара и периоды постоянной извлеченной сердечной деятельности сравниваются с SV и периодами моделируемой сердечной механической деятельности.

^ V. РЕЗУЛЬТАТЫ НА МОДЕЛИРУЕМЫХ ДАННЫХ

Показано на рис. 1 моделирование Vth и результат его разложения классическим EMD. В IMF 3, мы ясно замечаем способ, смешивающийся между дыхательными и сердечными компонентами.



Рис. 1. Кривые представляют (сверху вниз) моделируемый Vth (Lj), IMFs и разность. IMF I и масштаб IMF2 (A.U) [-0,0448 0,056], и остаточный масштаб другого IMF (A.U) |-0,4481 0,5601]. Используемый метод является классическим EMD. Смешивание мод обозначено стрелками.



Рис. 2. Кривые представляют моделируемый Vtv (выделенный) и симметричный извлеченный объем EMD (как сумма первых двух IMFs). Все удары найдены. Масштаб амплитуды находится в A.U. Смешивание способа обозначено стрелками.


Показано на рис. 2 моделирование ^ Vlv и добавленное извлечение Vlv (сумма первых двух IMFs). Как упомянуто ранее, алгоритм EMD приводит к локально симметричному IMF [5). Поэтому мы можем видеть, что сумма первых двух Международных валютных фондов в числе 2 не соответствует асимметричной моделируемой сердечной ссылке. Кроме того, мода, смешивающаяся между сердечными и дыхательными компонентами, приводит к факту, что есть некоторые компоненты, отсутствующие в извлеченной сердечной деятельности. Bland & Altman тест на сравнение объема удара между извлеченной и моделируемой сердечной деятельностью дает пределы согласия (95%-ый доверительный интервал) между-20 % и 40 %, тогда как TCG дает пределы согласия между-20 % и 20 % согласно результатам TCG в [2]. Это означает, что классический EMD должен быть далее оптимизирован, чтобы получить лучшие результаты.

Когда мы применяем EEMD, никакое смешивание мод не обнаружено. как указано энергией Teager-Kaiser, вычисленной для каждого IMF [20]. На рис. 3 показано моделирование Vlv и извлечение Vlv (сумма IMFs 2:5). Мы не берем первый IMF как один из сердечных способов, потому что это рассматривают как белый шум.

Тест Bland & Altman на сравнение объема удара между извлеченной и моделируемой сердечной деятельностью дает пределы соглашения (95%-ый доверительный интервал) между-18 % и 21 %. Это означает, что EEMD дает удовлетворяющие результаты.



Рис. 3. Кривые представляют моделируемый Vtv (выделенный) и симметричный извлеченный объем EEMD (как сумма IMF 2:5). Все удары найдены. Масштаб амплитуды находится в A.U. Нет никаких мод, смешивающихся в ранее наблюдаемых положениях, обозначенных стрелками.

^ VI. Заключение

В этой работе мы применяем EMD и EEMD к моделируемому постоянному кардиореспираторному сигналу, чтобы извлечь сердечную деятельность. Эти предварительные результаты показывают, что EMD страдает от способа, смешивающего моды, которые могут быть решены EEMD.

EEMD - многообещающий нелинейный метод для эффективного кардиогенного извлечения колебаний в индуктивном сигнале plethys-mography.

В будущих работах мы изучим эффективность EEMD, когда рассматриваются нестационарные моделируемые и действительные сигналы.


ССЫЛКИ

[1] D. R. Spahn et al., ^ Noninvasive versus invasive assessement of cardiac output after cardiac surgery: clinical validation. Journal of cardiothoracic anesthesia. (1990), 4, 1, pp. 46-59.

[2] M. A. Sackner et al., Thoracocardiography part 1: non- invasive measurement of changes in stroke volume; comparisons to thermodilution, Chest. (1991), 99, 3, pp. 613-622.

[3] G. B. Bucklar et al., Signal processing technique for noninvasive real-time estimation of cardiac output by inductance cardiography (thoracocardiography), Medical & biological engineering & computing. (2003), 41, 3, pp. 302-309.

[4] N. E. Huang et al., The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings - Royal Society. Mathematical, physical and engineering sciences. (1998), 454, 1971, pp. 903-995.

[5] G. Rilling et al., On empirical mode decomposition and its algorithms, IEEE-EURASIP Workshop on Nonlinear Signal and Image proc., (2003), NSIP-03, Grado (I).

[6] W. Zhaohua et al. Ensemble Empirical Mode Decom-position: A Noise Assisted Data Analysis Method. Advances in Adaptive Data Analysis, (2009), 1, pp. 1-41.

[7] H. Liang et al., ^ Empirical mode decomposition: A method for analyzing neural data. Neurocomputing, (June 2005), 65-66, pp: 801-807.

[8] S. Charleston-Villalobos et al., Crackle sounds analysis by empirical mode decomposition. Engineering in Medicine and Biology Magazine, IEEE. (Jan.-Feb. 2007), 26, 1, pp 40-47

[9] R. Blocchi et al., Deriving the respiratory sinus arrythmia from the heart beat time series using empirical mode decomposition, Chaos, Solitons and Fractals (2004), 20, 1,pp.171-177.

[10] W. Huang et al., Engineering analysis of biological variables: An example of blood pressure over 1 day, Proc Natl Acad Sci U S A. (April 1998), 95, 9, pp. 4816–4821.

[11] S. Mallat, et al., Singularity detection and processing with wavelets. Infor-mation Theory, IEEE Transactions (Mar 1992), 38, 2, Part 2, pp 617-643.

[12] Z. Peng et al., Vibration signal analysis and feature extraction based on reassigned wavelet scalogram, Sound and Vibration. (20 June 2002), 253, 5, pp. 1087-1100

[13] R.X. Gao et al., Non-stationary signal processing for bearing health monitoring, International Journal of Manufacturing Research. (2006), 1, 1, pp. 18 – 40.

[14] B. Nan et al., ^ Monitoring of Respiration and heart beat during sleep using a flexible piezoelectric film sensor and empirical mode decomposition, 29th Annual International Conference of the IEEE. (2007), pp. 1362 - 1366.

[15] R. Deering, et al., The use of a masking signal to improve empirical mode decomposition. Acoustics, Speech, and Signal Processing (18-23 March 2005), 4, 4, pp iv/485- iv/488.

[16] H. Liang, et al., Application of the empirical mode decom- position to the analysis of esophageal manometric data in gastro-esophageal reflux disease, IEEE EMBS (2004).

[17] G. Rilling et al., One or Two Frequencies? The Empirical Mode Decomposition Answers, IEEE Trans. on Signal Processing (2008), 56, 1, pp. 85-95.

[18] E. Abdulhay et al., ^ Stroke volume estimation by Thoraco- cardiography is better when glottis is closed, IEEE EMBC, (2007).

[19] L. Forest et al., Lienard systems and potential-Hamiltonian decomposition – III Applications, C. R. Acad. Sci. Biologies, (2007), 330, pp. 97-106.

[20] C. Yunchao et al., Analysis and solution to the mode mixing phenomenon in EMD, Congress on Image and signal processing (2008).


С материалами по применению EMD и EEMD можно познакомиться на сайте http://prodav.narod.ru/hht/index.html

Если у Вас появится желание и возможность выполнить авторизованный перевод данной работы, готов заменить Вашим переводом данный машинный перевод. Замечания и предложения по переводу – prodav@yandex.ru

2010.




Похожие:

Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconВнутренние модовые функции
Преобразование Гильберта-Хуанга и эмпирическая модовая декомпозиция сигналов
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconЭмпирическая модовая декомпозиция (emd) и присоединенный Гильбертов спектральный анализ
Преобразование Гильберта H[x(t)] действительной функции x(t), t от -∞ до +∞, есть действительная функция, определенная как
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconФон: • Экспертиза анализа Fourier
...
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconВадим Анатольевич Давыдов
Под преобразованием Гильберта-Хуанга понимается эмпирическая модовая декомпозиция (emd) сигналов и Гильбертов спектральный анализ...
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconКомплементарная многократная эмпирическая декомпозиция: новый шум расширил метод анализа данных
Этот новый метод дает imf с rms, аналогичным eemd, но он эффективно устранил шум остатка в imf. Проведены численные эксперименты,...
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconВадим Анатольевич Давыдов
На примерах обработки геофизических данных показано, что модовая декомпозиция сигналов обеспечивает устойчивую адаптивную очистку...
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconЕсть уравнение вынужденных колебаний с
Кинематическое возбуждение колебаний возбуждение колебаниями положения равновесия Q(t) = 0 При этом уд ло
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconФаза колебаний
Фаза колебаний незатухающего линейного осциллятора полярный угол его вектора состояния в
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция icon1. Чему равны период т и частота ν, если за время 20 с он совершает 10 колебаний?
Период колебаний маятника т = 2 с. Какое время t он будет двигаться из положения 3 в положение 1?
Извлечение кардиогенных колебаний в индуктивной плетизмографии: Многократная эмпирическая модовая декомпозиция iconИсследование колебаний пружинного маятника. Цифровая регистрация и обработка данных
В представленной работе проведено исследование зависимости периода малых колебаний пружинного маятника от массы пружины. Теоретическое...
Разместите кнопку на своём сайте:
Документы


База данных защищена авторским правом ©podelise.ru 2000-2014
При копировании материала обязательно указание активной ссылки открытой для индексации.
обратиться к администрации
Документы

Разработка сайта — Веб студия Адаманов