Přehled biosignálů

Biosignál
přehled, snímání, zpracování, hodnocení
Úvod do biomedicínského inženýrství
27. 9. 2011
MICHAL HUPTYCH
Katedra kybernetiky, FEL, ČVUT
Přehled přednášky
Přehled biologických signálů
Snímání biologických signálů
Základy zpracování
Předzpracování signálu
Signálové zpracování
Význam transformací
Popis signálu
Biomedical Data Processing G r o u p
Signál - biosignál
Signál
Veličina měnící se v čase
Prostředek přenosu informace
Matematicky tvořen parametry ?
Biosignál – speciální případ signálu, který je měřen
Na živém organismu
Interakcí se živím organizmem
Biomedical Data Processing G r o u p
Přehled biosignálů
 Jednorozměrné
 Elektrické




EKG, fEKG
EEG, ECoG
EMG
EOG
 Magnetické




MKG, FMKG
MEG, eMEG
MMG
MOG
 Další
 Impedanční
 Akustické
 Mechanické
 Chemické
Biomedical Data Processing G r o u p
Přehled biosignálů
 Vícerozměrné - obrazové
 UZ
 RTG, CT
 MRI
 PET, SPECT
Biomedical Data Processing G r o u p
Přehled biosignálů
 EKG
 Elektrokardiograf (m)
 Snímání elektrické aktivity srdce z povrchu těla
 Povrchové elektrody
 Amplituda 0.5 – 4 mV
 Frekvence 0.5 - 125 (150) Hz
 fEKG
 Fetální elektrokardiograf (m)
 Snímání elektrické aktivity srdce plodu z těla matky
 Povrchové elektrody
 Amplituda 0.01 - 0.1 mV
 Frekvence 0.01 – 150 Hz
Biomedical Data Processing G r o u p
Přehled biosignálů
 EEG
 Elektroencefalograf (m)
 Snímání elektrické aktivity mozku z povrchu hlavy
 Povrchové elektrody
 Amplituda 0.001 – 0.3 mV
 Frekvence 0.1 – 80 Hz
 ECoG
 Electrokortikograf (m)
 Snímání elektrické aktivity mozku z mozku
 Povrchové nebo vpichové elektrody
 Amplituda 0.01 – 1 mV
 Frekvence 0.1 – 100 Hz
Biomedical Data Processing G r o u p
Přehled biosignálů
 EMG
 Elektromyograf (m)
 Snímání elektrické aktivity svalů z povrchu těla nebo ze svalů
 Amplituda 0.1 – 5 mV
 Frekvence 0 - 10000 Hz
 Dvě varianty
 SFEMG
 Měření ze svalového vlákna
 Povrchové elektrody
 MUAP
 Z nervové buňky, vlákna,
svalového spojení, svalového vlákna
 Vpichové elektrody
Biomedical Data Processing G r o u p
Přehled biosignálů
 EOG
 Elektrookulograf (m)
 Snímání elektrické aktivity sítnice z povrchu hlavy (okolo očí)
 Povrchové elektrody
 Amplituda 0.01 – (3) 5 mV
 Frekvence 0.05 – 100 Hz
 EGG
 Elektrogastrograf (m)
 Snímání elektrické aktivity žaludku z povrchu těla
 Povrchové elektrody
 Amplituda 0.01 – 1 mV
 Frekvence 0.01 – 1 Hz
Biomedical Data Processing G r o u p
Přehled biosignálů
 MKG
 Magnetokardiograf (m)
 Snímání magnetické aktivity srdce z povrchu těla
 Amplituda 50 – 70 pT
 Frekvence 0.05 – 150 Hz
 fMKG
 Fetální magnetokardiograf (m)
 Snímání aktivity aktivity srdce plodu z těla matky
 Amplituda 1 pT
 Frekvence 0.05 – 100 Hz
Biomedical Data Processing G r o u p
Přehled biosignálů
 MEG
 Magnetoencefalograf (m)
 Snímání magnetické aktivity mozku z povrchu hlavy
 Amplituda 1 – 2 pT
 Frekvence 0.5 – 1 Hz
 2 cm pod skalpem :
 Amplituda 50 – 70 pT
 Frekvence 0.05 – 100 Hz
 Evokovaný MEG
 Amplituda 0.1 – 2 pT
Biomedical Data Processing G r o u p
Přehled biosignálů
 MMG
 Magnetomyograf (m)
 Snímání magnetické aktivity svalů
 Amplituda 10 – 90 pT
 Frekvence 0 – 20000 Hz
 MOG
 Magnetookulograf (m)
 Snímání magnetické aktivity sítnice
 Amplituda 10 pT
 Frekvence 0.1 – 100 Hz
Biomedical Data Processing G r o u p
Přehled biosignálů
 UZ
 Ultrazvuk
 Akustické vlnění na frekvencích nad 20 KHz
 Pro diagnostiku na měkkých tkáních
 Nemá prokázané negativní učinky
 Forma
 jednoduchá
 Dopplerovská
 konstrukce 3D obrazu
Biomedical Data Processing G r o u p
Přehled biosignálů
 RTG
 Retgenové záření
 Elektromagnetické vlnění o vlnových délkách 10 nm až 100 pm
 Vhodné pro diagnostiku pevných částí (kostí)
 Retgenové záření má prokazatelné negativní účinky
 CT
 Počítačová tomografie
 Založena na principu RTG
 K diagnostice dochází ve speciální gentry, která umožňuje
otáčení rentgenky (i detektorů)
 Díky tomu umožňuje konstrukci řezu i 3D obrazu
Biomedical Data Processing G r o u p
Přehled biosignálů
 MRI
 Magnetická rezonance
 Nukleární magnetická rezonance – usměrnění spinu, tj.
vybuzení a snímaní magnetického moment.
 Vhodná pro diagnostiku měkkých vnitřních orgánů
 Obecně předpoklad dobré funkčnosti na orgány s velkým
obsahem vody (spin vodíkových jader)
 Neprokázané negativní učinky
 Avšak vyšetření není psychicky příjemné (problém s
klaustrofobií)
 Kontraindikace s implantáty, kardiostimulátory, kochleární
implantáty ale i velkým tetováním
Biomedical Data Processing G r o u p
Přehled biosignálů
 PET
 Pozitronová emisní tomografie
 Detekci fotonů, které vznikají v těle anihilací pozitronů,
uvolněných radiofarmaky (beta rozpad).
 Nepodává informace o anatomickém uspořádání, ale o
funkčním chování vyšetřovaného orgánu.
 Jedná se funkční vyšetření.
 Často se proto kombinuje s CT pro získání anatomického
obrazu¨.
 Dnes už existují kombinované systémy PET-CT v jednom
přístroji.
Biomedical Data Processing G r o u p
Řetězec snímání a zpracování signálů
 Zdroj signálu
 Obecně u biosignálů člověk (zvíře)
 Elektrická aktivita srdeční u EKG
 Snímání signálu
 Měřící elektrody
 Způsob snímání a systémy umístění elektrod
 Příjem a zpracování signálu
 Požadavky na přijímací zařízení
 Procesy úpravy signálu do požadované formy
Biomedical Data Processing G r o u p
Snímání elektrických signálů
 Galvanické oddělení (optoelektrický prvek)
 Vysoký vstupní odpor (řádově 1 až 10 MΩ)
 Vysoký napěťový zisk zesilovače (100010000)
 Vysoký diskriminační činitel CMRR ≥ 100 dB
 Filtrace – dolnopropustní, hornopropustní filtry
Biomedical Data Processing G r o u p
Snímání signálu
 Snímání signálu je prováděno elektrodami Ag-AgCl
 Nepolarizovatelný typ elektrod
 Přechod kůže - elektroda přes vodivý gel
Biomedical Data Processing G r o u p
Jiné typy snímání
 Ultrazvuk (akustické vlnění)
vysílané vlnění
subjekt
piezoelektrický krystal
odražené vlnění
 Rentgen (elektromagnetické vlnění)
výstupní záření
rentgenka
subjekt
odražené záření
scintilační det.
fotonásobič
Biomedical Data Processing G r o u p
Příjem a zpracování signálu
 Galvanické oddělení z důvodu bezpečnosti
 Realizováno optickým členem
 Zdroj záření – LED dioda (IR záření, viditelné světlo)
 Detekce záření – foto - tranzistor, tyristor, triak
Biomedical Data Processing G r o u p
Zesílení signálu
Základními parametry zesilovače jsou
 Vstupní odpor [Ω]
U
 Napěťové zesílení [dB]: A u =20log 2
U1
Ud
 Diskriminační činitel CMRR [dB]: CMRR=20log
Us
Ud – rozdílové napětí, Us – souhlasné napětí
Parametry EKG zesilovače (předzesilovače)
 Vysoký vstupní odpor (řádově 1 až 10 MΩ)
 Vysoký napěťový zisk zesilovače (60100dB)
 Vysoký diskriminační činitel CMRR ≥ 100 dB
Biomedical Data Processing G r o u p
Převod signálu do digitální formy
Vzorkovací frekvence : (125) – 250 – 500 – 1000
(2000) Hz (128 – 256 – 512 – 1024 – 2048)
Rozlišení: 12 - 16 bit (1000 A/D převodníků na mV)
Biomedical Data Processing G r o u p
Vzorkování
 Převod času do diskrétní
podoby
 Opakem vzorkovací
frekvence je vzorkovací
perioda daná jako:
1
Tvz 
f vz
 Je potřeba dodržet určité zásady při volbě vzorkovacího kmitočtu
Biomedical Data Processing G r o u p
Podmínka pro vzorkování signálu
 Shannonův teorém – podmínka pro vzorkovací frekvenci
signálu:
f vz  2  f max
 Při nedodržení této podmínky dochází k nevratnému zkreslení
signálu
Biomedical Data Processing G r o u p
Kvantování
 Převod reálných čísel do
kvantovaných hladin
 Úpravy signálu na

dané množství úrovní:
 zaokrouhlovat
 oseknout shora
 oseknout zdola
 Převodník převádějící
 na n-bitová čísla signál o vstupním rozsahu U
 q = 2–nU, chyba ε = < −q/2; q/2), SNR = 20log2n
Biomedical Data Processing G r o u p
Signálové zpracování
 Časově frekvenční reprezentace – spektrální analýza
 Fourierova transformace
 Okénková Fourierova transformace
 Vlnková transformace
 Filtrace
 Základní parametry filtrace
 Druhy filtrů
Biomedical Data Processing G r o u p
Důvody
 Artefakty
 Jsou signály, které nevznikají ve vyšetřovaném orgánu
 Ruší a snižují informační potenciál užitečného signálu
 Mohou být působeny fyziologickými i vnějšími vlivy
 Je nutné je odstranit
 Lze je dělit do dvou skupin
 Technické artefakty
 Biologické artefakty
 Biologické artefakty
 Superponování jiných biosignálů do snímaneho biosignálu, či
vliv jiných fyziologických jevů
 Např. EKG – EMG, EOG - mrkání
Biomedical Data Processing G r o u p
Důvody
 Technické artefakty
 Síťový brum
 Napětí sítě (50 Hz)
 Impulsní rušení
 Přepínají svodů, zapínání přístrojů
 Šum elektrických obvodů
 Kvantizační šum, vliv vstupních obvodů biozesilovačů
 Elektromagnetické pole
 Zejména při magneto…gramu
 Elektrostatické potenciály
 Nízká kvalita elektrod, přechod elektroda-kůže
Biomedical Data Processing G r o u p
Časová a frekvenční reprezentace
 Základním matematickým aparátem pro převod z časové
oblasti do frekvenční je Fourierova transformace
S ( ) 

 j t
s
(
t
)
e
dt  s (t )  cos( t )  j  sin( t ) 


 Obecně se jedná o komplexní transformaci
 Proto se někdy využívá pouze reálné transformace
 Mluvíme pak o tzv. kosinové transformaci
Biomedical Data Processing G r o u p
Časová a frekvenční reprezentace
 Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi
 Na pravém obrázku je spektrum signálu
Biomedical Data Processing G r o u p
Časová a frekvenční reprezentace
 Levý obrázek je kombinací tří sinů s rozdílnými frekvencemi
 Na pravém obrázku je spektrum signálu
Biomedical Data Processing G r o u p
Filtrace
 Filtrace = rozdělení signálu na základě jeho
frekvenčních složek na propustné a nepropustné
pásmo
+
+
-
i=-
y(t)=  x(τ)h(t-τ)dτ , y(k)=  x(i)h(k-i)
 Systém implementující funkci filtrace se nazývá filtr
 Filtrace je jednou z nejpoužívanějších operací v
signálovém zpracování
 Za jistých podmínek je filtrace procesem, která
propouští dané frekvenční pásmo s minimálními
deformacemi
Biomedical Data Processing G r o u p
Filtrace
Základní schéma procesu průchodu signálu soustavou:
x(t)
h(t)
+
y(t)=  x(τ)h(t-τ)dτ,
-
y(t)
+
y(k)=  x(i)h(k-i)
i=-
h(t) je impulzová odezva (impulse response)
(t )
x(t)
h(t)
h(t)
y(t)
Biomedical Data Processing G r o u p
Filtrace – dělení filtrů
Podle funkce:
 dolní propust (DP)
 horní propust (HP)
 pásmová propust (PP)
 pásmová zádrž (PZ)
Podle typu zpracování:
 analogové filtry (odpor, kondenzátor, cívka)
 číslicové filtry (signálové procesory)
Podle impulzové odezvy:
 IIR filtry (infinite impulse response)
 FIR filtry (finite impulse response)
Biomedical Data Processing G r o u p
Typy filtrů podle funkce
dolní propust (DP)
horní propust (HP)
pásmová propust (PP)
pásmová zádrž (PZ)
Biomedical Data Processing G r o u p
Filtrace – IIR vs. FIR
IRR
• návrh z analogového
prototypu
• aproximace h[n]  
• může být nestabilní (nutná
kontrola stability)
FIR
• návrh metodou oken a
Fourierových řad
• aproximace h[n] konečná
• vždy stabilní
• nízké řády (4 – 8)
• vysoké řády (50 – 100)
• mezní kmity (oscilace při
kvantování)
• neosciluje
• nelineární fáze
• lineární fáze
• počet koeficientů impulzové odezvy filtru řídí jeho strmost nikoli zvlnění
• důsledkem lineární fáze je nezkreslení tvaru signálu v propustném pásmu
• FIR oproti IIR nepracuje s předchozími hodnotami výstupního signálu
• FIR filtry jsou tedy bez zpětné vazby
Biomedical Data Processing G r o u p
FIR vs. IIR
Biomedical Data Processing G r o u p
Filtrace – IIR filtry
Při jejich návrhu se vychází z návrhu filtrů analogových
Používá aproximací pro stanovení řádu a parametrů
filtru
 Typy aproximací:
 Butterworth – nezvlněn, málo nelineární fáze, potřeba vyšší
řády
 Chebyshev – zvlnění v propustném nebo nepropustném pásmu,
vyšší nelinearita fáze, větší strmost, nižší řády
 Cauer – zvlnění v obou pásmech, největší nelinearita fáze,
nejvyšší strmost, potřeba nejnižších řádů
Biomedical Data Processing G r o u p
Filtrace – IIR filtry
Butterworth
Chebyshev 1.typ
1
1
-3dB
-3dB
0
0
fc
f
Chebyshev 2.typ
Cauer (eliptická)
1
1
-3dB
-3dB
0
0
fc
f
f
fc
fc
f
Biomedical Data Processing G r o u p
Filtrace – dělení filtrů
Podle funkce:
 dolní propust (DP)
 horní propust (HP)
 pásmová propust (PP)
 pásmová zádrž (PZ)
Podle typu zpracování:
 analogové filtry (odpor, kondenzátor, cívka)
 číslicové filtry (signálové procesory)
Podle impulzové odezvy:
 IIR filtry (infinite impulse response)
 FIR filtry (finite impulse response)
Biomedical Data Processing G r o u p
Filtrace – FIR filtry
Vychází z ideální DP
1
-fc
0 fc
1
f
FT
=
0
n
Ideální DP
Metoda oken a Fourierových řad
 Zkrácení h[n] - volba počtu koeficientů
 počet koeficientů = řád +1
 posunutí o M vzorků doprava – kauzální (realizovatelný) filtr
Biomedical Data Processing G r o u p
Filtrace – FIR filtry
Bartlett
Blackman
•Bartlett – 12 dB
•Hamming – 24 dB
Hann
Hamming
•Hann – 45 dB
•Blackman – 60 dB
Biomedical Data Processing G r o u p
Filtrace - konvoluce
1
3
1
2
3
4
2
3
4
5
5
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
2
3
1*1 = 1
1*2 + 2*1 = 4
1*3 + 2*2 + 3*1 = 10
1
2*3 + 3*2 + 4*1 = 16
3*3 + 4*2 + 5*1 = 22
3*3 + 4*2 + 5*1 = 22
1
5*3 = 15
4 10 16 22 22 15
Biomedical Data Processing G r o u p
Popis signálu
 Pro strojové zpracování potřebujeme signál nějak
reprezentovat
 Vhodné je hledat soubor parametrů, který dostatečné signál
popisuje
 Takové to parametry nazýváme atributy – příznaky
 Ideální soubor příznaků dokáže oddělit dva signály dle
zadaných kritérií (diagnostika)
Biomedical Data Processing G r o u p
Popis signálu
 Ne vždy lze nalézt soubor příznaků na základě prostého
popisu signálu
 Je vhodné hledat i příznaky, které nejsou okem patrné
 Využívá se transformačních metod
 Spektrální transformace
 Analýza hlavních komponent
 Analýza nezávislých komponent
 Reprezentací můžou být např. základní statistické
parametry, gradienty, aproximační koeficienty, atd.
Biomedical Data Processing G r o u p
Popis signálu
EKG
EEG
Biomedical Data Processing G r o u p
Popis signálu
KTG
Biomedical Data Processing G r o u p
Proces zpracování
• Předzpracování – odstranění
šumu
• Detekce artefaktů
• Segmentace signálu
• Transformace
• Extrakce příznaků
• Klasifikace
• Shlukování
biologické signály
předzpracování dat
popis dat – výpočet příznaků
klasifikace
klasifikace
…
optimalizace
parametrů
klasifikace
kombinace různých řešení
visualizace
Biomedical Data Processing G r o u p
Reference
 J. Mohylová, V. Krajča: Zpracování biologických signálů,
Učební text, Vysoká škola báňská, Technická Univerzita
Ostrava, 2007
 P. Kasal, Š. Svačina a kol.: Lékařská informatika. Karolinum
Praha, 1998
 Davídek V., Laipert M., Vlček M., Analogové a číslicové filtry,
Vydavatelství ČVUT, Praha, 2000
 Vích R., Smékal Z., Číslicové filtry, Academia, nakladatelství
AV ČR, Praha, 2000
Biomedical Data Processing G r o u p
Děkuji za pozornost
Biomedical Data Processing G r o u p