دانلود مقاله آشکارساز مختلط QRS با پیچیدگی پایین بلادرنگ جدید براساس آستانه گذاری تطبیقی
چکیده
پس از گذشت سال ها، چندین الگوریتم تشخیص مختلط QRS با خصوصیات مختلفی ارائه شده اند، ولی مساله باقیمانده پیاده سازی آن ها در پلتفرم های پرتابل با هزینه پایین برای کاربردهای بلادرنگ، جاییکه منابع سخت-افزاری محدود، ولی با حفظ سطح دقت مورد نیاز کاربردهای پزشکی می باشد. الگوریتم پیشنهادی به طور همزمان با هردو نیازمندی سازگاری دارد: 1) دقت و 2) مصرف منابع پایین. در این مقاله، یک آشکارساز مختلط QRS بلادرنگ ارائه می شود. این الگوریتم براساس یک تفکیک در مرحله پیش پردازش همراه با یک آستانه دینامیکی برای تشخیص پیک های R می باشد. مرحله آستانه گذاری براساس یک ماشین با حالت محدود است، که مقدار آستانه را بر طبق تحول سیگنال و پیک قبلا شناسایی شده اصلاح می کند. این در چندین پایگاه داده، شامل پایگاه های داده استاندارد ارزیابی شده است و منجر به حساسیت ها و قابلیت پیش بینی مثبت بهتر از 99.3درصد می شود. به منظور تحلیل پیچیدگی محاسباتی الگوریتم، این الگوریتم با الگوریتم های معروف پن و تاپکینز مقایسه شده است. به عنوان یک نتیجه، آشکارساز پیشنهادی به یک کاهش در زمان پردازش تقریبا 50 درصد با استفاده از تنها 25 درصد از منابع سخت افزاری دست می یابد (حافظه، آدرس و تکثیر کننده ها).
1- مقدمه
QRS مختلط مهترین شکل موج در نوار قلب است، که به صورت پایه ای برای تشخیص بیماری های مختلف مربوط به قلب عمل می کند. برای مثال، مشاهده پیوسته ریتم قلب به تشخیص بیماری قلبی عروقی مانند آریتمی قلب {11}، اجازه می دهد و پیاده سازی یک سیستم هشدار را ممکن می سازد، که می تواند به طور قابل ملاحظه ای مرگ ومیر را با اتصال دستگاه های نظارتی به یک سیستم موقعیت یابی به صورت ارائه شده در {2} کاهش دهد. به علاوه، تشخیص QRS مختلط منجر به محاسبه تغییر ضربان قلب (HRV) می شود و با توجه به رابطه آن با چندین سیستم فیزیولوژیکی ]3[ (اعصاب محرک رگ ها، تنفس، عصب مرکزی، تنظیم حرارت و غیره)، می تواند به صورت یک ابزار تشخیصی یا یک سیستم اطلاعاتی درباره عملکرد آن ها استفاده شود. بنابراین، تشخیص بیماری های دیگر در یک شیوه نادرون رو از طریق تحلیل بلادرنگ HRV به صورت ارائه شده توسط بسول و همکاران در {4} امکان پذیر است، جاییکه وقفه تنفس توسط تحلیل الگوهای تنفس تشخیص داده می شود. مثال دیگری از تحلیل ECG ارزیابی HRV برای تشخیص حمله های صرع، توصیف شده توسط ماسی و همکاران {5} می باشد.
تمام این کاربردها شباهت هایی دارند. اولا، آن ها به یک آشکارساز مختلط QRS قابل اطمینان احتیاج دارند. دوما، آشکارساز باید اطلاعات بلادرنگی را درباره ضربان قلب فراهم کند. و درنهایت، چونکه آن ها درحال استفاده از دستگاه های پرتابل برای پیاده سازی آشکارساز مختلط QRS همراه با تمام الگوریتم های مربوط به این کاربرد هستند، باید از نقطه نظر پیچیدگی محاسباتی و مصرف توان تاحدامکان تفاوت داشته باشند.
با توجه به اهمیت ذاتی آن، تشخیص QRS نرم افزاری یک موضوع تحقیقاتی برای بیش از چهار دهه بوده است. به عنوان یک نتیجه این علاقه، الگوریتم های بسیاری منتشر شده اند که تحول فناوری کامپیوتری را منعکس می-کنند {6}. در ابتدا بار محاسباتی پیچیدگی و بنابراین عملکرد الگوریتم ها را تعیین کرد، درحالیکه تحقیقات اخیر بر عملکرد با سریع تر شدن، قدرتمندتر شدن و قابل اطمینان تر شدن کامپیوترها متمرکز هستند. با این وجود، با پیدایش فناوری پوشیدنی، جاییکه دستگاه های باطری محور توان پایین مورد نیاز هستند، این روند درحال تغییر به ایده اصلی توسعه الگوریتم هایی با بار محاسباتی پایین {7،8} به صورت بیان شده در {9} می باشد.
6- نتیجه گیری
یک آشکارساز QRS مختلط با پیچیدگی بسیار پایین مناسب برای سیستم های پوشیدنی و قابل استفاده برای پزشکی از راه دور و سیستم های نظارت از راه دور ارائه شده است. جدا از پیچیدگی پایین آن، به حساسیت ها و مشخصات حدود 99.4 درصد، مناسب برای برخی از کاربردهای پزشکی دست می یابد. بلوک پیش پردازش الگوریتم عمدتا براساس یک دیفرانسیل گیری برای کاهش نویزهای فرکانس پایین و براساس یک انتگرالگیری برای هموار کردن سیگنال ECG می باشد. مرحله تشخیص براساس یک آستانه دینامیکی است، که مقدار آن توسط یک ماشین با حالت متناهی، وابسته به فرکانس نمونه برداری سیگنال ECG کنترل می شود.
رفتار این الگوریتم در شرایط گوناگون، از طریق موارد فراهم شده توسط چندین پایگاه داده با نگاشت های پاتولوژیکی مختلف و مصنوعات مختلف آزمایش شده است. به صورتی یک پایگاه داده استاندارد در نظر گرفته می شود، عملکرد به دست آمده می تواند به آسانی با پیشنهادیه های قبلی مقایسه شود.
زمان محاسباتی مورد نیاز توسط الگوریتم پیشنهادی برای تشخیص تمام پیک های R در پایگاه داده MTIDB برآورد شده و با زمان محاسباتی مورد نیاز توسط الگوریتم معروف پان و تاپکینز در شرایط یکسان مقایسه شده است. این مقایسه نشان می دهد که الگوریتم پیشنهادی تقریبا 50 درصد زمان محاسباتی را کاهش می دهد و تشخیص بهتری را با نگاشت های ECG بسیار مشکل فراهم می کند.
Abstract
Over the years, several QRS complex detection algorithms have been proposed with different features, but the remaining problem is their implementation in low-cost portable platforms for real-time applications, where hardware resources are limited, still providing the accuracy level required for medical applications. The proposed algorithm copes at the same time with both requirements: 1) accuracy and 2) low resource consumption. In this paper, a real-time QRS complex detector is proposed. This algorithm is based on a differentiation at the pre-processing stage combined with a dynamic threshold to detect R peaks. The thresholding stage is based on a finite-state machine, which modifies the threshold value according to the evolution of the signal and the previously detected peak. It has been evaluated on several databases, including the standard ones, thus resulting sensitivities and positive predictivities better than 99.3%. In order to analyze the computational complexity of the algorithm, it has been compared with the well-known Pan and Tompkins’ algorithm. As a result, the proposed detector achieves a reduction in processing time of almost 50% by using only the 25% of hardware resources (memory, adders, and multipliers).
I. INTRODUCTION
QRS COMPLEX is the most important waveform within electrocardiogram (ECG), serving as the basis for the diagnosis of different pathologies related to heart. For example, the continuous observation of the heart rate permits the detection of cardiac diseases such as arrhythmias [1], making possible the implementation of an alarm system, which can reduce considerably the mortality by linking the monitoring device with a positioning system as is proposed in [2]. In addition, the detection of the QRS complex leads to the calculation of the Heart Rate Variability (HRV), and due to its relationship with several physiological systems [3] (vasomotor, respiratory, central nervous, thermoregulatory, etc.), it can be used as a diagnostic tool or an information system about their performance. Thus, it is possible to detect other diseases in a non-invasive way through the real-time analysis of the HRV, as Bsoul et al. proposed in [4], where apnoea episodes are detected by analysing the respiration patterns. Another example of this analysis of the ECG is the evaluation of the HRV to detect epileptic seizures, described by Massé et al. [5].
All these applications have some similarities. Firstly, they require a reliable QRS complex detector. Secondly, the detector has to provide real-time information about the heart rate. And finally, as they are using portable devices for implementing the QRS complex detector together with all the algorithms related to the application, they should be as much efficient as possible from the point of view of computational complexity and power consumption.
Due to its inherent importance, software QRS detection has been a research topic for more than four decades. As a result of this interest, plenty of algorithms have been published that reflect the evolution of computer technology [6]. At the beginning the computational load determined the complexity and therefore the performance of algorithms, whereas recent researches focus on the performance as computers are becoming faster, more powerful and more reliable. Nevertheless, with the appearance of the wearable technology, where low-power battery-driven devices are required, this trend is changing to the original idea of developing low computational load algorithms [7], [8] as is stated in [9].
VI. CONCLUSION
A very low-complexity QRS complex detector has been proposed, suitable for wearable systems and for its use in telemedicine or remote monitoring systems. Apart from its low complexity, it achieves sensitivities and specificities about 99.4%, sufficient for most clinical applications. The pre-processing block of the algorithm is mainly based on a differentiation to reduce the low-frequency noises and on an integration to smooth the ECG signal. The detection stage is based on a dynamic threshold, whose value is controlled by a finite state machine, depending on the sampling frequency of the ECG signal.
The behavior of the algorithm has been tested in diverse conditions, through the cases provided by several databases with different pathological recordings, and different artefacts. As one of the databases is considered to be standard, the obtained performance can be easily compared with previous proposals.
The computational time required by the proposed algorithm to detect all the R peaks in the MITDB database has been estimated and compared with the computational time required by the well-known Pan & Tompkins’ algorithm in the same conditions. This comparison shows that the proposed algorithm reduces almost 50% the computational time, and it provides better detection with extremely difficult ECG recordings.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1- مقدمه
2- ساختار تشخیص QRS مختلط
3- پایگاه های داده ECG مبنا
4- الگوریتم تشخیص QRS مختلط بلادرنگ
5- نتایج
6- نتیجه گیری
منابع
Abstract
.1 INTRODUCTION
2. QRS COMPLEX DETECTION STRUCTURE
3. BENCHMARK ECG DATABASES
4. REAL-TIME QRS COMPLEX DETECTION ALGORITHM
5. RESULTS
.6 CONCLUSION
REFERENCES
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه