Biomedicininių signalų analizės metodų tyrimas
Abstract
Šiame darbe išanalizuoti metodai nagrinėjantys biomedicininius signalus, ieškantys įvairių požymių EKG ir kraujo spaudimo signaluose. Darbe apžvelgti įvairūs QRS kompleksų detektoriai, jų pritaikymo pavyzdžiai, algoritmai nagrinėjantys kraujo spaudimo signalą, metodai, kuriais vertinama signalo kokybė. Pasiūlyti metodai, kurie patikslina širdies ritmo skaičiavimą naudojantis multimodaline informacija. Pasiūlytas algoritmas, kuris sumažina neteisingai paskelbtų aritmijos būsenos aliarmų skaičių reanimacijoje. Algoritmas skirtas darbui realiu laiku. Pateiktas dirbtinių neuronų tinklų modelis skirtas klasifikuoti QRS kompleksus kurie turi informacijos apie mamos ir vaisiaus širdies ritmo informaciją. Visiems šiems pasiūlytiems algoritmams atlikti eksperimentiniai tyrimai. Atlikus tyrimus nustatyta, kad pasiūlytas DNT modelis sumažino vidutinę kvadratinę paklaidą nuo 206,4 iki 205,3 tirtiems signalų rinkiniams. Ištirtiems signalams mūsų pasiūlytas algoritmas naudojantis multimodalinę informaciją sumažina širdies ritmo paklaidą nuo 6 % iki 0,1 %. Algoritmas, kuris sumažina neteisingai paskelbtų aritmijos aliarmų skaičių veikia 62 % tikslumu, lyginant su kraujo spaudimo signalo analize, iš kurios galima patikslinti neteisingus aliarmus 49 % tikslumu. Darbo apimtis – 60 p., 16 iliustr., 7 lent., 78 bibl., 5 priedai. In this thesis we have investigated methods for analyzing biomedical signals, searching for various features in ECG and blood pressure signals. In this work we reviewed various QRS complex detectors, their practices, algorithms for analyzing blood pressure signals, methods for evaluating signal quality. We have offered a robust method for estimating heart beat calculations in multimodal data. We have proposed an algorithm for reducing false arrhythmia alarms in ICU. Algorithm is dedicated to work on real time basis. We have offered an artificial neural network model for classifying QRS complexes, which have mother and fetal heart rate information. All proposed methods have been tested. Mean square error of our proposed ANN network were reduced to 205,3 from 206,4, for out tested datasets. Our proposed robust method for estimating heart beat calculation have heart rate error of 0,1%, compared to 6%, which is using only QRS complex detector. Algorithm for reducing false arrhythmia alarms in ICU have a 62% accuracy, compared to blood pressure signal analysis, which has 49% accuracy. Thesis consists of: 60 p., 16 fig., 7 tables, 78 ref., 5 appendixes.