II. Огляд методів стискання електрокардіографічних сигналів.
2.1Опис електрокардіографічного сигналу та традиційної системи вимірювання ЕКГ сигналу
Метод електрокардіографії успішно використовується в діагностиці серцево-судинних захворювань протягом тривалого часу [14]. Сигнал ЕКГ показує швидкість і ритм серцевих скорочень серед всіх інших, які мають відношення до серцевої діяльності. Великий прогрес був досягнутий на початку 20-го століття, де комплекс PQRST [11] був введений для моделювання типового циклу ЕКГ. Це спрощує аналіз, називаючи кожну частину типових форм хвилі великими літерами. Комбінації комплексу PQRST може вказувати на різні види діяльності серця, наприклад, короткий інтервал QT, може вказувати на гіперкальціємію, що викликає аномальний серцевий ритм [17]. Комплекс PQRST нормального циклу ЕКГ показаний на малюнку 1.1.
Рис 1. Схематична діаграма нормального синусового ритму
людського серця на ЕКГ
Як правило, сигнали ЕКГ вимірюються в лікарні при допомозі традиційного 12-канального ЕКГ-монітору, який є великим і важким. Це заважає і ускладнює постановку діагнозу захворювання. Ситуація пацієнта аналізується лише після того, як він / вона відправляється в лікарню, в той час як випадок може бути невідкладним і ризикованим. Пацієнти і лікарі шукають зручні способи для запису діяльності серця в повсякденному житті для досягнення 24-годинного моніторингу. Отже, розробляються портативні переносні ЕКГ монітори Ці пристрої, як правило, повинні бути малого розміру і малої потужності. Як правило, вони повинні мати відображення ЕКГ сигналу в реальному часі і аналіз захопленого сигналу ЕКГ. Таким чином, пристрій може вимірювати і безперервно відслідковувати ЕКГ сигнали в домашніх умовах.
2.2 Обґрунтування необхідності стиснення даних електрокардіографічного сигналу
Сучасний ЕКГ монітор включає в себе ряд компонентів апаратних засобів і різних функціональних можливостей. Для прикладу можна розглянути IMEC-NL [22], де була розроблена SoC зі змішаним сигналом для підтримки цілого ряду додатків для ЕКГ сигналів. Незважаючи на різноманітність завдань, пов'язаних з розробкою портативного ЕКГ монітору, такі як розмір, швидкість і вартість, максимальний обсяг дискового простору і пропускної здатності стимулюють розвиток алгоритмів стиснення ЕКГ сигналу. Збережені ЕКГ сигнали представлені в цифровому вигляді. Розширення ЕКГ сигналів часто вище 10 біт / кадр, а частота дискретизації може досягати 512 Гц. Це означає, що зберігання в режимі реального часу, протягом всього 1 хвилини потрібно 37,5 КБ пам'яті. Бітове представлення вихідного сигналу складатиме проблему для зберігання даних. На додаток до цього, багато енергії коштуватиме передача сигналу. Термін роботи батареї переносного ЕКГ монітора обмежує енергію, яку можна використовувати для передачі даних великих обсягів. Стиснення ЕКГ сигналу можливе, тому що ЕКГ сигнали систематичні: постійні записи ЕКГ приблизно періодичні. Ця властивість є позитивною для стиснення, так як можуть бути використані кореляції між кожним циклом і можуть бути прийняті деякі схеми прогнозування. Крім того, ЕКГ сигнали, як правило, знаходяться в межах певного діапазону частот. Перетворення частотної області, досить імовірно, продемонструє кращі коефіцієнти стиснення. Кілька існуючих методів стиснення на основі перетворення доступні і довели свою ефективність в ряді областей обробки сигналів, таких як стандарт JPEG [17] в обробці зображень і стиснення MPEG [13] в обробці звуку. Ці алгоритми, засновані на перетворенні, як правило, з втратою даних, і обидва широко використовуються сьогодні.
2.3 Огляд алгоритмів стиснення ЕКГ сигналу
Алгоритми стиснення можуть бути реалізовані і в програмних і в апаратних засобах. Існує компроміс між реалізацією програмного забезпечення та апаратної реалізації, де програмне забезпечення забезпечує більшу гнучкість в той час як апаратні засоби дозволяють працювати в режимі реального часу і дають набагато більш високу ефективність використання енергії. Поєднання програмних і апаратних засобів є кращим, в нашому випадку, коли центральний процесор використовується для керування завданнями і кілька індивідуальних апаратних компонентів реалізовані, наприклад, для прискорення деяких обчислень. У порівнянні з чисто виконання програмного забезпечення, налаштована певним чином апаратна частина може зменшити споживання енергії. Кілька конструкцій такого роду систем представлені в роботі [16], в якій чітко показані переваги від апаратної реалізації.
Проблема з існуючими алгоритмами стиснення ЕКГ сигналу з втратами полягає в тому, що вони зазвичай відчувають нестачу контролю якості розпакованого сигналу. Проте, якість сигналу ЕКГ завжди важлива і впливає на діагноз дуже. Це спонукає розробити алгоритм, який здатний визначити і гарантувати якість.
Стиснення ЕКГ сигналу використовує технології стиснення даних. Загально кажучи, стиснення даних являє собою метод, який представляє інформацію з меншим числом бітів, ніж його початкове представлення. Стислі дані, як правило, не є безпосередньо інтерпретовані. Для відновлення інформації потрібен процес розпакування. Теоретична сторона стиснення даних включає в себе теорію інформації, теорію кодування, статистичну надлишковість і т.д.
Спотворення між початковою інформацією і реконструйованою / розпакованою інформацією визначає тип стиснення. Стиснення даних без втрат відновлює дані без будь-якої втрати інформації, в той час як стиснення з втратами матиме деякі спотворення з вихідної інформації, але ступінь стиснення, як правило, вище, ніж стиснення без втрат даних. Стиснення без втрат містить всю вихідну інформацію, що робить його придатним для будь-якого застосування. Зокрема, такі області, як стиснення тексту і шифрування вимагають особливої уваги до точності, де стиснення без втрат є дуже корисним. Типовими методами стиснення без втрат є кодування довжин серій (RLE) для загального призначення, вільний аудіо кодек (FLAC) для стиснення звуку [15] і т.д. Проте, в деяких випадках, наприклад JPEG [7], який широко використовується як стандартний формат зображення , незначна втрата інформації може призвести до значної економії в місці для зберігання. Ця втрата не впиває негативним чином на користувацький досвід (UX): людське око не може розрізнити крихітні спотворення, якщо вони досить незначні. Порівняння 2-х зображень JPEG різної втрати якості показано на рисунку 2, які є результатом одного і того ж зображення. Чим більше значення якості, тим вище якість. Немає ніяких істотних відмінностей між двома зображеннями на рисунку 2, однак розмір зображення високої якості майже в 4 рази більший, ніж розмір зображення з низькою якістю. Таким чином, щоб зменшити потребу в пам'яті, стиснення з втратами може бути кращим вибором.[9]
Рисунок 2. Приклад JPEG зображень з різними показниками якості
Компресор працюють як кодер, який перетворює вхідний сигнал в іншу форму, але, як правило, з меншим числом бітів. Таким чином, велика кількість ентропії датчиків доступні для різних видів стиснення, навіть якщо вони загального призначення. Проте, компресор, звичайно, більше, ніж кодер, особливо в реальному світі. В перетворенні, як правило, беруть участь і деякі математичні методи або застосовуються моделі. Всі ці компоненти сприяють максимізації ефективності стиснення шляхом попередньої обробки вхідних даних перед відправкою в кодер. Таким чином, різні компоненти і методи збільшують різноманітність конструкцій компресорних даних, а також звільняють місце для подальших досліджень в нашій роботі.
Хоча стиснення сигналу ЕКГ є випадком стиснення даних, він має свої особливості і залежить від конкретних змін в порівнянні з методами загального призначення. Була введена категоризація стиснення ЕКГ [1], де методи класифікуються як виділений або загальний. Виділені методи виконують стиснення в основному з особливих властивостей ЕКГ сигналів на тимчасовій області в той час як загальні методи включають перетворення і мають аналогічні схеми як компресори в інших областях, наприклад, JPEG.
Виділені методи намагаються отримати і використовувати функції у часовій області ЕКГ сигналів. Це може безпосередньо використовуватися в якості стиснення даних. Кілька алгоритмів відносяться до цієї категорії, наприклад, AZTEC [17], SAPA [9], CCSP [6] або навіть пряме ентропійне кодування [16]. Проте, більшість з них були розроблені багато років тому, їх коефіцієнти стиснення не такі високі, як сучасних методик. Дослідження в області стиснення даних в 21 столітті більше в категорії загальних методів, в яких можуть бути застосовані багато нових ідей від стиснення даних. З іншого боку, компресори ЕКГ, які використовують загальні методи можуть також працювати в інших додатках. У зв'язку із зазначеними вище причинами, у своїй роботі я планую концентруватися на загальних методах дослідження стиснення ЕКГ.
На додаток до раніше згаданих алгоритмів, ентропійне кодування також використовується в деяких схемах стиснення. Модифікований метод кодування Хаффмана був введений [16] і застосовуються [5]. Цей метод використовує схему інтерполяції і демонструє результати приблизно наполовину меншу ентропію для того ж розміру кроку квантування, ніж схеми прогнозування. Диференціальні схеми і інтерполяція також вивчаються і застосовуються в спеціальних методиках.
Загальні методи походять з методів стиснення з інших областей, в основному із стиснення аудіо чи зображень. Методи цих областей численні і мають велику різноманітність. Розробка більшості нових методів стиснення також дає пріоритет звукових сигналів або даних зображення. Це підштовхує до їх використання для стиснення даних ЕКГ. Сигнал ЕКГ може бути апроксимований за допомогою звукових сигналів, або за допомогою деяких перетворень до даних зображення. Сучасні Загальні методи стиснення ЕКГ включають методи, засновані на перетворенні, векторному квантуванні (VQ) [7] і т.д. Гібридні методи також часто використовуються, щоб використовувати максимальну продуктивність від кожного блоку.
Висновки
Неминучий вплив завад на ЕКГ сигнали призводить до їх спотворення, і, відповідно, до спотворення діагностичних ознак, тому при розробці систем автоматичного аналізу ЕКГ сигналів, необхідно передбачити розробку способів і засобів усунення шумів та артефактів. Без вжиття спеціальних заходів по усуненню цих завад, аналіз ЕКГ сигналів втрачає будь-який сенс.
На даний час ключовими задачами обробки ЕКГ сигналів, які реєструються мобільними пристроями є подавлення шумів і знаходження інформаційних ділянок.
Помилки та неточності автоматичної діагностики мають цілий ряд причин, однією з яких є спотворення корисного сигналу завадами або процедурами первинної обробки. Якщо в результаті усунення завад відбуваються спотворення форми інформативних ділянок ЕКГ сигналу, то це може призвести до помилкових або неточних діагностичних висновків. У зв'язку з цим, актуальна розробка способів і алгоритмів фільтрації ЕКС, що забезпечують значне усунення завад при мінімальному спотворенні форми корисного сигналу.
В результаті аналізу були обрані і обґрунтовані три напрямки підвищення ефективності завадостійкої обробки ЕКС:
· формування оцінки перешкоди під час відсутності корисного сигналу;
· адаптивне розкладання ЕКГ сигналу по локально зосередженим базисам;
· об'єднання адаптивного і непараметричного підходів до подолання апріорної невизначеності.
З дослідження алгоритмів стиснення ЕКГ вище, зрозуміло, що існує дуже багато варіантів для досягнення цієї цілі. Ці алгоритми розрізняються по обчислювальній складності, складності реалізації, швидкості виконання і ступеню стиснення. Важко визначити, який з них кращий, ніж інші, якщо не вказувати параметри. Проте, по відношенню до розвитку, існує тенденція від виділеної техніки до загальної методики. В даний час в категорії загальних методів, стиснення, основане на перетворенню є найрозвиненішим, оскільки воно використовується для обробки зображення і звуку, які користуються великим попитом в даний час.
Інші технології також цікаві, особливо для стискання зондуванням, який є новим і може принести багато покращень, але його продуктивність є невизначеною. У часовій області / виділені методи корисні, але вони не показують дуже відмінну ступінь стиснення і якість розпакованого сигналу також може бути низькою. Інші варіанти, такі як багатоканальні дані і стиснення без втрат цікаві для дослідження.
Проте, навіть якщо ці методи цікаві в плані технології, вони зазвичай відчувають нестачу якості вимірювання і контролю. В літературі можна знайти різні міри якості, та вибір через простоту вимірювання згадується рідко. Це робить багато алгоритмів непрактичними в реальних додатках. У нашому розвитку, ми націлені на поліпшення коефіцієнта стиснення при збереженні якості сигналу даної специфікації користувача.
Список використаної літератури
1. Серцево-судинні захворювання в Україні: прогнози — невтішні http://www.vz.kiev.ua/sercevo-sudinni-zaxvoryuvannya-v-ukrayini-prognozi-nevtishni/
2. Практикум з внутрішньої медицини: навчальний посібник / К.М. Амосова, Л.Ф. Конопльова, Л.Л. Сидорова, Г.В. Мостбауер та ін. — К.: Український медичний вісник, 2012 — 216с.
3. Emran Mohammad Abu Anas, Md Iftekhar Hossain, Md Shah Afran, and Shehrin Sayed. Compression of ecg signals exploiting correlation between ecg cycles. In Electrical and Computer Engineering (ICECE), 2010 International Conference on, pages 622–625. IEEE, 2010.
4. Seong-Beom Cho, Young-Dong Lee, Do-Un Jeong, and Gi-Hyun Hwang. Implementation of novel ecg compression algorithm using template matching. In Computing and Convergence Technology (ICCCT), 2012 7th International Conference on, pages 305–308. IEEE, 2012.
5. James Kennedy. Particle swarm optimization. In Encyclopedia of Machine Learning, pages 760–766. Springer, 2010
6. Hyejung Kim, Refet Firat Yazicioglu, Sunyoung Kim, Nick Van Helleputte, Antonio Artes, Mario Konijnenburg, Jos Huisken, Julien Penders, and Chris Van Hoof. A configurable and low-power mixed signal soc for portable ecg monitoring applications. In VLSI Circuits (VLSIC), 2011 Symposium on, pages 142–143. IEEE, 2011
7. Shin-Chi Lai, Wei-Che Chien, Chien-Sheng Lan, Meng-Kun Lee, Ching-Hisng Luo, and Sheau-Fang Lei. An efficient dct-iv-based ecg compression algorithm and its hardware accelerator design. In Circuits and Systems (ISCAS), 2013 IEEE International Symposium on, pages 1296–1299. IEEE, 2013
8. Yong Ting Li, Xiao Yan Chen, and Yue Wen Liu. Multi-channel ecg signals compression algorithm using simultaneous orthogonal matching pursuit. Advanced Materials Research, 457:1305–1309, 2012
9. SK Mukhopadhyay, M Mitra, and S Mitra. Ecg signal processing: Lossless compression, transmission via gsm network and feature extraction using hilbert transform. In Point-of-Care Healthcare Technologies (PHT), 2013 IEEE, pages 85–88. IEEE, 2013
10. Устройство для регистрации электрокардиосигналов в условиях свободной двигательной активности: Пат. 25405280 Рос. Федерация-№2013132637/14, заявл. 16.072013, опубл. 10.02.2015 бюл. №4.
11. Способ экспресс-оценки электрической стабильности сердца: Пат. 2567271, Рос. Федерация №2013141096/14, заявл. 09.09.2013, опубл 10.11.2015 бюл. №31.
12. Прибор Кардиокод [Электронный ресурс], URL: http://www.cardiocode.ru
13. Иванчуков А.Г., Бодин О.Н., Полосин В.Г., Петровский М.А. Концепция диагностики состояния сердца в условиях свободной двигательной активности // Современные проблемы науки и образования. – 2014. – № 6; URL: www.science-education.ru/120-16008
14. Иванчуков А.Г. Система диагностики сердца в условиях свободной двигательной активности / О.Н. Бодин, В.Г. Полосин, А.Г. Иванчуков, А.С.Сергеенков // Материалы международной научно-практической конференции "Инновации на основе информационных и коммуникационных технологий". М.: НИУ ВШЭ, 2015, 672 с.
15. Добеши И. Десять лекций по вейвлетам. – Москва - Ижевск: НИЦ Регулярная и хаотическая диалектика, 2004, 464с
16. Брандт З. Анализ данных. Статистические и вычислительные методы для научных работников и инженеров. М.: Мир., «Издательство АСТ», 2003. – 686 с.
17. Барбараш Л.С. Заметки главного редактора // Комплексные проблемы сердечно-сосудистых заболеваний. – 2013. – №1.
18. Zartner PA, Toussaint-Goetz N, Photiadis J. et al. Telemonitoring with implantable electronic devices in young patients with congenital heart diseases. Europace. 2012; Feb 2.
19. Winkler S, Schieber M, Lücke S, et al. A new telemonitoring system intended for chronic heart failure patients using mobile telephone technology — feasibility study. Int J Cardiol. 2011; Nov 17; 153 (1):55–8.
20. Huang N.E., Shen Z., Long S.R. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proc. R. Soc. Lond. A. 1998. V. 454. P. 903-995.
21. eMotion ECG – Система удаленного ЭКГ-мониторинга [Электронный ресурс], URL: http://medgadgets.ru/shop/emotion-ecg-sistema-udalennogojekg-monitoringa.htm
22. Clifford G. D., Azuaje F, McSharr P. E. Advanced Methods and Tools for ECG Data Analysis. Artech House, Inc. 2006