UNIVERZITET CRNE GORE ELEKTROTEHNIČKI FAKULTET Saša Knežević RAZVOJ I IMPLEMENTACIJA ALGORITAMA ZA OBRADU BIOMEDICINSKIH SIGNALA NA MIKROKONTROLERSKIM I FPGA PLATFORMAMA MAGISTARSKI RAD Podgorica, 2013.
UNIVERZITET CRNE GORE
ELEKTROTEHNIČKI FAKULTET
Saša Knežević
RAZVOJ I IMPLEMENTACIJA ALGORITAMA ZA OBRADU BIOMEDICINSKIH
SIGNALA NA MIKROKONTROLERSKIM I FPGA PLATFORMAMA
MAGISTARSKI RAD
Podgorica, 2013.
Sažetak
Ekstrakcija parametara biomedicinskih signala je od fundamentalnog značaja za praćenje
zdravstvenog stanja. Velika popularnost prenosivih i minijaturnih uređaja za kućnu njegu, stalna
potreba za pouzdanim sistemima namijenjenim za rad u kliničkim uslovima, brzi razvoj
ugrađenih uređaja i biomedicinskog inženjeringa, su osnova za razvoj hardverskih sistema za
ekstrakciju karakteristika biomedicinskih signala u realnom vremenu. Tema ovog rada je razvoj
algoritama za obradu biomedicinskih signala i njihova implementacija na programabilnim i
rekonfigurabilnim hardverskim platformama. Dato je mikrokontrolersko rješenje za obradu EKG
signala i umanjenje šumova u biomedicinskim signalima, koje je implementirano na nisko-
potrošnoj 16-bitnoj MSP430 arhitekturi u realnom vremenu. Kod sistema za detekciju QRS
kompleksa i računanje RR intervala u EKG signalima, postignuta je frekvencija odabiranja od 800
Hz, zauzetost od 268 bajtova memorije za podatke i 2022 bajtova programske memorije, a
prosječna tačnost detekcije QRS kompleksa na čistim EKG signalima iz MIT-BIH baze je 99.06 %.
Realizovan je FPGA sistem za istovremeno praćenje vitalnih zdravstvenih parametara za pet
pacijenata, koji paralelno obrađuje pet EKG i pet PPG signala. U tu svrhu je realizovan ekstraktor
parametara EKG i PPG signala, koji detektuje QRS komplekse u EKG signalu i najveće nagibe i
vrhove u PPG signalu, dajući vrijednosti RR intervala, srčanog pulsa i PTT intervala, u realnom
vremenu. Prilikom evaluacije rada sistema, pod-sistem za QRS detekciju je ostvario prosječnu
tačnost od 97.53 %, za MIT-BIH snimke sa mnogim artefaktima i različitim morfologijama EKG
signala, dok je za PPG snimke iz MIMIC baze, ostvarena prosječna tačnost od 97.09 % u detekciji
nagiba PPG signala i 94.52 % u otkrivanju vrhova PPG signala. Cjelokupni FPGA sistem za nadzor
pet pacijenata, implementiran na Altera Cyclone II FPGA čipu, zauzima 16139 logičkih
elemenata, ili 24 % ukupnih resursa čipa, dok jedan ekstraktor parametara EKG i PPG signala
zauzima 3275 logičkih elemenata.
Abstract
Parameter extraction of biomedical signals is of fundamental importance for health
monitoring. Great popularity of portable and miniaturized devices for home care, the constant
need for reliable systems intended for use in clinical conditions, the rapid development of
embedded devices and biomedical engineering, are the basis for the development of hardware
systems for the feature extraction of biomedical signals in real time. The theme of this paper is
development of algorithms for biomedical signal processing and their implementation in
programmable and reconfigurable hardware platforms. Microcontroller-based solution is given
for ECG signal processing and noise reduction in biomedical signals, with implementation on a
low-power 16-bit MSP430 architecture in real time. Sampling rate of 800 Hz, occupancy of 268
bytes of data memory and 2022 bytes of program memory, average accuracy in detection of
QRS complexes in clean ECG signals from MIT-BIH database of 99.06 %, are achieved for the
system for detection of QRS complexes and computation of RR intervals in the ECG signal. FPGA
system is realized for simultaneous monitoring of vital health parameters of five patients, by
parallel processing of five ECG and five PPG signals. For this purpose, parameter extractor of
ECG and PPG signals is realized, which detects QRS complexes in the ECG signal and maximum
slopes and peaks in the PPG signal, giving values of RR intervals, heart rate and PTT intervals, in
real time. During the evaluation of the system, sub-system for QRS detection has achieved
average accuracy of 97.53 %, for MIT-BIH records with many artifacts and different
morphologies of the ECG signal, while for the PPG records from MIMIC database, achieved
average accuracy is 97.09 % in the detection of the maximum slope of PPG signal and 94.52 %
in the detection of PPG peaks. The entire FPGA system for monitoring five patients,
implemented on Altera Cyclone II FPGA chip, occupies 16139 logic elements, or 24 % of the total
chip resources, while one ECG and PPG parameter extractor occupies 3275 logic elements.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
Sadržaj
Uvod .............................................................................................................................................................. 2
Doprinosi teze ............................................................................................................................................... 7
Struktura teze ................................................................................................................................................ 8
1. EKG signal ............................................................................................................................................ 10
1.1 Srce, talasni oblik i trajanje dijelova EKG signala ........................................................................ 10
1.2 Ritmovi rada srca ......................................................................................................................... 13
1.3 Šumovi kod EKG signala .............................................................................................................. 16
1.4 Primjena i obrada EKG signala ..................................................................................................... 18
1.4.1 Umanjenje artefakata u EKG signalu ................................................................................... 20
1.4.2 Principi detekcije QRS kompleksa ....................................................................................... 22
1.4.3 Hardverske realizacije QRS detektora ................................................................................. 25
1.4.4 Analiza varijabilnosti srčanog ritma .................................................................................... 27
2. PPG signal ............................................................................................................................................ 30
2.1 Princip puls-oksimetrije ............................................................................................................... 31
2.2 Talasni oblik PPG signala ............................................................................................................. 32
2.3 Smetnje u akviziciji PPG signala................................................................................................... 35
2.4 Primjena i obrada PPG signala .................................................................................................... 37
2.4.1 Primjene PPG signala ........................................................................................................... 37
2.4.2 Obrada PPG signala ............................................................................................................. 40
2.4.3 Umanjenje smetnji u PPG signalu ....................................................................................... 43
3. DWT u obradi biomedicinskih signala ................................................................................................. 45
3.1 Kontinualna i diskretna WT ......................................................................................................... 46
3.2 Haar DWT .................................................................................................................................... 49
3.3 DWT i biomedicinski signali ......................................................................................................... 51
3.3.1 Ekstrakcija karakteristika EKG i PPG signala pomoću CWT i DWT....................................... 51
3.3.2 Umanjenje šuma pomoću DWT .......................................................................................... 56
4. Mikrokontrolersko rješenje za obradu biomedicinskih signala .......................................................... 58
4.1 Mikrokontrolerski sistem za obradu EKG signala ........................................................................ 59
4.2 Mikrokontrolerski sistem za umanjenje šumova ........................................................................ 62
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
5. FPGA rješenje za obradu biomedicinskih signala ................................................................................ 65
5.1 Arhitektura FPGA sistema za obradu biomedicinskih signala ..................................................... 65
5.2 Realizacija kontrolera analogno-digitalne konverzije ................................................................. 68
5.3 Arhitektura ekstraktora parametara EKG i PPG signala .............................................................. 71
5.3.1 Arhitektura sistema za obradu EKG signala ........................................................................ 71
5.3.1.1 Hardverska realizacija DWT ............................................................................................. 74
5.3.1.2 Arhitektura detektora lokalnog minimuma, lokalnog maksimuma i prolaza kroz nulu .. 76
5.3.1.3 Sistem za računanje RR intervala i srčanog pulsa ........................................................... 81
5.3.2 Arhitektura sistema za obradu PPG signala ........................................................................ 83
5.3.3 Sistem za računanje PTT intervala ....................................................................................... 87
5.4 Sistem za biranje pacijenata i multipleksiranje parametara ....................................................... 88
5.5 Prikazivanje i prenos vitalnih parametara ................................................................................... 90
6. Rezultati, testiranje i diskusija ............................................................................................................. 93
6.1 Rezultati i testiranje mikrokontrolerskog rješenja ...................................................................... 93
6.2 Rezultati i testiranje FPGA rješenja ........................................................................................... 100
7. Zaključak ............................................................................................................................................ 116
Prilog ......................................................................................................................................................... 120
Literatura ................................................................................................................................................... 121
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
Popis slika
Slika 1.1 Srce i EKG signal koji nastaje kao zbir električnih aktivnosti različitih dijelova srca ....... 11
Slika 1.2 Talasni oblici i intervali u EKG signalu .............................................................................. 12
Slika 1.3 Neki od mogućih ritmova rada srca: (a) normalni sinusni ritam; (b) sinusna bradikardija;
(c) sinusna tahikardija; (d) atrijalna fibrilacija ................................................................................ 15
Slika 1.4 Tahogram RR intervala EKG signala ................................................................................. 15
Slika 1.5 Spektar snage EKG signala, talasa u EKG signalu, artefakata pokreta i šuma zbog
kontrakcije mišića ........................................................................................................................... 17
Slika 1.6 Tipovi šuma u EKG signalu: (a) šum od izvora napajanja od 50 Hz; (b) mišićni šum; (c)
pomjeranje bazne linije; (d) artefakti pokreta ............................................................................... 18
Slika 1.7 Faze u procesu akvizicije i obrade EKG signala ................................................................ 19
Slika 1.8 Faze u radu tipičnog QRS detektora ................................................................................ 23
Slika 1.9 Primjeri EKG signala sa promjenljivom morfologijom QRS kompleksa ........................... 23
Slika 1.10 Histogrami RR intevala: (a) validni i nevalidni RR intervali, (b) histogram dobijen
izostavljanjem nevalidnih RR intervala .......................................................................................... 29
Slika 1.11 Spektralna analiza RR intervala subjekta u stanju mirovanja ........................................ 29
Slika 2.1 Talasni oblik PPG signala .................................................................................................. 30
Slika 2.2 Princip puls-oksimetrije koji je baziran na svjetlećim diodama i fotodetektoru ............. 31
Slika 2.3 PPG signal i apsorpcija svjetlosti od strane različitih tkiva .............................................. 33
Slika 2.4 Tipični talasni oblik PPG signala i njegovi karakteristični parametri ............................... 34
Slika 2.5 Jedan od načina kategorisanja PPG signala koji je izvršen prema prisustvu dikrotnog
usjeka ............................................................................................................................................. 34
Slika 2.6 EKG i PPG signali za isti srčani ciklus sa PTT intervalom .................................................. 35
Slika 2.7 PPG signal koji je zahvaćen artefaktima pokreta ............................................................. 36
Slika 2.8 Uticaj srčane aritmije na PPG, signal krvnog pritiska-KP, i EKG ....................................... 39
Slika 2.9 Prikaz PPG signala (a) i njegovog prvog izvoda (b) .......................................................... 41
Slika 2.10 PPG signal (a) i njegov drugi izvod (b) ............................................................................ 42
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
Slika 3.1 Vremenska reprezentacija često korišćenih wavelet funkcija: (a) Morlet wavelet; (b)
Mexican hat wavelet; (c) Haar wavelet (podebljano) i funkcija skaliranja; (d) Daubechies 4
wavelet (podebljano) i funkcija skaliranja; (e) Daubechies 12 (podebljano) i funkcija skaliranja i
(f) Daubechies 20 (podebljano) i funkcija skaliranja. ..................................................................... 47
Slika 3.2 Skalogram wavelet koeficijenata dobijenih analizom sinusoidalnog signala frekvencije
10 Hz pomoću Gaussian 4 waveleta .............................................................................................. 48
Slika 3.3 Malatova šema za dekompoziciju i rekonstrukciju signala ............................................. 49
Slika 3.4 EKG signal i skalogram CWT wavelet koeficijenata dobijenih analizom EKG signala
pomoću Morlet waveleta ............................................................................................................... 52
Slika 3.5 EKG signal sa četiri nivoa njegove dekompozicije pomoću Haar DWT............................ 53
Slika 3.6 PPG signal i skalogram CWT wavelet koeficijenata dobijenih njegovom analizom
pomoću Morlet waveleta ............................................................................................................... 54
Slika 3.7 PPG signal i četiri nivoa dekompozicije njegove Haar DWT ............................................ 55
Slika 3.8 Koraci u obradi signala prilikom umanjenja šuma na bazi DWT ..................................... 56
Slika 4.1 Texas Instruments-ov mikrokontroler MSP430F169 ....................................................... 58
Slika 4.2 Arhitektura mikrokontrolerskog sistema za obradu EKG signala .................................... 59
Slika 4.3 Algoritam za detekciju QRS kompleksa u EKG signalu koji je implementiran na MSP430
mikrokontroleru ............................................................................................................................. 62
Slika 4.4 Arhitektura mikrokontrolerskog sistema za umanjenje šumova .................................... 63
Slika 5.1 Sistem za paralelno praćenje vitalnih parametara pet pacijenata .................................. 66
Slika 5.2 Arhitektura FPGA sistema za obradu biomedicinskih signala ......................................... 67
Slika 5.3 Blok dijagram sistema za kontrolu procesa analogno-digitalne konverzije .................... 68
Slika 5.4 Trajanje signala na ulazu i izlazima FPGA kontrolera analogno-digitalne konverzije u
jednom ulazno-izlaznom ciklusu A/D konvertora .......................................................................... 70
Slika 5.5 Mašina stanja korišćena za realizaciju kontrolera analogno-digitalne konverzije .......... 70
Slika 5.6 Blok dijagram ekstraktora parametara EKG i PPG signala ............................................... 71
Slika 5.7 DWT za EKG signal sa pragovima za detekciju negativnog minimuma i pozitivnog
maksimuma .................................................................................................................................... 72
Slika 5.8 Algoritam za detekciju QRS kompleksa implementiran na FPGA čipu ............................ 73
Slika 5.9 Arhitektura FPGA sistema za obradu EKG signala ........................................................... 74
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
Slika 5.10 Arhitektura osnovne hardverske jedinice za računanje DWT ....................................... 74
Slika 5.11 Kaskadno povezivanje jedinica za računanje DWT i računanje tri nivoa DWT .............. 75
Slika 5.12 Simulacioni dijagram rada kaskadne veze za računanje tri nivoa DWT ........................ 76
Slika 5.13 Arhitektura kola za detekciju lokalnog minimuma, lokalnog maksimuma i prolaza kroz
nulu, i prepoznavanje QRS kompleksa ........................................................................................... 77
Slika 5.14 Arhitektura kola za detekciju lokalnog minimuma/lokalnog maksimuma .................... 78
Slika 5.15 Kolo za pronalaženje prolaza kroz nulu ......................................................................... 79
Slika 5.16 Mašina stanja za detekciju QRS kompleksa ................................................................... 80
Slika 5.17 Blok dijagram kola za računanje RR intervala i srčanog pulsa ....................................... 82
Slika 5.18 Algoritam za detekciju najvećeg nagiba PPG signala koji je implementiran na FPGA
čipu ................................................................................................................................................. 83
Slika 5.19 Arhitektura FPGA sistema za obradu PPG signala ......................................................... 84
Slika 5.20 Mašina stanja za detekciju najvećeg nagiba PPG signala .............................................. 86
Slika 5.21 Blok dijagram sistema za računanje PTT intervala ........................................................ 88
Slika 5.22 Sistem za biranje i multipleksiranje pacijenata ............................................................. 89
Slika 5.23 Mašina stanja za biranje pacijenta ................................................................................ 90
Slika 5.24 Sistem za prikazivanje vrijednosti srčanog pulsa ........................................................... 91
Slika 5.25 Sistem za prenos vrijednosti RR i PTT intervala ............................................................. 92
Slika 6.1 Set uređaja korišćenih za testiranje rada mikrokontrolerskog sistema u realnom
vremenu ......................................................................................................................................... 94
Slika 6.2 DST izračunata u MATLAB-u i na MSP430F169 u realnom vremenu: (a) oscilograf
originalog EKG signala; (b) D4(n) koeficijenti izračunati u MATLAB-u; (c) oscilograf D4(n)
koeficijenata, snimljenih na P6.7 pinu MK-a.................................................................................. 95
Slika 6.3 EKG signal sa QRS kompleksima (gore) i impulsi koji signaliziraju detekciju QRS
kompleksa u realnom vremenu (dolje) .......................................................................................... 96
Slika 6.4 EKG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon filtriranja u realnom
vremenu (dolje) .............................................................................................................................. 97
Slika 6.5 EKG signal zahvaćen bijelim šumom (gore) i signal dobijen nakon filtriranja (dolje)...... 97
Slika 6.6 Invertovani PPG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon
filtriranja u realnom vremenu (dolje) ............................................................................................ 98
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
Slika 6.7 Alterina razvojna ploča DE2-70 ......................................................................................100
Slika 6.8 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati na
FPGA čipu, u realnom vremenu ...................................................................................................102
Slika 6.9 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati u
MATLAB-u.....................................................................................................................................102
Slika 6.10 PPG signal i DST koeficijenti aproksimacija sa pet nivoa dekompozicije DWT, izračunati
na FPGA čipu, u realnom vremenu ..............................................................................................103
Slika 6.11 PPG signal i DST koeficijenti detalja sa pet nivoa dekompozicije, izračunati na FPGA
čipu, u realnom vremenu .............................................................................................................103
Slika 6.12 PPG signal i signali dobijeni nakon diferenciranja DWT koeficijenata aproksimacija za
PPG signal .....................................................................................................................................104
Slika 6.13 EKG signali različitih talasnih oblika i impulsi koji signaliziraju detekcije QRS kompleksa
u realnom vremenu ......................................................................................................................105
Slika 6.14 QRS kompleks i (a) pojedinačni impulsi za indikaciju njegove detekcije na tri nivoa
DWT, i (b) zbirni impuls za indikaciju QRS kompleksa .................................................................106
Slika 6.15 EKG signal sa pejsovanim ritmom i indikacija QRS kompleksa u realnom vremenu ...107
Slika 6.16 Poređenje (a) vrijednosti RR intervala dobijenih u NI-ovom softveru i (b) vrijednosti
dobijenih na FPGA čipu u realnom vremenu, za EKG MIT-BIH snimak br. 103. ..........................109
Slika 6.17 Histogram RR intervala za EKG MIT-BIH snimak br. 103. ............................................109
Slika 6.18 Poređenje (a) vrijednosti srčanog pulsa dobijenih pomoću NI-ovog softvera i (b)
vrijednosti dobijenih na FPGA čipu ..............................................................................................111
Slika 6.19 PPG signali i impulsi za indikaciju detekcija najvećih nagiba u PPG signalu ................112
Slika 6.20 PPG signali i impulsi za indikaciju detekcija vrhova PPG signala .................................112
Slika 6.21 Poređenje (a) vrijednosti srčanog pulsa dobijenih iz EKG signala i (b) vrijednosti
dobijenih iz PPG signala ...............................................................................................................114
Slika 6.22 Korelacija (a) vrijednosti PTT intervala dobijenih na FPGA čipu i (b) signala krvnog
pritiska ..........................................................................................................................................115
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
Popis tabela
Tabela 6.1 Vremena računanja DWT za cjelobrojne verzije i verzije sa pomičnim zarezom ......... 98
Tabela 6.2 Zauzetost memorije za podatke kod cjelobrojne verzije DWT i verzije sa pomičnim
zarezom .......................................................................................................................................... 99
Tabela 6.3 Tačnost detekcije QRS kompleksa za pet EKG snimaka iz MIT-BIH baze ..................... 99
Tabela 6.4 Rezultati detekcije QRS kompleksa pomoću dizajniranog FPGA sistema za deset EKG
MIT-BIH snimaka ..........................................................................................................................107
Tabela 6.5 Srednje vrijednosti srčanog pulsa koje su izračunate za vrijednosti dobijene pomoću
NI-ovog softvera i FPGA čipa ........................................................................................................110
Tabela 6.6 Rezultati detekcije tačaka najvećih nagiba za PPG signale iz MIMIC baze ................113
Tabela 6.7 Rezultati detekcije vrhova PPG signala iz MIMIC baze ...............................................113
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
Popis skraćenica
ADK
Analogno-
digitalni
konvertor
Analogno-digitalni konvertor
ANS Autonomni nervni sistem
APG Acceleration Plethysmogram
ASIC Application-Specific Integrated circuit
BM Biomedicinski
CWT Continuous Wavelet Transform
DAK Digitalno-analogni konvertor
DSP Digital Signal Processing
DST Direktna S transformacija
DWT Discrete Wavelet Transform
EEG Elektroencefalogram
EKG Elektrokardiogram
EMG Elektromiogram
FFT Fast Fourier Transform
FPGA Field-Programmable Gate Array
HRV Heart Rate Variability
HT Haar transformacija
IDWT Inverse Discrete Wavelet Transform
IST Inverzna S transformacija
JK Jednosmjerna komponenta
KP Krvni pritisak
LED Light-Emitting Diode
LMS Least Mean Square
MIMIC Multiparameter Intelligent Monitoring in Intensive Care
MIT-BIH Massachusetts Institute of Technology-Boston's Beth Israel Hospital
MK Mikrokontroler
NI National Instruments
NK Naizmjenična komponenta
PLD Programmable Logic Device
PN Prolaz kroz nulu
PPG Fotopletismogram
PTT Pulse Transit Time
PTTI PTT interval
PWV Pulse Wave Velocity
RLS Recursive Least Squares
RRI RR interval
SA Sinoatrijalni
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
SI Stiffness Index
SP Srčani puls
ST S transformacija
STFT Short-Time Fourier Transform
WT Wavelet Transform
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
2
Uvod
Biomedicinski (BM) signali su jedan od glavnih izvora informacija o zdravstvenom stanju i
njihova blagovremena i tačna analiza je ključna za mnoge dijagnoze, terapije, a nerijetko i za
spašavanje ljudskog života.
BM signali služe za opservacije fizioloških aktivnosti organizma i oni nose informacije koje su
korisne za razumijevanje složenih mehanizama na kojim se temelji ponašanje organizma. Ipak,
takve informacije ne mogu biti dostupne direktno iz snimljenih signala, jer one mogu biti
prikrivene drugim BM signalima ili aditivnim šumovima. Iz tog razloga, obično je potrebna
dodatna obrada BM signala kako bi se dobile relevantne informacije, i izvršilo izdvajanje željenih
vitalnih parametara. U fokusu digitalne obrade BM signala su Elektrokardiogram (EKG),
Elektroencefalogram (EEG), Elektromiogram (EMG), Fotopletismogram (PPG), zatim signali
respiracije, govora, pokreta, itd. BM signali se koriste u procesima nadgledanja i
dijagnostikovanja, prilikom raznih kliničkih djelatnosti. Postavljanju kliničke dijagnoze prethode
akvizicija, obrada i analiza BM signala. Dijagnoze se zasnivaju na informacijama koje daju sistemi
za obradu signala, zbog čega ovi sistemi imaju veliku odgovornost. Obrada BM signala
predstavlja interdisciplinarnu temu. Znanje o fiziologiji ljudskog tijela je vrlo bitno da bi se
izbjegla opasnost od izrade metode za analizu koja narušava, ili čak uklanja, značajne
informacije. Takođe, vrlo je bitno znanje iz mnogih oblasti kao što su anatomija, matematika,
programiranje, elektronika, dizajn digitalnih sistema, itd. U mnogim kliničkim uslovima,
informacije dobijene iz EKG i PPG signala su ključne za praćenje brojnih vitalnih parametara.
Karakteristike EKG signala [1] su od temeljne važnosti za praćenje zdravstvenog stanja i
dijagnoze mnogih bolesti. Srce je jedan od najvažnijih organa i njegovo stanje ozbiljno utiče na
funkcionalnost ostatka ljudskog tijela. EKG signal predstavlja električnu aktivnost srca. Pošto su
bolesti srca jedan od glavnih razloga ljudske smrtnosti, problem obrade EKG signala ima veliki
značaj. To je razlog za široku popularnost uređaja za medicinska posmatranja EKG-a. QRS
kompleks je dominantni i najvažniji dio EKG signala, i zbog toga automatska analiza EKG signala
uglavnom počinje detekcijom QRS talasa. Otkrivanje QRS kompleksa je prvi korak u određivanju
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
3
srčanog pulsa (SP), varijabilnosti srčanog ritma (eng. Heart Rate Variability-HRV) i otkrivanju
srčanih aritmija.
Puls-oksimetrija [2] je neinvazivna, elektro-optička metoda za otkrivanje kardiovaskularnih
pulsnih talasa, koje generišu periferni krvni sudovi, pobuđeni kvazi-periodičnim kontrakcijama
srca. Ovi pulsni talasi formiraju PPG signal. Danas se puls-oksimetri široko primjenjuju u kliničkoj
praksi, uglavnom za mjerenje zasićenosti pacijentovih perifernih arterija kiseonikom (SpO2) i
procjenu SP-a. Puls-oksimetri te podatke dobijaju iz PPG signala koji je sinhron sa svakim
otkucajem srca. Uprkos svojoj jednostavnosti, porijeklo različitih komponenti PPG signala još
uvijek nije u potpunosti ispitano, ali je opšte prihvaćeno, da PPG može pružiti vrijedne
informacije o kardiovaskularnom sistemu. PPG signal se primjenjuje u mnogim različitim
kliničkim uslovima, uključujući fiziološko praćenje (zasićenje krvi kiseonikom, rad srca, krvni
pritisak, srčani izlaz i respiracija), vaskularne procjene (arterijska bolest, arterijsko starenje,
venska procjena) i autonomne funkcije (vazomotorna funkcija i termoregulacija, krvni pritisak i
varijabilnost srčanog ritma, neurološke procjene, itd.).
U obradi BM signala, kao što su EKG i PPG, postoji nekoliko faza. Potrebno je izvršiti akviziciju
signala, transformaciju signala, izdvajanje parametara koji su dijagnostički značajni i na kraju
treba izvršiti interpretaciju i klasifikaciju dobijenih podataka. Koriste se razne tehnike za analizu
BM signala, uključujući filtriranje, adaptivno umanjenje šumova, prepoznavanje oblika u cilju
razlikovanja abnormalnih i normalnih signala, itd. Metode analize BM signala u vremenskom
domenu nisu sasvim dovoljne za proučavanje njihovih značajnih karakteristika, i zbog toga je
potrebna frekvencijska analiza BM signala. Da bi se to postiglo, može biti primjenjena brza
Furijeova transformacija (eng. Fast Fourier Transform-FFT). Nedostatak FFT je to što ona ne daje
informacije o tačnoj lokaciji frekvencijskih komponenti u vremenu. Frekvencijski sadržaj BM
signala varira u vremenu, a opisivanje frekvencijskih komponenti prema njihovoj lokaciji u
vremenu je veoma bitno. To zahtjeva upotrebu vremensko-frekvencijskih reprezentacija BM
signala. Jedno od sredstava koje se može koristiti u ove svrhe je kratkotrajna Furijeova
transformacija (eng. Short-Time Fourier Transform-STFT). Glavni nedostatak STFT je to što njena
vremensko-frekvencijska preciznost nije optimalna. Među različitim vremensko-frekvencijskim
transformacijama, wavelet transformacija (eng. Wavelet Transform-WT) se smatra
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
4
najpopularnijom i najkorisnijom. WT se temelji na skupu wavelet funkcija, omogućujući
dekompoziciju BM signala u skup koeficijenata. Svaki wavelet koeficijent, koji proizilazi iz WT,
odgovara komponenti BM signala u određenom vremenskom segmentu i frekvencijskom
opsegu. WT se pokazala kao dobro sredstvo za obradu nestacionarnih signala kao što su BM
signali, i mnogi algoritmi za obradu BM signala koriste WT [3]. U slučaju EKG i PPG signala, to su
uglavnom algoritmi za ekstrakciju njihovih karakteristika i umanjenje šuma u njima.
Zadnjih godina je prisutan veliki industrijski, istraživački i akademski interes za biomedicinski
inženjering i razvoj uređaja za kućnu njegu, gdje jeftini, minijaturni, telemetrijski i prenosivi
uređaji prevazilaze udaljenost između ljekara i pacijenta, omogućuju svakodnevni uvid u
zdravstveno stanje. Takvi uređaji se obično sastoje od jednog čipa u vidu mikroprocesora,
mikrokontrolera (MK), programabilnog logičkog uređaja (eng. Programmable Logic Device-PLD)
ili integrisanog kola specifične namjene (eng. Application-Specific Integrated Circuit-ASIC). Osim
akvizicije, digitalizacije, memorisanja podataka, vizuelizacije i komunikacije, ovakvi čipovi
obavljaju i obradu signala u realnom vremenu čak i u vremensko-frekvencijskom domenu. To
nije jednostavan zadatak s obzirom na ograničenja u pogledu aritmetičkih i memorijskih resursa,
kao i potrošnje energije. Upravo ovo je razlog zbog kojeg algoritmi za obradu BM signala, vrlo
često, nisu implementirani u realnom vremenu, već pomoću namjenski napravljenih računarskih
softvera. Veliki razvoj tehnologija, koje se primjenjuju kod raznih ugrađenih sistema, daje
mogućnosti da se ovakvi algoritmi implementiraju za rad u realnom vremenu.
Tehnologije koje se koriste za implementaciju algoritama za digitalnu obradu signala (eng.
Digital Signal Processing-DSP) su snažno povezane sa velikim razvojem silicijumske tehnologije.
Dostupnost tranzistora, čija se cijena konstantno smanjuje, je glavna pokretačka snaga u
stvaranju novih tržišta i oblasti primjene, kao i razvoja niza DSP tehnologija. Silicijumska
tehnologija ne samo da nudi jeftine platforme, već i veće brzine, uključujući nižu potrošnju
energije. Ovo je doprinijelo razvoju brojnih DSP tržišta, posebno u oblasti telekomunikacija,
audio i video proizvoda, biomedicinskog inženjeringa, itd. Tehnologije za implementiranje DSP
funkcija obuhvataju: mikrokontrolere, DSP procesore, visoko rekonfigurabilne tehnologije kao
što su nizovi logičkih kapija koji se programiraju ''na terenu'' (eng. Field-Programmable Gate
Array-FPGA), specifično namijenjena ASIC kola. Odabir neke od ovih tehnologija može da zavisi
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
5
od više faktora poput željene frekvencije odabiranja signala, brzine računanja, željenog nivoa
paralelizma, memorijskih resursa, potrošnje energije, cijene i mnogih drugih.
Upotreba mikrokontrolera opšte namjene u DSP svrhe je postala uobičajena s obzirom na
dostupnost procesora sa većim brzinama. Budući da se većina sistema za obradu signala sastoji
od procesora i DSP čipa, upotreba jednog mikrokontrolera za obavljanje obje ove funkcije
omogućuje jednostavnije i jeftinije rješenje. Osim toga, dizajn sa jednim čipom troši manje
energije, što je idealno za aplikacije koje se mogu napajati pomoću baterija, u koje spadaju i
prenosivi biomedicinski uređaji. DSP kola nude veću brzinu obrade i koriste se za računski
zahtjevne aplikacije, kao što su obrada govora, slike i kompleksnih signala, dok se
mikrokontroleri tradicionalno koriste za kontrolne aplikacije. Zbog toga je potrebna dodatna
optimizacija DSP algoritama za njihovu implementaciju na mikrokontrolerima. Prilikom odabira
mikrokontrolera za implementaciju nekog DSP algoritma, potrebno je razmotriti više aspekata
od kojih zavisi izbor. Među njima su odabir između procesora sa aritmetikom fiksnog ili
pomičnog zareza, dostupnost integrisanih periferija, brzina odabiranja, brzina izvršavanja
instrukcija i raspoloživa memorija.
Danas, aplikacije za DSP, kao što su, npr. aplikacije u oblasti telekomunikacija i obrade slike,
zahtijevaju značajan računski performans, kako bi se postigao rad u realnom vremenu [4]. U
nekim slučajevima, performans DSP kola ili MK-a nije dovoljan da garantuje rad u realnom
vremenu. U tim slučajevima, problem se često rješava pomoću namjenskog hardvera
napravljenog za neke pred-obrade podataka ili čak za realizaciju cijelog sistema za obradu
signala. Znajući da su ASIC kola preskupa, i nedovoljno fleksibilna, FPGA kola su dobra
alternativa za hardversku implementaciju DSP algoritama. FPGA kola pripadaju klasi PLD
uređaja. Upotreba ovih reprogramabilnih i rekonfigurabilnih kola raste iz godine u godinu.
Razlog zašto hardverske implementacije DSP algoritama u FPGA kolima pokazuju bolje
performanse, u mnogim slučajevima, u odnosu na softverske implementacije na DSP-ovima je
drugačija računarska paradigma. U odnosu na DSP kola, koja u osnovi koriste sekvencijalni von
Neumann-ov način rada, FPGA kola mogu implementirati algoritme sa mnogo više paralelizma,
efikasnije implementirajuću operacije veoma značajne za DSP, kao što su množenje praćeno
akumulacijom (eng. multiply and accumulate) i protočna obrada (eng. pipelining). Mana dizajna
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
6
zasnovanog na FPGA kolima je to što za njega treba više razvojnog rada nego za softverske
implementacije na DSP kolima. Razvojni alati kao što su jezici za opis hardvera (VHDL, VERILOG,
itd.), simulatori i sinteza se mnogo razlikuju od onoga što se koristi u softverskom inženjeringu,
koristeći MATLAB ili jezike kao što su C ili C++. S druge strane, razvijeni su alati koji se koriste za
opis hardvera na višem nivou apstrakcije, tzv. algoritamskom nivou, i automatsko mapiranje
algoritamskog opisa na registarskom nivou (eng. register-transfer level) i nivou logičkih kapija
(eng. gate level). Neke od prednosti FPGA kola, koje su im zajedničke sa ASIC kolima su veća
brzina rada, manja disipacija snage i veća sigurnost u pogledu neautorizovanih kopija, itd [5].
FPGA kola su mnogo ekonomičnija od ASIC kola, jer za razliku od njih nude brzo prototipiranje i
reprogramabilnost.
Cilj ovog rada su razvoj i hardverska implementacija algoritama za obradu BM signala na
platformama koje omogućuju obradu signala u realnom vremenu. Pored toga, cilj je i realizacija
sistema koji su pogodni za upotrebu u ugrađenim i prenosivim uređajima, koji se mogu koristiti
za neinvazivno praćenje vitalnih parametara u kućnim uslovima, daleko od ljekara.
U radu su predstavljene mikrokontrolerska i FPGA implementacija algoritama za obradu EKG
i PPG signala. Implementirani algoritmi se zasnivaju na detekciji karakterističnih tačaka u
signalima koji nastaju primjenom diskretne verzije WT (eng. Discrete Wavelet Transform-DWT),
na EKG i PPG signalima, i diferenciranju PPG signala. Fokus rada je na realizaciji sistema za
detekciju QRS kompleksa u EKG signalu, detekciju vrha i najvećeg nagiba PPG signala, računanje
RR intervala u EKG signalu, procjenu srčanog pulsa iz EKG i PPG signala, računanje PTT intervala
iz EKG i PPG signala, i umanjenje šuma u BM signalima. Dizajnirani sistemi rade u realnom
vremenu, postižući visok stepen tačnosti u detekciji karakterističnih tačaka EKG i PPG signala i
mjerenju vitalnih parametara.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
7
Doprinosi teze
Glavni naučni i stručni doprinosi rada su:
Pregled i sistematizacija mogućnosti primjene EKG i PPG signala i načina njihove obrade
prilikom estimacije vitalnih zdravstvenih parametara. Ovoj problematici je pristupljeno
sa multidisciplinarne tačke gledišta.
Opisane su kontinualna i diskretna WT, kao i optimizovana cjelobrojna verzija Haar
DWT, pogodna za hardverske implementacije. Predstavljene su mogućnosti DWT u
obradi EKG i PPG signala, tj. u ekstrakciji njihovih vremensko-frekvencijskih
karakteristika i umanjenju šuma.
Dat je pregled dosadašnjeg rada na polju razvoja i hardverskih implementacija
algoritama za obradu BM signala.
Predloženi su algoritmi za detekciju QRS kompleksa u EKG signalu i detekciju najvećeg
nagiba i vrha PPG signala. Algoritmi su adaptivni, što znači da se mogu primjeniti na EKG
i PPG signale različitih amplituda i talasnih oblika.
Izvršena je hardverska implementacija razvijenih algoritama za obradu EKG i PPG signala
na mikrokontrolerskoj i FPGA platformi u realnom vremenu. Realizovani su hardverski
prototipovi sistema za detekcije QRS kompleksa, detekcije najvećeg nagiba i vrha PPG-a,
računanje RR intervala, srčanog pulsa i PTT intervala.
Realizovan je mikrokontrolerski sistem za umanjenje šumova u biomedicinskim
signalima, koji se može primjeniti i na druge tipove signala.
Izvršeno je testiranje realizovanih sistema u realnom vremenu. Opisan je način njihovog
testiranja i predstavljeni su dobijeni rezultati. Sumiran je utrošak aritmetičkih, logičkih,
memorijskih i drugih resursa potrebnih za realizaciju sistema.
Opisane su mogućnosti primjene dizajniranih sistema, pravci njihovog unapređenja i
nadogradnje.
Izvršena je sistematizacija literature iz više oblasti koje su povezane sa temom rada.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
8
Struktura teze
U Poglavlju 1. EKG signal je opisano porijeklo EKG signala, talasni oblik i trajanje njegovih
pojedinačnih segmenata. Predstavljeni su EKG signali za različite srčane ritmove. Opisano je
odakle potiču i kako se manifestuju glavne smetnje koje se javljaju u obradi EKG-a. Napravljen je
pregled nekih od metoda za umanjenje smetnji i obradu EKG signala. Dati su principi na kojim
počiva detekcija QRS kompleksa, kao i pregled hardverskih realizacija QRS detektora. Opisani su
načini analize varijabilnosti srčanog ritma.
Poglavlje 2. PPG signal objašnjava način akvizicije, talasni oblik i glavne izvore poteškoća u
obradi PPG signala. Govori se o značaju i mogućnostima primjene PPG signala, samostalno i u
korelaciji sa EKG signalom. Opisani su načini za poboljšanje i obradu PPG signala.
U Poglavlju 3. DWT u obradi biomedicinskih signala su predstavljene kontinualna i diskretna
WT, a zatim optimizovana cjelobrojna forma Haar DWT. Naglašeni su značaj i mogućnosti
primjene DWT u obradi EKG i PPG signala. Prikazani su talasni oblici signala koji nastaju nakon
primjene DWT na EKG i PPG signalima. Objašnjen je princip za umanjenje šumova koji je
zasnovan na DWT.
Poglavlje 4. Mikrokontrolersko rješenje za obradu biomedicinskih signala daje softverske i
hardverske arhitekture mikrokontrolerskih sistema za obradu EKG signala i umanjenje šumova u
BM signalima.
FPGA implementacije algoritama za obradu EKG i PPG signala su opisane u Poglavlju 5. FPGA
rješenje za obradu biomedicinskih signala. Opisana je softverska i hardverska arhitektura
ekstraktora parametara koji vrši paralelnu obradu EKG i PPG signala, i koji je sastavni dio
sistema za paralelno praćenje vitalnih parametara za pet pacijenata.
Poglavlje 6. Rezultati, testiranje i diskusija daje procjenu sastavnih dijelova realizovanih
mikrokontrolerskih sistema, na osnovu kvalitativnih i kvantitativnih parametara, kao što su
zauzetost memorijskih resursa, potrošnja energije, vrijeme računanja i tačnost detekcije. Dati su
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
9
i rezultati testiranja FPGA sistema u realnom vremenu, prilikom primjene DWT na EKG i PPG
signalima, diferenciranja PPG signala, detekcije QRS kompleksa, detekcije vrha i najvećeg nagiba
PPG signala, i procjene nekoliko vitalnih parametara.
Poglavlje 7. Zaključak daje pregled razvijenih i implementiranih algoritama, sumira
postignute rezultate ostvarene prilikom testiranja sistema u realnom vremenu, opisuje
mogućnosti primjene dizajniranih sistema i daje smjernice za budući rad.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
10
Poglavlje 1.
1. EKG signal
EKG signal je jedan od najpoznatijih BM signala. EKG reflektuje električnu aktivnost srčanog
mišića. Ova aktivnost se odnosi na mnoštvo isprepletanih i kompleksnih hemijskih, električnih, i
mehaničkih procesa koji se odvijaju u srcu [6]. EKG signali daju veliki doprinos u dijagnostici, ne
samo opisujući funkcionisanje srca, već i drugih sistema u organizmu, kao što su cirkulacija ili
nervni sistem. Poslednjih decenija je prisutan veliki porast interesovanja za razvoj metoda za
obradu i analizu EKG signala. Najveći napori se prave u domenu digitalne obrade signala sa
metodama realizovanim i hardverski i softverski.
1.1 Srce, talasni oblik i trajanje dijelova EKG signala
Srce je mišićni organ čija je primarna funkcija pumpanje krvi bogate kiseonikom kroz
organizam. Anatomija srca je podijeljena na dvije strane, lijevu i desnu, čiji se rad odvija
sinhronizovano. Lijevi i desni atrijum (pretkomore) su dijelovi srca u koje ulazi krv, a lijeva i
desna ventrikula (komore) su mjesta sa kojih se krv potiskuje u dalju cirkulaciju, Slika 1.1. Svaki
srčani ciklus je sastavljen od faze aktivacije i faze oporavka, koje su u električnom smislu
depolarizacija i repolarizacija, a u mehaničkom smislu, kontrakcija i opuštanje. Depolarizacija se
manifestije brzom promjenom membranskog potencijala ćelija zida srca. Brza promjena napona
uzrokuje da se susjedne ćelije depolarizuju, i, kao rezultat, električni impuls se širi od ćelije do
ćelije kroz zid srca. Depolarizacija je praćena repolarizacijom u toku koje se membranski
potencijal ćelija postupno vraća u stanje mirovanja. Inicijalizacija srčanog ciklusa se javlja u
ćelijama koje imaju sposobnost da spontano generišu električni impuls. Te ćelije se grupno
nazivaju sinoatrijalni (SA) čvor, a nalaze se u gornjem dijelu desnog atrijuma. Električni impuls se
zatim širi kroz provodni sistem, tako da se ventrikularna kontrakcija i opuštanje mogu vršiti u
tačnim vremenskim intervalima. SA čvor je prirodni pejsmejker srca koji određuje stopu
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
11
njegovih otkucaja. EKG signal opisuje različite električne faze srčanog ciklusa i predstavlja zbir
akcijskih potencijala u vremenu i prostoru, koje generišu milioni srčanih ćelija sa različitih
dijelova srca, kao na Slici 1.1.
SA čvor
Lijevi
atrijum
Desni
atrijum
Desna
ventrikula
Lijeva
ventrikula
Vrijeme (ms)
Slika 1.1 Srce i EKG signal koji nastaje kao zbir električnih aktivnosti različitih dijelova srca
Tipični EKG signal, za normalni otkucaj srca, se sastoji od P talasa, QRS kompleksa, i T talasa.
Slika 1.2 prikazuje osnovni oblik EKG signala za zdravo srce sa P, Q, R, S, J, i T segmentima i
standardnim EKG intervalima, a to su PQ, QT i ST intervali. QRS kompleks je najveći talas u EKG
signalu, uzrokovan ventrikularnom depolarizacijom ljudskog srca. P talas reflektuje atrijalnu
depolarizaciju, a T talas reflektuje ventrikularnu repolarizaciju srca.
Amplituda P talasa je normalno manja od 300 µV, i njegovo trajanje je manje od 120 ms.
Ovaj talas reflektuje sekvencijalnu depolarizaciju desnog i lijevog atrijuma. Spektralna
karakteristika P talasa se obično smatra nisko-frekventnom, ispod 10-15 Hz. Ponekad je
problematično odrediti vremenske trenutke koji definišu početak i kraj P talasa zbog niske
amplitude i glatke morfologije. Kao rezultat toga, analiza pojedinačnih P talasa je isključena iz
određenih EKG aplikacija, gdje je prisutnost šuma znatna.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
12
P
Q
R
S
J
T
R
RR interval
PQ
interval QT interval
QRS ST
Vrijeme (ms)
0 250 500 750 900 1150
1.5
-1.5
-0.75
0.75
Am
litu
da
(m
V)
0
Slika 1.2 Talasni oblici i intervali u EKG signalu
QRS kompleks odražava depolarizacije desne i lijeve ventrikule i on u normalnom srcu traje
oko 70-110 ms. Prvi negativni otklon QRS kompleksa je obilježen kao Q talas, a prvi pozitivni
otklon je označen kao R talas, dok je negativni otklon nakon R talasa označen kao S talas. Iako
QRS kompleks mogu činiti i manje od tri pojedinačna talasa, on se ipak uvijek pominje kao QRS
kompleks. Morfologija QRS kompleksa je vrlo promjenljiva. Budući da QRS kompleks, u
poređenju sa ostalim talasima EKG-a, ima najveću amplitudu, koja ponekad dostiže 2-3 mV, to
dovodi do toga da se QRS kompleks identifikuje prvi, u bilo kojoj vrsti analize EKG signala. Zbog
svojih strmih nagiba, QRS kompleks ima frekvencijski sadržaj koji je znatno veći od ostalih EKG
talasa i uglavnom je koncentrisan u intervalu 5-40 Hz. Algoritam koji obavlja pretragu i pronalazi
QRS komplekse se naziva QRS detektor.
T talas odražava ventrikularnu repolarizaciju i proteže se oko 300 ms nakon QRS kompleksa.
Položaj T talasa jako zavisi od srčanog pulsa, što dovodi do toga da se ovaj talas sužava i
približava QRS kompleksu, kada je puls veći. U normalnim uslovima, T talas ima zaobljenu
morfologiju koja se ogleda u jednom pozitivnom vrhu. Ponekad se nakon T talasa javlja drugi
spori talas koji se zove U talas. Porijeklo U talasa je nerazjašnjeno, ali on vjerovatno predstavlja
ventrikularnu posle-repolarizaciju. Prilikom bržeg rada srca dolazi do spajanja P i T talasa.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
13
PQ interval je vremenski razmak između pojave atrijalne depolarizacije i početka
ventrikularne depolarizacije. Prema tome, PQ interval označava vrijeme potrebno da se
električni impuls propagira od SA čvora do ventrikula. Trajanje PQ intervala slabo zavisi od SP-a.
QT interval predstavlja vrijeme od početka ventrikularne depolarizacije do završetka
ventrikularne repolarizacije. Ovaj interval normalno varira sa SP-om i postaje kraći na većim
vrijednostima pulsa. Prolongiranje QT intervala je primjećeno kod različitih srčanih bolesti koje
su povezane sa povećanim rizikom od iznenadne smrti.
ST segment predstavlja interval tokom kojeg ventrikule ostaju u aktivnom, depolarizovanom
stanju. ST segment počinje na kraju S talasa (J tačka), odakle nastavlja gotovo horizontalno do T
talasa. Promjene u ST segmentu, koje ga čine povišenim, skraćenim, ili više nagnutim, često
označavaju različita srčana stanja.
RR interval predstavlja dužinu ventrikularnog srčanog ciklusa, mjerenu između dva uzastopna
R talasa. RR interval je osnovni podatak za analizu srčanog ritma u bilo kojoj vrsti interpretacije
EKG signala i koristi se za opisivanje različitih srčanih aritmija, kao i za proučavanje varijabilnosti
srčanog ritma.
1.2 Ritmovi rada srca
Promjene srčanog ritma su svakodnevne pojave kod većine ljudi. Srčani ritam ponajviše zavisi
od potrebe za oksigenisanom krvi. Ritam normalnog i zdravog srca je kontrolisan od strane
električnih impulsa formiranih u SA čvoru srca koji proizvodi između 50 i 100 otkucaja u minutu
za vrijeme odmora [6], i to je normalni sinusni ritam, prikazan na Slici 1.3 (a). U slučaju
uzbuđenja ili fizičke aktivnosti u organizmu dolazi do porasta potrebe za kiseonikom, tako da se
broj otkucaja srca povećava. Srčani ritam se zove sinusna bradikardija, kada je stopa otkucaja
srca ispod donje granice, Slika 1.3 (b), i sinusna tahikardija kada je stopa iznad gornje granice,
Slika 1.3 (c). U toku odmora, otkucaji srca mogu biti regularni, ali i ne potpuno, čak i ako su
vanjski poremećaji u obliku fizičkog ili mentalnog stresa odsutni. Ove male varijacije srčanog
ritma su prouzrokovane varijacijama komponenti autonomnog nervnog sistema (ANS).
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
14
Aritmija je odstupanje od normalnog sinusnog ritma. Aritmije se mogu dogoditi kada je
depolarizacija pokrenuta od strane drugih ćelija srca, a ne od onih iz SA čvora, zbog čega dolazi
do promjene u formiranju električnih impulsa. Još jedan mehanizam, koji proizvodi aritmije, je
promjena u provođenju električnih impulsa. Aritmije se mogu klasifikovati s obzirom na broj
otkucaja srca: bradiaritmija ima manje od 60 otkucaja srca u minutu, dok tahiaritmija ima više
od 100 otkucaja srca u minutu. Prema mjestu pojave nepravilne električne aktivnosti, postoje
različite vrste aritmija: aritmije SA čvora, atrijalne aritmije, aritmije provodnog sistema srca,
aritmije AV čvora i tkiva srca, ventrikularne aritmije [7]. EKG signal koji karakteriše srčanu
aritmiju koja se zove atrijalna fibrilacija je prikazan na Slici 1.3 (d).
Varijabilnost srčanog ritma je poslednjih godina proučavana u svrhe dijagnostikovanja i
predviđanja kardiovaskularnih bolesti. HRV analiza je veoma vrijedan alat za istraživanje
simpatičke i parasimpatičke funkcije ANS-a. Umjesto da se se prati lokalna morfologija cijelog
EKG signala, u mnogim slučajevima se posmatra dugoročna vremenska promjenljivost rada srca,
čija analiza omogućuje procjenu ANS-a. Analiza varijabilnosti frekvencije rada srca zahtjeva
prikupljanje niza vremenskih intervala proteklih između uzastopnih otkucaja srca, uzetih između
R tačaka QRS kompleksa. Vrijednosti RR intervala mogu biti prikazane u vremenu kako bi se
dobio tahogram RR intervala, kao na Slici 1.4. HRV predstavlja varijaciju intervala između
otkucaja srca, tj. RR intervala. Npr., vrijednost SP-a od 60 otkucaja srca u minutu ne znači da je
vremenski interval između susjednih otkucaja 1 s, jer RR interval varira između 0.2-2 s.
Varijabilnost frekvencije srca, odnosno, iznos fluktuacije SP-a oko srednje vrijednosti SP-a, se
može koristiti kao pokazatelj rada kardiorespiratornog kontrolnog sistema [8].
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
15
(a)
(b)
(c)
(d)
Slika 1.3 Neki od mogućih ritmova rada srca: (a) normalni sinusni ritam; (b) sinusna bradikardija;
(c) sinusna tahikardija; (d) atrijalna fibrilacija
0 60 120 180 240 300 360 420 480 540 6000
500
1000
1500
2000
Vrijeme (s)
RR
I (m
s)
Slika 1.4 Tahogram RR intervala EKG signala
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
16
1.3 Šumovi kod EKG signala
Važan faktor za uspješnost računarske analize EKG signala je sposobnost za poboljšanje
signala lošeg kvaliteta, pomoću algoritama za obradu signala. Dobar rezultat u obradi signala se
može postići dobrim poznavanjem, ne samo osobina korisnog signala, već i osobina prisutnog
šuma. Stoga je vrlo važno upoznati se sa najčešćim tipovima šuma i artefakata u EKG signalima.
Šum iz različitih izvora, kao što su mišićna aktivnost, 50/60 Hz naponski izvori, pokret
elektroda, pokretanje srca usled respiracije, itd. mogu da kontaminiraju EKG signal i da utiču na
njegovu interpretaciju. Karakterizacija različitih izvora šuma kod EKG signala je data u [9].
Automatizovana analiza zahtjeva upotrebu EKG signala bez prisustva šuma. Ipak, veoma je teško
kontrolisati okruženje i spriječiti kontaminaciju usled fizioloških dešavanja poput disanja. U
poglavlju 1.4.1 su opisane neke metode i tehnike za umanjenje šuma kod EKG signala.
Tipični izvori šuma kod EKG-a su:
izvori napajanja,
šum usled kontakta sa elektrodama,
artefakti pokreta,
kontrakcija mišića,
respiracija,
instrumentacioni šum generisan od strane elektronskih mjernih uređaja, itd.
Na Slici 1.5 je prikazan spektar snage EKG signala, QRS kompleksa, P i T talasa, artefakata
pokreta i šuma zbog kontrakcije mišića koji se javljaju prilikom snimanja EKG-a. Dominantni dio
EKG signala, QRS kompleks, ima najveći dio svoje spektralne snage u opsegu 5-25 Hz.
Naponski izvori su značajan izvor šuma u EKG signalu, Slika 1.6 (a). Signali koje generišu
naponski izvori imaju frekvenciju od 50 ili 60 Hz. Smetnje zbog naponskih izvora se javljaju preko
dva mehanizma, a to su kapacitivne i induktivne sprege. Kapacitivne sprege se odnose na
prenos energije između dva električna kola, pomoću kapacitivnosti koja se javlja između njih.
Vrijednost kapacitivne sprege se smanjuje sa povećanjem odvojenosti kola. Induktivna sprega je
uzrokovana međusobnom induktivnošću između dva električna provodnika. Kada struja teče
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
17
kroz žice, stvara se magnetni fluks, što može izazvati električne struje u susjednim kolima.
Ovakve smetnje se mogu ukloniti linearnim ili nelinearnim filtriranjem.
EKG
QRS kompleks
Mišićni šum
P i T
talasi
Artefakti
pokreta
Frekvencija (Hz)
Re
lati
vn
a s
na
ga
Slika 1.5 Spektar snage EKG signala, talasa u EKG signalu, artefakata pokreta i šuma zbog
kontrakcije mišića
Elektromiografski, EMG, šum je uzrokovan kontrakcijom mišića, izuzimajući srčani mišić. Kada
se dešava kontrakcija mišića u blizini elektroda za snimanje EKG signala, stvaraju se
depolarizacijski i repolarizacijski talasi koji se mogu superponirati EKG signalu, Slika 1.6 (b).
Mjera preslušavanja signala zavisi od količine mišićne kontrakcije, tj. pokreta pacijenta, i
kvaliteta sonde za snimanje. Ovaj šum se javlja u opsegu 15-30 Hz i njegove komponente se
značajno preklapaju sa QRS kompleksom. Kao posledica toga dolazi do poteškoća u uklanjanju
ovog šuma, prvenstveno u pogledu distorzija EKG signala.
Pomjeranje bazne linije EKG signala, Slika 1.6 (c), ima frekvencijski sadržaj u opsegu ispod 0.5
Hz i za odstranjivanje ove smetnje, koja se javlja zbog respiracije, je potreban visoko-propusni
filter. Odstranjivanje ove smetnje se može izvršiti bez oštećenja karakteristika EKG signala.
Kontaktni šum elektroda je uzrokovan varijacijom položaja srca u odnosu na elektrode za
mjerenje EKG-a i promjenama u propagaciji medijuma između srca i elektroda. To uzrokuje
nagle promjene u amplitudi EKG signala, kao i nisko-frekventne pomjeraje bazne linije. Osim
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
18
toga, slaba provodnost između elektrode i kože smanjuje amplitudu EKG signala i povećava
vjerovatnoću smetnji, zbog smanjenja odnosa signala i šuma.
Artefakti pokreta su prouzrokovani pomjerajima elektroda koji nastaju zbog pokreta
pacijenta, Slika 1.6 (d). Pošto je energija signala artefakata pokreta koncentrisana u opsegu 1-10
Hz, dolazi do potpunog preklapanja sa spektrom EKG signala, a pogotovo sa QRS kompleksom.
Zbog toga, artefakti pokreta, u pogledu uklanjanja, predstavljaju najteži tip šuma i oni dovode
do velike distorzije EKG signala. Amplitude ovog šuma mogu da budu tako velike da u radu QRS
detektora dolazi do pogrešnih detekcija QRS kompleksa.
(a)
(b)
(c)
(d)
Slika 1.6 Tipovi šuma u EKG signalu: (a) šum od izvora napajanja od 50 Hz; (b) mišićni šum; (c)
pomjeranje bazne linije; (d) artefakti pokreta
1.4 Primjena i obrada EKG signala
Uloga digitalne obrade signala je veoma važna u izvođenju preciznih mjerenja svih BM
signala, pogotovo kada se analiziraju signali snimljeni u ambulantnim uslovima. Nijedan sistem
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
19
za obradu EKG signala, koji je do sada implementiran, ne može biti smatran univerzalnim, jer je
svaki od njih napravljen za rad u određenim uslovima. Ono što im je svima zajedničko je
primjena određenih algoritama za filtriranje, ekstrakciju karakteristika signala, kompresiju
dobijenih podataka, itd.
EKG signali su izvor mnogih dijagnostičkih informacija u kardiologiji. Da bi se efikasno
analizirali i interpretirali, signali moraju biti adekvatno prikupljeni i obrađeni. EKG signali imaju
malu amplitudu od nekoliko mV i zahvaćeni su šumom. Analiza signala zahtjeva pojačanje
signala i uklanjanje šumova iz njih. Proces obrade EKG signala obuhvata nekoliko faza koje su
prikazane na Slici 1.7. Prikazani proces obuhvata akviziciju EKG signala sa površine ljudskog tijela
i njegovo pojačanje, analogno-digitalnu (A/D) konverziju, umanjenje šuma, ekstrakciju
karakteristika i parametara od značaja, klasifikaciju talasa i interpretaciju EKG-a.
Akvizicija i
pojačanje
signala
A/D
konverzija
Umanjenje
šuma
Ekstrakcija
karakteristika
i parametara
Klasifikacija i
interpretacija
Ljudsko tijelo
Slika 1.7 Faze u procesu akvizicije i obrade EKG signala
EKG signal može biti snimljen na različitim dijelovima tijela. Zavisno od oblasti odabrane za
akviziciju, amplituda signala je u opsegu od nekoliko µV-a do par mV-a. Pojačanje signala se vrši
pod uslovima galvanske razdvojenosti zbog zadovoljenja sigurnosnih zahtjeva. Nakon pojačanja,
EKG signali se konvertuju u digitalni oblik. Za ovu operaciju se koriste A/D konvertori različitih
rezolucija.
U obradi EKG signala, velika pažnja se pridaje filterima koji služe za umanjenje smetnji koje se
javljaju u prikupljenim signalima. EKG signali su uvijek zahvaćeni raznim šumovima, među kojim
su najproblematičniji oni čiji se frekvencijski spektar preklapa sa spektrom EKG signala, što se
dešava npr. u slučaju EMG šuma. Treba uzeti u obzir da se umanjenje šuma primjenjuje samo
onda kada ne dolazi do previše velike distorzije značajnog dijela EKG signala.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
20
Ekstrakcija karakteristika EKG signala se vrši da bi se obezbjedile informacije koje su značajne
za dijagnostiku. Ove karakteristike su uglavnom prisutne u vremenskom domenu, mada bi
mogle biti definisane i u frekvencijskom domenu. Neke od ovih karakteristika su:
vremenski intervali između vrhova uzastopnih R talasa,
trajanje PQ, QT, ST i QRS segmenata,
amplitude P, Q, R, S i T talasa,
trajanje P, R, i T talasa,
lokacija centra R talasa, itd.
Nakon ekstrakcije relevantnih karakteristika i parametara EKG signala, može se pristupiti
tumačenju dobijenih rezultata i pripremi podataka za dijagnostiku. Uspješnost i relevantnost
dijagnostike u dobroj mjeri zavisi od preciznosti koja je ostvarena u ekstrakciji parametara EKG
signala.
1.4.1 Umanjenje artefakata u EKG signalu
Uklanjanje smetnji iz EKG signala se mora uzeti u obzir prilikom mjerenja, obrade i analize
EKG signala. U poglavlju 1.3 su predstavljene neke od smetnji koje se javljaju u obradi EKG
signala. Veoma je bitno da se u procesu filtriranja signala zadrži najveći dio korisnih informacija
značajnih za dijagnostiku. Cilj je poboljšanje EKG signala, kako bi se validne komponente
izdvojile od artefakata. U literaturi su predloženi mnogi pristupi za poboljšanje EKG signala, a
neki od njih su pomenuti ovde.
Za uklanjanje smetnji iz EKG signala se mogu koristiti analogni filteri, ali oni mogu da unesu
nelinearne pomjeraje faze signala. Instrumentaciona oprema zavisi od faktora poput otpornosti
i temperature, što unosi još veću grešku. Digitalni filteri su precizniji i imaju više prednosti u
odnosu na analogne. U ovom poglavlju su opisane neke od metoda koje se mogu primjeniti za
umanjenje smetnji u EKG signalima.
Elektromagnetna polja, uzrokovana naponskim izvorima, kablovima, i sl. predstavljaju
uobičajeni izvor šuma u EKG-u, kao i kod ostalih BM signala snimljenih sa površine tijela. Ovakav
šum je okarakterisan sinusoidalnom smetnjom od 50 ili 60 Hz, eventualno propraćenom sa
nekoliko harmonika. Iako razne mjere opreza mogu biti preduzete kako bi se smanjio učinak
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
21
smetnji zbog električne mreže, npr. odabir mjesta za snimanje EKG-a sa malo okolnih električnih
uređaja ili odgovarajuće uzemljenje, opet može biti potrebna obrada signala za umanjenje ovih
smetnji. Ove smetnje mogu biti uklonjene upotrebom filtera nepropusnika opsega centriranog
na frekvenciji signala smetnje dobijene iz električne mreže. U [10] je predstavljen metod za
umanjenje šuma napajanja pomoću sistema zasnovanog na filteru sa konačnim impulsnim
odzivom (eng. Finite Impulse Response filter) i digitalnom talasnom filteru (eng. digital wave
filter). U [11] je izvršeno poređenje adaptivnih i neadaptivnih filtera za redukciju šuma napajanja
u EKG-u, a u [12] su korišćena dva tipa digitalnih filtera. Kod [12], jedan filter koristi metod
najmanjih srednjih kvadrata (eng. Least Mean Square-LMS), dok drugi koristi posebni metod
sumiranja. Frekvencija napajanja može da varira u odnosu na određenu vrijednost, 50 ili 60 Hz,
u opsegu ±2 Hz. U ovom slučaju najviše efekta imaju adaptivni filteri.
Uklanjanje pomjeranja bazne linije EKG signala je potrebno kako bi se smanjile promjene u
morfologiji EKG signala koje nemaju srčano porijeklo. To je posebno važno kada su potrebne
analize suptilnih promjena u nisko-frekventnim ST i T segmentima EKG signala. Frekvencijski
sadržaj pomjeranja bazne linije je obično u opsegu ispod 0.5 Hz. Međutim, povećano kretanje
tijela dodatno povećava frekvencijski sadržaj ove smetnje. Granična frekvencija filtera za
umanjenje pomjeranja bazne linije bi trebala biti izabrana tako da kliničke informacije u EKG
signalu ostanu neizobličene. Dakle, bitno je pronaći najnižu frekvencijsku komponentu spektra
EKG-a. Učestanost ove komponente je diktirana najmanjom vrijednošću SP-a. Kod bradikardije,
SP može pasti na približno 40 otkucaja u minutu, što znači da je najniža frekvencija sadržana u
EKG-u oko 0.67 Hz [13]. Ipak, potrebno je odabrati malo nižu graničnu frekvenciju, zbog
varijabilnosti srčanog ritma.
Artefakti pokreta su veoma kompleksni za odstranjivanje, s obzirom da se oni, u
frekvencijskom pogledu, preklapaju sa PQRST segmentima EKG signala. Digitalni filteri,
adaptivno umanjenje šuma i WT, su neke od metoda koje mogu poslužiti za uklanjanje
artefakata pokreta. Za detekciju artefakata pokreta se često koriste akcelerometri. U [14] je
predstavljen prenosivi uređaj za snimanje EKG-a koji koristi triaksijalni akcelerometar koji
detektuje pokrete pacijenta. Signali akcelerometra su iskorišćeni kao referentni signal za
adaptivni digitalni filter koji odstranjuje artefakte pokreta.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
22
U [15] je predstavljen metod za poboljšanje EKG signala baziran na empirijskoj dekompoziciji
signala (eng. Empirical Mode Decomposition) koji uspjeva da ukloni visoko-frekventni šum i
pomjeranje bazne linije uz minimalnu distorziju EKG signala. Empirijska dekompozicija signala se
koristi kao tehnika za obradu nelineranih i nestacionarnih signala i služi kao alternativa
metodama poput waveleta, STFT ili Wigner-Ville distribucije.
Rad [16] se zasniva na modifikovanom i proširenom Kalmanovom filteru. Predstavljena
struktura je korišćena za umanjenje više tipova šuma i kompresiju EKG signala, a predloženi
algoritam može da očuva dijagnostičke morfološke informacije EKG signala. Osnovni principi
adaptivnog filtriranja za umanjenje šumova u EKG-u su opisani u [17], gdje su Thakor i Zhu
predložili adaptivni rekurentni filter za detekciju aritmija u ambulantnim EKG snimcima. Metodi
za umanjenje šuma koji se zasnivaju na waveletima se pokazuju kao bolji u odnosu na ranije
metode [18]. Od svih familja waveleta, Daubechies 4 (db4) se pokazuje kao najbolja.
1.4.2 Principi detekcije QRS kompleksa
QRS kompleks je dominantna karakteristika srčanog ciklusa. R talas, unutar QRS kompleksa,
se može prepoznati po oštrim ivicama i visokoj amplitudi kao što je prikazano na Slici 1.2. Zbog
toga, relativno je lako prepoznati QRS kompleks u EKG signalu, čak i u prisustvu šuma. QRS
detekcija je osnova za mnoge algoritme za obradu EKG-a. Trenutna vrijednost SP-a može biti
određena računanjem vremenskog intervala između pojava dva uzastopna QRS kompleksa.
QRS detektor koji je koristan sa kliničkog stanovišta mora imati mogućnost detekcije QRS
kompleksa u signalima koji sadrže različite srčane ritmove, QRS morfologije i šumove. Tačnost
QRS detektora mora biti procjenjena na osnovu signala koji u sebi sadrže razne smetnje, na koje
detektor mora biti otporan. Tipičan QRS detektor može biti predstavljen blok dijagramom sa
Slike 1.8. U prikazanoj strukturi QRS detektora, svrha preprocesora je poboljšanje QRS
kompleksa i umanjenje šuma i artefakata. Preprocesor se obično implementira kao linearni filter
koji ima karakteristike filtera propusnika opsega. Može se koristiti propusni opseg 5-25 Hz.
Nakon linearnog filtriranja, vrši se nelinearna transformacija, koja još više ističe QRS komplekse,
transformišući ih u izražene maksimume pogodne za primjenu pragova za detekciju. Izlaz
preprocesora se dovodi do ulaza sistema za detekciju i odlučivanje. Jedinica za donošenje
odluke implementira određena pravila za utvrđivanje prisustva QRS kompleksa. U QRS detekciji
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
23
je veoma poželjno koristiti adaptivnost pragova za detekciju, jer se morfologija i amplituda QRS
kompleksa mogu promijeniti već u samo par sekundi.
Faza preprocesiranja Faza detekcije i donošenja odluke
EKG(n)Linearno
filtriranje
Nelinearno
filtriranje
Logika za
detekcijuOdlučivanje
Signalizacija
Slika 1.8 Faze u radu tipičnog QRS detektora
Poteškoće u detekciji QRS kompleksa nastaju iz više razloga. Neki od njih su sadržani u
promjenama morfologije QRS kompleksa koje mogu biti fiziološke ili tehničke prirode. Npr.,
jedna od poteškoća fiziološkog porijekla je promjena amplituda QRS kompleksa. Na Slici 1.9 su
prikazani EKG signali sa promjenljivom morfologijom QRS kompleksa. Vrlo značajno je i to da
preveliki P ili T talasi mogu da dovedu do lažnih detekcija QRS kompleksa. Pojava već opisanih
šumova i artefakata je druga velika grupa izvora grešaka u radu QRS detektora.
Slika 1.9 Primjeri EKG signala sa promjenljivom morfologijom QRS kompleksa
Algoritmi za QRS detekciju uglavnom koriste energetski sadržaj QRS kompleksa koji se nalazi
u opsegu 5-25 Hz. Najveći broj algoritama se temelji na nekim od sledećih metoda: banke
filtera, diferencijatori, waveleti, neuralne mreže, itd. Ovde je predstavljeno nekoliko metoda za
razvoj algoritama za detekciju QRS kompleksa.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
24
U [19] je dat pregled principa softverske detekcije QRS kompleksa. Skoro sve realizacije QRS
detektora koriste filtriranje prije same detekcije. To se koristi zbog umanjenja drugih
komponenti EKG signala, kao što su P i T talasi i razni artefakti. Preporučljiva je kombinovana
primjena nisko-propusnog i visoko-propusnog filtera ili filtera propusnika opsega u cilju
slabljenja frekvencijskih komponenti izvan opsega 10-25 Hz.
Hamilton-Tompkinsov i Pan-Tompkinsov algoritam se zasnivaju na digitalnim filterima i
pronašli su široku primjenu u QRS detekciji. Ovi algoritmi su opisani u [20] i [21] i oni prvo vrše
filtriranje EKG signala pomoću filtera propusnika opsega, što smanjuje lažne detekcije QRS
kompleksa koje su prouzrokovane raznim smetnjama u EKG signalu. Kod Pan-Tompkinsonovog
algoritma, nakon filtriranja pomoću kaskade visoko-propusnog i nisko-propusnog filtera, vrši se
diferenciranje signala. Izlaz diferencijatora se kvadrira i posle toga se vrši integracija sa
pokretnim prozorom (eng. moving window integration). Kvadriranje doprinosi pojačanju dijela
signala dobijenog diferenciranjem QRS kompleksa i smanjenju broja lažnih detekcija zbog T
talasa sa energijama većim nego uobičajeno. Primjenjeni filteri koriste koeficijente pogodne za
implementaciju na procesorima sa cjelobrojnom aritmetikom. Algoritam za detekciju ima
mogućnost tačne detekcije QRS kompleksa u prisustvu šumova tipičnih za ambulantnu EKG
opremu. Algoritam čine prva i druga faza učenja i faza detekcije. Prva faza traje 2 s i služi za
inicijalizovanje pragova za detekciju koristeći vrhove signala i šuma koji su detektovani u fazi
učenja. Druga faza učenja zahtjeva dva R talasa da bi se inicijalizovale srednja i granična
vrijednost RR intervala. U fazi detekcije se, za QRS komplekse, generišu impulsi koji signaliziraju
njihovu pojavu. U detekciji se koriste dva seta pragova. Prvi set pragova se koristi za filtrirani
EKG signal, a drugi, za signal dobijen nakon prolaska signala kroz integrator sa pokretnim
prozorom. Ovo je uvedeno zbog povećanja pouzdanosti detekcije u odnosu na upotrebu samo
jednog signala za primjenu praga.
Mnoge wavelet-bazirane metode [22, 23, 24] se zasnivaju na Malatovom i Hwangovom
principu za detekciju i klasifikaciju singulariteta, koristeći lokalne maksimume koeficijenata WT
dobijenih nakon transformacije signala. Ispitana je korespondencija između singulariteta
funkcije i lokalnih maksimuma u njenoj WT. Singulariteti u funkciji odgovaraju paru maksimalnih
modula koji se javljaju među koeficijentima detalja. Algoritam koji su predložili Malat i Hwang
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
25
[25] je po prvi put primjenjen u QRS detekciji u [26], gdje se R talasi pronalaze pretraživanjem
relevantnih nivoa WT. Za validni R talas, procijenjena Lipschitz regularnost mora biti veća od
nule, α>0 [26]. Algoritam primjenjuje i pravila odlučivanja koja se odnose na znak i vremensku
pojavu vrhova signala na različitim nivoima WT.
Neuralne mreže se koriste u nelinearnoj obradi signala, klasifikaciji i optimizaciji, i njihov
performans se pokazao kao dobra alternativa klasičnim linearnim pristupima. U detekciji QRS
kompleksa, neuralne mreže se koriste kao adaptivni nelinearni prediktori [27, 28]. Cilj je
predviđanje vrijednosti trenutnog odbirka x(n) iz vrijednosti prethodnih odbiraka x(n-i), i>0.
Najveći dio EKG signala su ne-QRS segmenti i odbirci tih segmenata se dobro predviđaju. QRS
segment ima nagle promjene koje dovode do povećanja greške u predviđanju. Upravo se ova
greška predviđanja koristi za detekciju QRS kompleksa.
U [29] je opisana primjena matematičke morfologije u detekciji QRS kompleksa.
Matematička morfologija potiče iz obrade slike, a u [30] je predložena za poboljšanje EKG
signala, gdje je predstavljeno uklanjanje šuma iz EKG signala.
1.4.3 Hardverske realizacije QRS detektora
U literaturi su prisutne hardverske realizacije algoritama za QRS detekciju na različitim
hardverskim platformama. Zadnjih godina, velika pažnja je poklonjena realizaciji QRS detektora
koji su dizajnirani za rad u realnom vremenu. Generalni trend je minijaturizacija ovih uređaja, sa
obezbjeđenjem njihove prenosivosti i male potrošnje energije. Ovde je dat pregled najviše
korišćenih tehnologija, sa posebnim osvrtom na realizacije algoritama koji se zasnivaju na WT.
Algoritam iz [21] je implementiran na bazi Z80 mikrokompjuterskog sistema i ostvario je
tačnost od 99.3 % u realnom vremenu na snimcima iz MIT-BIH baze. Rad [31] predstavlja
hardversku implementaciju Pan-Tompkinsovog algoritma u Verilogu. Predloženi dizajn je
sintetizovan i testiran na Xilinx FPGA-u. Implementirana arhitektura se sastoji od sedam
zasebnih modula i jedne memorijske jedinice. Kontrolna jedinica generiše kontrolne signale i
koordiniše sve kalkulacije. Za svaku od faza algoritma je dizajniran po jedan modul (nisko-
propusni filter, visoko-propusni filter, diferencijator, kvadrator, integrator i modul za
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
26
odlučivanje). Svaki od ovih modula čita vrijednosti iz memorije, vrši računanje i vraća nove
vrijednosti u memoriju.
U [32] je opisan QRS detektor konstruisan pomoću DSP mikroprocesora. Uređaj je napravljen
za precizno mjerenje varijabilnosti srčanog ritma i pouzdanu QRS detekciju za ambulantne i
kliničke potrebe. Algoritam sadrži faze kontrole pojačanja i pred-filtriranja, filtriranja i detekcije.
Detekcija se vrši pomoću adaptivnog praga koji se računa kao 40 % maksimalne vrijednosti koja
se pojavila u filtriranom signalu u toku zadnjih 1.5 s. Predloženi sistem postiže vremensku
tačnost od 1 ms.
Algoritam za QRS detekciju, implementiran na TMS320C6701, je predstavljen u [33].
Algoritam se sastoji od faze ekstrakcije karakteristika i faze detekcije. Prva faza je realizovana
pomoću banke filtera, a druga faza se zasniva na procjenama mogućnosti da neki događaj
unutar signala predstavlja QRS kompleks. Implementirani sistem je ostvario osjetljivost od 99.71
% na Massachusetts Institute of Technology (MIT)-Boston's Beth Israel Hospital (BIH) bazi EKG
signala.
U postojećoj literaturi, postoji nekoliko priloga o upotrebi ASIC-a i FPGA kola, koji su tip PLD-
ova, u wavelet-baziranoj obradi BM signala, a posebno EKG-a. U radu [34] je predstavljen
algoritam za QRS detekciju implementiran na ASIC-u, u 0.18 μm CMOS tehnologiji, koji troši 176
μW, sa napajanjem od 1.8 V. Algoritam se temelji na WT i šemi za više-skalni proizvod.
Algoritam je procijenjen na MIT-BIH bazi, postižući visoku tačnosti, više od 99 %.
U radu [35] autori predlažu strukturu QRS detektora, koja sadrži wavelet banke filtera i
množače wavelet koeficijenata za povećanje performansi u detekciji. Filteri sa wavelet
funkcijom kvadratne krive (eng. Quadratic Spline) su odabrani da bi se smanjila dinamička
potrošnja energije. Dizajn je prototipiran na Altera Cyclone FPGA čipu i sintetizovan na 0.18 μm
Samsung bibliotekama. Dizajnirani QRS detektor može biti efikasno ugrađen kao blok
implantabilnog pejsmejkera.
U radu [36] se predlaže algoritam i hardverska arhitektura za detekciju QRS kompleksa na
temelju matematičke morfologije i WT koristeći Quadratic Spline wavelet, uz primjenu na Xilinx
VirtexTM-4SX35 FPGA čipu. Tačnost detekcije za snimke iz MIT-BiH Aritmija baze je vrlo visoka.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
27
Za detekciju QRS kompleksa se koristi mašina stanja. Modul za detekciju sadrži nekoliko pod-
modula za analizu wavelet koeficijenata koji služe za otkrivanje prolaza kroz nulu, otkrivanje
vrhova signala i prilagođenje praga za detekciju.
Za filtriranje EKG signala i za izdvajanje QRS kompleksa, autori u [37] koriste cjelobrojnu
realizaciju WT. Dizajnirani sistem sadrži nekoliko komponenti, koje su uključene u jednom FPGA
čipa iz Altera Cyclone serije, postižući dovoljnu tačnost (oko 95 %), izuzetnu otpornost na
smetnje i nisku cijenu.
Jedna od prvih referenci u uvođenju DSP procesora za obradu EKG signala u realnom
vremenu, pomoću waveleta, data je u [22]. Konkretno, QRS kompleksi, P i T talasi su izdvojeni
od šuma i artefakata pomoću SPROC-1400 DSP procesora, koji radi na 50 MHz. Za standardnu
MIT-BIH bazu, implementirani algoritam tačno detektuje 99.7 % QRS kompleksa. Lokalizacija
QRS kompleksa je obavljena pomoću dekompozicije signala do petog nivoa. Detekcija je
zasnovana na detekciji parova maksimalnih modula signala sa svih pet nivoa istovremeno,
uzimajući u obzir kašnjenje koje se javlja između pojedinačnih nivoa.
Urađene su implementacije na modernim DSP-ovima, kao što je TI TMS320C6713 [38], gdje
se EKG signal obrađuje pomoću DWT u realnom vremenu. Posljednjih nekoliko godina, naglasak
se daje i na pristupu zasnovanom na integrisanim, nisko-potrošnim, jeftinim MK-ima, kao što su
Microchip-ov PIC [39] ili MSP430, koji proizvodi Texas Instruments [40].
Iako mnogo brži, ASIC i PLD-ovi su skuplji, zahtjevniji u pogledu snage, komplikovaniji za brzu
izradu prototipova, masivnu proizvodnju i održavanje. Dakle, i MK-i predstavljaju odgovarajuće
rješenje za implementaciju algoritama za obradu BM signala, uključujući i one bazirane na WT,
koje treba prilagoditi za upotrebu u ovoj tehnologiji.
1.4.4 Analiza varijabilnosti srčanog ritma
Varijabilnost frekvencije srca je posljednjih nekoliko godina dobila veliki značaj u istraživanju
ANS-a, i bolesti povezanih sa njim, koje se mogu neinvazivno ispitati pomoću osnovnih tehnika
za obradu signala. Postoje razne metode za HRV analizu, a njihova glavna podjela je na metode
u vremenskom i frekvencijskom domenu.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
28
Algoritmi za detekciju QRS kompleksa se koriste za lociranje R talasa, a intervali između
uzastopnih R talasa se koriste za HRV analizu. HRV analiza je u suštini neproblematična kada se
analizira EKG signal snimljen u toku stanja mirovanja, dok prilikom analize signala u prisustvu
artefakata dolazi do ozbiljnih ograničenja u analizi. Npr., zbog nivoa šuma QRS detektor može da
pravi greške u detekciji, tj. da proglašava lažne detekcije ili da propušta detekcije, što rezultira u
nizu RR intervala sa pogrešnim vrijednostima. Zbog toga, isključenje nevalidnih RR intervala
predstavlja važan korak u uređenju njihove vremenske serije kako bi HRV analiza bila
pouzdanija. Jednostavan pristup je da se primjenjuje kriterijum isključenja, kojim se RR interval
smatra abnormalnim, ako odstupa više od 20 % od srednjeg trajanja prethodnih RR intervala
[41].
HRV metoda bazirana na histogramu je relativno pogodna za isključivanje nevalidnih
intervala uzrokovanih nepravilnim otkucajima srca ili artefaktima. Ovakvi RR intervali često
imaju tendenciju da se nađu dalje od dominantnog vrha histograma. Na Slici 1.10 su prikazana
dva histograma RR intervala. Oba histograma imaju dominantni vrh koji je prouzrokovan
predominantnom dužinom RR intervala, dok histogram na Slici 1.10 (a) ima i jedan manji vrh
uzrokovan lažnim detekcijama R talasa. Histogram na Slici 1.10 (b) je dobijen nakon uklanjanja
RR intervala dobijenih zbog pogrešnih detekcija.
Spektralna analiza HRV-a se može vršiti na nizovima RR intervala dobijenih iz kratkih snimaka
EKG-a (3-5 minuta), kao i iz 24-časovnih nadgledanja pomoću holtera. Spektralna analiza HRV-a
normalnog subjekta u stanju mirovanja pokazuje da postoje tri glavne spektralne komponente,
što se vidi na Slici 1.11. Spektralna analiza je izvršena na intervalima prikupljenim u toku 30
minuta. Vrlo niske frekvencije su u opsegu 0-0.03 Hz, komponente niskih frekvencija su oko 0.1
Hz, a visoko-frekvencijske komponente su oko 0.25 Hz [42].
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
29
0 200 400 600 800 1000 12000
10
20
30
40
50
60
70
80
90
100
0 200 400 600 800 1000 12000
10
20
30
40
50
60
70
80
90
100
RR interval (ms) RR interval (ms)
His
tog
ram
(a) (b)
Slika 1.10 Histogrami RR intevala: (a) validni i nevalidni RR intervali, (b) histogram dobijen
izostavljanjem nevalidnih RR intervala
RR
in
terv
al (m
s)
Frekvencija (Hz)
PS
D (
ms2
/Hz)
Vrijeme (min)
1200
1000
800
600
4000 10 20 30
25000
20000
15000
10000
5000
00 0.1 0.2 0.3 0.4 0.5
Slika 1.11 Spektralna analiza RR intervala subjekta u stanju mirovanja
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
30
Poglavlje 2.
2. PPG signal
Iako porijeklo sastavnih komponenti fotopletismografskog-PPG signala nije u potpunosti
poznato, prihvaćeno je da PPG može pružiti vrijedne informacije o zdravstvenom stanju i
kardiovaskularnom sistemu. Prisutan je veliki interes za jeftinu, prostu i prenosivu tehnologiju,
puls-oksimetriju, koja se može koristiti u primarnoj zdravstvenoj zaštiti i raznim kliničkim
uslovima, kako bi se unaprijedila računarski bazirana analiza PPG signala.
PPG signal odražava kretanje krvi, od srca do perifernih dijelova ekstremiteta, kroz krvne
sudove, u talasnim pokretima, kao što je prikazano na Slici 2.1. PPG signali se uglavnom koriste
za mjerenje periferne arterijske saturacije kiseonikom (SpO2) i SP-a. Ekstrakcija ovih parametara
zahtjeva upotrebu čistih PPG signala koji su oslobođeni smetnji. PPG signali mogu da daju i
dodatne informacije, kao što su kardiovaskularni status, simpatički ton, cirkulacija, respiracija,
HRV, itd. PPG signal, snimljen sa prsta, odražava kretanje krvi kroz krvni sud, koji se proteže od
srca do prstiju. Na to utiču rad srca, hemodinamika, fiziološko stanje uzrokovano promjenom
svojstava arterije, itd.
Slika 2.1 Talasni oblik PPG signala
U fotopletismografiji se koristi optička mjerna tehnika koja se služi svjetlošću poslatom u
tkivo, a iznos odbijenog svjetla odgovara varijaciji volumena krvi [43]. Hertzman je bio prvi koji
je pronašao odnos između intenziteta odbijenog svjetla i volumena krvi u 1938. godini [44].
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
31
Jeftinost i jednostavnost ove optičke tehnologije može ponuditi značajne prednosti u zdravstvu,
a pogotovo u neinvazivnim i preciznim tehnikama.
2.1 Princip puls-oksimetrije
Puls-oksimetrija je način praćenja SP-a i nivoa kiseonika u krvnom toku ljudskog tijela.
Uglavnom se koristi u medicinskim ustanovama, ali postepeno pronalazi i svoje mjesto u kućnoj
upotrebi. Puls-oksimetrija koristi optičke senzore i svjetlosne diode koje emituju svjetlost na
različitim talasnim dužinama. Temelji se na tome da oksigenisani hemoglobin-HbO2, ima veći
apsorpcijski koeficijent za infracrvenu svjetlost nego deoksigenisani hemoglobin-HB, dok
deoksigenisani hemoglobin više apsorbuje crveno svjetlo [2]. Nivo zasićenja kiseonikom se
određuje uzimajući odnos apsorbovane crvene svjetlosti i infracrvene svjetlosti.
Tipični puls-oksimetar koristi princip koji se zasniva na dvjema malim svjetlećim diodama
koje rade na različitim talasnim dužinama, Slika 2.2. Jedna crvena svjetleća dioda emituje
svjetlost talasne dužine od 660 nm, a druga, infracrvena, emituje svjetlost talasne dužine od 910
nm. Svjetleće diode su postavljene naspram fotodiode koja detektuje svjetlost sa svjetlećih
dioda. Prilikom prolaska svjetlosti kroz prst dolazi do apsorpcije svjetlosti. Apsorpcije na
različitim talasnim dužinama se znatno razlikuju za HbO2 i HB.
Crvena LED Infracrvena LED
Foto-dioda
Slika 2.2 Princip puls-oksimetrije koji je baziran na svjetlećim diodama i fotodetektoru
Postoji nekoliko tehničkih problema u tačnoj procjeni zasićenja kiseonikom pomoću ove
metode, kao što su refleksija svjetlosti i apsorpcija svjetlosti od strane tkiva. Mjerni sistem treba
da izoluje apsorpciju za arterijsku krv, za vensku krv i vezivna tkiva. Ovo se postiže jednostavno,
tako što se zna da je arterijska krv pulsatilna, za razliku od krvi iz drugih tkiva.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
32
Današnji puls-oksimetri se sastoje od sonde i mikroprocesorskog dijela koji vrši prikazivanje
PPG signala, količine SpO2 i SP-a. Mikroprocesor može da izdvoji apsorpciju pulsatilnog dijela
krvi, tj. arterijske krvi koja prouzrokuje promjenljivu komponentu PPG signala, od konstantne
apsorpcije, koju vrše nepulsatilna venska i kapilarna krv, kao i tkiva.
2.2 Talasni oblik PPG signala
Pulsatilna komponenta PPG signala se često naziva ''naizmjenična komponenta'', NK, i obično
ima svoju fundamentalnu frekvenciju, oko 1 Hz, zavisno od otkucaja srca, Slika 2.3. Ova NK
komponenta predstavlja samo oko 1 % ukupne apsorpcije i superponira se velikoj kvazi-
jednosmjernoj komponenti (JK) koja se odnosi na tkiva i prosječni volumen krvi. PPG talas se
obično dijeli u dvije faze. Anakrotna faza je rastući dio talasa, dok je katakrotna faza opadajući
dio talasa [45], kao što je prikazano na Slici 2.4. Prva faza je prvenstveno povezana sa sistolom,
tj. kontrakcijom srčanih atrijuma i ventrikula, a druga sa dijastolom koja predstavlja period
opuštanja srčanog mišića. U signalu sa Slike 2.4 je prisutan segment koji se naziva dikrotni usijek.
Ovaj segment signala se ne javlja u svim PPG signalima.
Jedna od najviše korišćenih karakteristika PPG signala je amplituda talasa. Nivoi amplitude
signala mogu biti skriveni zbog funkcije automatskog pojačanja koju imaju mnogi puls-oksimetri.
Isključivanjem ovog pojačanja, mogu se izvršiti određena posmatranja. Npr., u slučaju širenja
krvnih sudova-vazodilatacije, dolazi do povećanja amplitude, a u slučaju suženja krvnih sudova-
vazokonstrikcije, javlja se smanjenje amplitude PPG signala [46]. Hemoglobin koji je prisutan u
krvi vrši apsorpciju svjetlosti koja se, prilikom mjerenja PPG-a, propušta kroz tkiva i krvne
sudove, i veća ispunjenost krvlju dovodi do veće apsorpcije svjetlosti, i obratno. Zbog toga je
amplituda PPG signala najveća u trenu najmanjeg volumena krvi.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
33
Apsorpcija usled
kože, kostiju i tkiva
Apsorpcija usled
venske krvi
Apsorpcija usled
nepulsatilne arterijske krvi
Apsorpcija usled pulsatilne
arterijske krvi
JK
NKA
ps
orp
cija
sv
jetl
os
ti
Vrijeme
Slika 2.3 PPG signal i apsorpcija svjetlosti od strane različitih tkiva
Sistolna amplituda PPG signala, As, je pokazatelj pulsatilnih promjena zapremine krvi
uzrokovanih protokom arterijske krvi na mjestu mjerenja. Prema [47], sistolna amplituda je
direktno proporcionalna lokalnom vaskularnom istezanju, a u [48] se predlaže upotreba sistolne
amplitude za procjenu krvnog pritiska. Širina talasa je na Slici 2.4 označena na polovini visine
sistolnog vrha. Interval od vrha do vrha PPG signala, VV interval, je vremenski razmak između
dva uzastopna sistolna vrha. RR interval EKG signala je u bliskoj korelaciji sa VV intervalom PPG
signala, jer se oba javljaju u jednom istom srčanom ciklusu. Pulsni interval je vremenska
razdaljina između početka i kraja PPG talasa. U [49] je vršeno poređenje HRV analize pomoću
pulsnog intervala PPG-a i HRV analize pomoću RR intervala EKG signala, i utvrđena je visoka
korelacija.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
34
Ad
As
VV interval
Pulsni interval
Širina
Sistolni vrh
Dijastolni vrh
Anakrotna
faza
Katakrotna
faza
Dikrotni
usijek
Slika 2.4 Tipični talasni oblik PPG signala i njegovi karakteristični parametri
Pulsni talas PPG signala je relativno stabilan, ako se mjerenje vrši u uslovima mirovanja
subjekta, u mirnom okruženju. Oblik PPG signala je vrlo ponovljiv u ovakvim uslovima. Postoji
nekoliko načina klasifikacije PPG signala. Klasifikacija u [50] je izvršena koristeći dikrotni usijek
signala koji je indikator krutosti arterija. Prema [50] su formirane četiri kategorije:
1. PPG signal sa izrazitim dikrotnim usijekom u opadajućem dijelu signala.
2. PPG signal bez razvijenog dikrotnog usjeka, ali u kojem se javlja horizontalna linija u
opadajućem dijelu signala.
3. PPG signal u kojem nije prisutan dikrotni usjek, ali u kojem je dobro definisana promjena
ugla opadajućeg dijela signala.
4. PPG signal u kojem se uopšte ne primjećuje dikrotni usjek.
Kategorija 1 Kategorija 2 Kategorija 3 Kategorija 4
Slika 2.5 Jedan od načina kategorisanja PPG signala koji je izvršen prema prisustvu dikrotnog
usjeka
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
35
Na osnovu oblika PPG signala se može vršiti dijagnoza različitih oboljenja. Jedna klasifikacija
PPG signala prema amplitudi je izvršena u [51]. Prema tvrđenju iz [51], npr., kod signala sa
amplitudom koja varira od ciklusa do ciklusa je moguće oboljenje lijeve ventrikule srca.
PPG signal se može obrađivati paralelno sa EKG signalom, kako bi se mjerilo vrijeme tranzita
pulsnog talasa (eng. Pulse Transit Time-PTT), Slika 2.6. PTT je vrijeme potrebno da se pulsni talas
propagira iz srca do određene tačke na tijelu na kojoj se vrši mjerenje, a to je obično na prstu.
Mnoge studije su se bavile korelacijom PTT intervala sa krvnim pritiskom [52, 53]. PTT se može
mjeriti kao vremenski interval između vrha R talasa EKG signala i određene tačke PPG signala u
istom srčanom ciklusu. Polazna tačka za računanje PTT-a je R talas EKG-a, a uglavnom postoje tri
različita izbora završne tačke: (1) podnožje pulsnog talasa PPG signala za PTTd, (2) vrh pulsnog
talasa u PPG signalu za PTTv, i (3) maksimalni nagib PPG signala kod PTTmn [54].
Vrh R talasa
Vrh PPG-a
Dno
PTTd
PTTmn
PTTv
Maksimalni
nagib
Vrh R talasa
Slika 2.6 EKG i PPG signali za isti srčani ciklus sa PTT intervalom
2.3 Smetnje u akviziciji PPG signala
PPG signal veoma lako može biti pogoršan u procesu akvizicije, što dovodi do njegove
pogrešne interpretacije. Iako su PPG signali jednostavniji od EKG signala, velike poteškoće u
njihovoj analizi nastaju zbog smetnji koje se javljaju u toku njihovog mjerenja. Poznati izvori
greške su artefakti pokreta, ambijentalna svjetlost na fotodetektoru puls-oksimetra i loša
cirkulacija u perifernim tkivima. Ovi izvori grešaka su ozbiljna prepreka za pouzdanu upotrebu
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
36
parametara ekstraktovanih iz PPG signala u realnom vremenu. Zbog toga je bitno osigurati
kvalitet PPG signala, jer to dovodi do pouzdanijih mjerenja vitalnih parametara.
Čak i mali pokreti pacijenta dovode do ometanja kontakta između PPG senzora i tijela, što
stvara artefakte pokreta i greške u procjeni SpO2 i SP-a. Eliminacija artefakata pokreta je veoma
teška, s obzirom da se njihov frekvencijski sadržaj potpuno preklapa sa PPG signalom, koji je u
opsegu 0.05-8 Hz [55]. Ovi artefakti su glavna prepreka u razvoju prenosivih uređaja za analizu
PPG signala u realnom vremenu. Karakteristike artefakata u PPG signalu, koji proizilaze iz
svakodnevnih ljudskih pokreta, moraju biti proučavani analitički, da bi se steklo bolje
razumijevanje o njihovoj spektralnoj distribuciji [56], rasponu i periodičnosti. Artefakti pokreta
iz svakodnevnog života, prema mjestu gdje nastaju, mogu biti razvrstani na artefakte zbog
pokreta zglobova prstiju, i artefakte uzrokovane pokretima zglobova ramena i laktova. Svi
pokreti imaju određeni frekvencijski opseg. Npr., dodirivanje predmeta uključuje male, spore,
neperiodične pokrete u frekvencijskom opsegu 0.8-2.2 Hz. Pokreti pisanja i kucanja teksta imaju
veće frekvencije, 4.0-7.0 Hz. Pokreti ruku su uglavnom veliki i periodični. Gestikulacija sadrži
frekvencijske komponente u opsegu 0.0-4.0 Hz. Frekvencijski sadržaj ovih artefakata se potpuno
preklapa sa spektrom PPG signala.
Vrijeme (s)
0 2 4 6 8 10 12
Am
plitu
da
(v)
0.2
0.4
0.6
Slika 2.7 PPG signal koji je zahvaćen artefaktima pokreta
Stanja niskog protoka krvi, kao što su niska zapremina krvi koju pumpa srce, vazokonstrikcija
i hipotermija, mogu narušiti periferne protoke krvi i otežati PPG senzoru da razlikuje pravi signal
i prisutni šum [57].
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
37
Kao i svi drugi BM signal, i PPG signal je podložan uticaju ambijentalnih elektromagnetnih
signala koje prikuplja instrumentaciona oprema. Ova smetnja se ogleda u prisustvu sinusoidalne
komponente u PPG signalu.
2.4 Primjena i obrada PPG signala
Mjerenja PPG-a se najviše koriste za dobijanje informacija o zasićenosti arterijske krvi
kiseonikom (SpO2) i broju otkucaja srca. To su široko rasprostranjene primjene PPG-a u mnogim
kliničkim uslovima, uključujući bolnice, ambulante, sportsku medicinu, kućnu upotrebu, itd.
2.4.1 Primjene PPG signala
Nivo SpO2 u krvi se može odrediti slanjem crvene svjetlosti, a zatim infracrvene svjetlosti kroz
vaskularno tkivo, sa brzim prebacivanjem između ove dvije talasne dužine. Amplitude crvenog i
infracrvenog signala su osjetljive na promjene SpO2. Postoji razlika u apsorpciji svjetlosti od
strane HbO2 i HB za ove dvije talasne dužine. SpO2 se procjenjuje iz odnosa amplituda
propuštenih signala i kvazi-jednosmjernih komponenti PPG signala. Postoji pretpostavka da
pulsatilna NK komponenta PPG signala rezultira isključivo iz promjena volumena arterijske krvi
sa svakim otkucajem srca.
NK komponenta PPG talasa je sinhrona sa kucanjem srca i stoga može biti izvor informacija o
broju otkucaja srca. U sistemima za puls-oksimetriju se pored SpO2 često prikazuje i vrijednost
SP-a. SP se može procijeniti detekcijom neke od karakterističnih tačaka PPG signala. Glavni
problem je to što se povjerenje u dobijenu vrijednost SP-a može smanjiti, ako postoji značajno
prisustvo artefakata pokreta ili srčana aritmija.
Arterijski krvni pritisak je veoma važan klinički parametar. Kontinuirano i neinvazivno
mjerenje krvnog pritiska je poželjno za osobe koje imaju potrebu za redovnim praćenjem krvnog
pritiska. Poslednjih godina, procjena krvnog pritiska pomoću fizioloških parametara, indirektno
povezanih sa njim, je opsežno proučavana. Prihvaćeno je da se PTT interval može indirektno
koristiti za procjenu krvnog pritiska [58]. Vrh R talasa u EKG signalu se uzima kao početna tačka
za mjerenje PTT-a. R talas je oštar i toga čini veoma pogodnim za primjenu kao referentne
tačke. U principu, nije lako otkriti karakterističnu tačku PPG signala potrebnu za mjerenje PTT-a,
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
38
jer se sistolni i dijastolni talasi mijenjaju svakog trenutka, zbog različitih faktora, kao što su
karakteristike zidova krvnih sudova, viskoznost krvi, vibracije tkiva u arterijskom sistemu, itd.
Talasi pritiska, stvoreni u srcu, se propagiraju kroz arterije određenom brzinom poznatom
kao brzina pulsnog talasa (eng. Pulse Wave Velocity-PWV), što zavisi od elastičnih svojstava
arterija i krvi. Moens-Kortewegova jednačina daje PWV kao funkciju karakteristika krvnog suda i
fluida:
√
(2.1)
gdje je PWV brzina talasa, L je dužina krvnog suda, PTT je vrijeme koje je potrebno pulsnom
talasu da pređe tu dužinu, je gustina fluida, R je radijus krvnog suda, E je modul elastičnosti
zida (Youngov modul), a h je debljina krvnog suda.
U [59], modul elastičnosti E je opisan sa , gdje je E0 modul nultog pritiska, α je
konstanta koja zavisi od krvnog suda, a KP je krvni pritisak. Prema tome, za odnos L/PTT se
dobija:
√
(2.2)
Iz formule 2.2 se dobija da postoji logaritamski odnos između krvnog pritiska i PTT-a.
Još jedan model se može izvesti za male promjene PTT-a oko nominalne vrijednosti PTT0. On
se izvodi linearizacijom logaritamskog modela kada se dobija:
(2.3)
gdje je KP krvni pritisak, dok su a i b parametri do čijih vrijednosti se najbolje dolazi kroz proces
kalibracije. PTT je u inverzno linearnom odnosu sa KP-om, zbog čega porast KP-a dovodi do
smanjenja PTT-a i obratno.
U [60] je predstavljen metod za računanje PTT intervala baziran na Hilbert-Huangovoj
transformaciji koja je iskorišćena za obradu EKG i PPG signala. Na bazi PTT intervala je vršeno
računanje krvnog pritiska. Takođe, i rad [61] koristi PTT interval za procjenu krvnog pritiska. PTT
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
39
interval je računat između R talasa EKG signala i maksimalne tačke drugog izvoda PPG signala.
Rad [61] koristi WT za detekciju vrhova EKG i PPG signala. Primjenjeni metod je iskorišćen za
realizaciju sistema za neinvazivno mjerenje krvnog pritiska.
Kao što se može vidjeti na Slici 2.8, PPG signal može biti koristan alat za otkrivanje i
dijagnostikovanje srčane aritmije [46]. Da bi se maksimalno iskoristio, PPG signal treba koristiti
paralelno sa EKG signalom. Ovo može biti od velike pomoći u ispravnom tumačenju artefakata
zbog pokreta pacijenta ili zbog drugih izvora smetnji. Kao što je prikazano, morfologija PPG
signala je povezana sa talasnim oblikom arterijskog krvnog pritiska. Kao što se očekuje, nakon
svakog preranog otkucaja srca, javlja se kompenzaciona pauza, što daje više vremena za
popunjavanje ventrikula. Promjena amplitude PPG signala, od otkucaja do otkucaja srca, je
često prvi znak da se kod pacijenta razvio nepravilan srčani ritam. Ta tvrdnja se potvrđuje
upoređivanjem talasnih oblika PPG-a i EKG-a sa Slike 2.8. PPG signal sadrži podatke o SP-u i
HRV-u, i u analizi se može koristiti umjesto EKG signala. U HRV analizi se, VV intervali PPG-a
mogu koristiti umjesto RR intervala dobijenih iz EKG signala. Mnoge analize su utvrdile ovu vrlo
blisku i korisnu korelaciju.
PPG
KP
EKG
Vrijeme (s)
0 2 4 6 8 10
Slika 2.8 Uticaj srčane aritmije na PPG, signal krvnog pritiska-KP, i EKG
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
40
2.4.2 Obrada PPG signala
Obrada PPG signala se vrši primjenom raznih tehnika koje su standardne u digitalnoj obradi
signala. Cilj obrade PPG signala je njegovo poboljšanje i pretvaranje u oblik koji je pogodan za
ekstrakciju željenih karakteristika signala, ili vitalnih parametra kao što su SP i KP.
Razvijani su mnogi algoritmi kako bi se poboljšala pouzdanost računanja SP-a iz PPG signala.
Jednostavno digitalno filtriranje i otkrivanje prolaza kroz nulu zbog ekstrakcije SP-a iz PPG
signala je upotrebljeno u [62]. U [63] je opisan PPG-bazirani uređaj za računanje SP-a i praćenje
respiracije prilikom medicinske njege, koji je testiran poređenjem sa vrijednostima SP-a
ekstraktovanim iz EKG i PPG signala prikupljanih kontinuirano tokom osam sati. Isključujući
propuštene detekcije otkucaja srca zbog podešavanja otklona PPG signala, kojih je bilo 6 %,
ukupno je bilo oko 1 % lažno negativnih detekcija i 1 % lažno pozitivnih detekcija.
Primjenjuju se mnogi sofisticirani algoritmi za izdvajanje SP-a iz PPG signala, uključujući i
vremensko-frekvencijske tehnike zasnovane na Wigner-Ville distribuciji [64]. Vremensko-
frekvencijske tehnike su pokazale značajno poboljšanje u odnosu na tradicionalne metode, kao
što je FFT. U [65] je korišćen filter sa kliznim usrednjavanjem (eng. moving-average filter) i
wavelet filter, da bi se poboljšao PPG signal i izvršila ekstrakcija SP-a. PPG signali su preuzeti od
12 pacijenata, dok su oni pravili sporadične pokrete tijela u toku mjerenja. Nakon filtriranja
nisko-propusnim filterom, PPG signal je zbog ekstrakcije SP-a obrađen tako da bude približan
sinusoidalnom signalu. Za detekciju primarnog vrha PPG talasa, korišćen je metod za detekciju
pozitivnog vrha signala.
U [66] su uvedeni prvi i drugi izvod PPG signala, da bi se omogućilo njegovo lakše tumačenje.
Ovakav metod omogućuje precizno prepoznavanje pregibnih tačaka PPG-a.
Na Slici 2.9 su prikazani PPG signal i njegov prvi izvod. Sistolna i dijastolna tačka PPG signala
se prepoznaju kao tačke u kojim je prvi izvod PPG signala jednak nuli. ∆T1 je vremenski interval
između pojave podnožja PPG signala i njegovog sistolnog vrha. Vremenski interval između
sistolnog i dijastolnog vrha je ∆T2 i to je vrijeme koje je potrebno talasu pritiska da se propagira
od srca do periferije i nazad. Dužina ovog puta je nepoznata, ali se može smatrati da je
proporcionalna visini subjekta, h. U radu [67], indeks krutosti (eng. Stiffness Index-SI) dugih
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
41
arterija je definisan kao SI=h/∆T2. Interval ∆T2 se može računati kao vrijeme između dva prolaza
kroz nulu sa pozitivnog na negativni dio prvog izvoda PPG signala. Autori rada [68] su pronašli da
su ∆T1, ∆T2 i SI najbolje karakteristike za preciznu klasifikaciju kardiovaskularnih oboljenja
pomoću prvog izvoda PPG-a.
Drugi izvod PPG signala se koristi češće od prvog. Drugi izvod PPG signala se u literaturi često
naziva pletismogram ubrzanja (eng. Acceleration Plethysmogram-APG), jer je on indikator
ubrzanja krvi u prstu. Kao što je prikazano na Slici 2.10, talasni oblik APG-a sadrži četiri sistolna
talasa i jedan dijastolni talas [45]. Talas a označava rani sistolni pozitivni talas, talas b je rani
sistolni negativni talas, c je kasni sistolni ponovni uzlazni talas, d je kasni sistolni ponovni silazni
talas, i e je rani dijastolni pozitivni talas. Talas e odgovara dikrotnom usijeku PPG signala.
∆T1 ∆T2
Sistolni
vrh Dijastolni vrh
(a)
(b)
Slika 2.9 Prikaz PPG signala (a) i njegovog prvog izvoda (b)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
42
Sistolni
vrh
Dijastolni
vrh
(a)
(b)
Dikrotni
usijek
Slika 2.10 PPG signal (a) i njegov drugi izvod (b)
Drugi izvod PPG-a se koristi za stabilizaciju bazne linije signala i lakše prepoznavanje
karakteristika signala. Glavne karakteristike APG-a, koje se koriste za analizu, su odnosi visine
talasa i ostalih talasa. To su odnosi b/a, c/a, d/a, e/a. Za ove odnose su mnogi autori utvrdili da
su zavisni od starosne dobi i da daju mnoge informacije poput arterijske krutosti,
arteroskleroze, bolesti srca, itd [45].
U [69] je vršeno računanje srčanih intervala kao razmaka između dva podnožja uzastopnih
pulsnih talasa PPG-a. Signal je prvo filtriran Butterworth-ovim filterom u opsegu 0.2-8 Hz.
Podnožje PPG signala je detektovano pomoću četiri faze, a to su: računanje prvog izvoda
signala; pronalaženje maksimuma prvog izvoda; računanje praga; traženje prvog prolaza kroz
nulu koji se javlja nakon prolaza prvog izvoda kroz vrijednost praga.
U [70] je predstavljen učinkovit metod zasnovan na dva filtera sa kliznim usrednjavanjem
koja su praćena dinamičkim pragovima za otkrivanje a i b talasa u APG signalima. Otkrivanje a i
b talasa zavisi od kvaliteta PPG signala. Razvijena metoda detektuje a i b talase u APG signalima
sa aritmijom, koji su pogođeni nestacionarnim efektima i niskim odnosom signal-šum.
Predloženi algoritam za detekciju a i b talasa se sastoji od tri glavne faze: pred-obrada (filtriranje
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
43
pomoću propusnika opsega, računanje drugog izvoda i kvadriranje), ekstrakcija podataka
(primjena filtera sa kliznim usrednjavanjem) i klasifikacija (primjena praga). Performans
predloženog metoda je testiran na 27 zapisa signala, ostvarujući osjetljivost od 99.68 % i
pozitivnu prediktivnost od 99.57 %.
2.4.3 Umanjenje smetnji u PPG signalu
Kao i kod obrade ostalih BM signala, i kod PPG signala postoje različite smetnje koje
otežavaju njegovu primjenu i ekstrakciju njegovih značajnih parametara. Zbog toga je potrebno
umanjenje ovih smetnji, što u obradi PPG signala ne predstavlja jednostavan zadatak.
Otkrivanje i umanjenje artefakata pokreta je još uvijek veliki izazov u istraživanju i upotrebi
PPG signala. Istraživani su mnogi pristupi, gdje je oštećeni signal poboljšavan ili rekonstruisan
primjenom tehnika za obradu signala, kao što su adaptivne tehnike filtriranja [71] ili vremensko-
frekvencijska analiza [72]. Međutim, PPG signal koji je ozbiljno zahvaćen šumom ili artefaktima
pokreta pokazuje dramatične promjene morfologije talasa, što kvari kvalitet signala i drastično
umanjuje njegovu prikladnost za dalju analizu.
Pošto su uobičajene metode sa fiksnom graničnom frekvencijom filtera neuspješne u
smanjenju artefakata pokreta, istraživači uglavnom predlažu dvije metode za njihovo smanjenje.
Prva metoda teži da izvrši izdvajanje pulsnog signala iz oštećenog PPG signala, temeljeći se na
pretpostavci da je pulsni signal glavna komponenta izmjerenog signala, a da se njegova
učestanost sporije mijenja za razliku od artefakata pokreta [73, 74]. Ova metoda nije prikladna
za prenosive uređaje jer je dugotrajna i zahtjeva veliku količinu podataka i visoku frekvenciju
odabiranja PPG signala. Druga kategorija metoda koristi referencu koja se dobija iz pokreta i ona
koristi senzore pokreta tijela, akcelerometre. Ova metoda koristi aktivno umanjenje šuma.
Metode poput LMS algoritma [75], rekurzivnog algoritma najmanjih kvadrata (eng. Recursive
Least Squares-RLS) [76], Widrow-Hoffovo pravilo učenja [77], se predlažu kao algoritmi za
primjenu na jednostavnim pokretima, kao što su horizontalni i vertikalni pokreti ruku i savijanje
prstiju.
U [78] je predstavljen algoritam za eliminaciju artefakata pokreta iz PPG signala koristeći
Kalmanov filter sa istovremenom akcelerometrijom. Algoritam je baziran na Kalmanovom filteru
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
44
za glačanje signala sa fiksnim intervalom (eng. fixed-interval Kalman smoother) i pronađeno je
da on ima bolji performans u odnosu na druge algoritme za adaptivno filtriranje, kao što je
konvencionalni Kalmanov filter ili RLS, ali ovaj algoritam se koristi tek nakon završene akvizicije,
tj. ne može se koristiti u realnom vremenu.
Alternativa je otkrivanje dijelova PPG signala oštećenih šumom i artefakatima pokreta. U [79]
je predstavljen algoritam za detekciju artefakata pokreta u PPG signalu. Algoritam je zasnovan
na analizi karakteristika PPG signala u vremenskom i periodnom domenu i njegova uloga je
razlikovanje čistih i šumom zahvaćenih dijelova signala. Algoritam ima fazu pred-procesiraja u
kojoj se vrši uklanjanje frekvencijskih komponenti koje ne spadaju u spektar PPG signala. U fazi
segmentacije se vrši diferenciranje PPG signala. Detekcija pulsnih talasa se vrši pomoću
algoritma za detekciju pragova, zasnovanog na histogramu, koji je primjenjen na lokalne
maksimume prvog i trećeg izvoda. Ekstrakcija karakteristika je zasnovana na analizi
karakteristika u vremenskom domenu, koja je iskorišćena za pristup morfološkim osobinama
signala, i na analizi periodnih karakteristika PPG signala pomoću diskretne STFT. Faza selekcije
karakteristika služi za odabir najbitnijih i najmanje redudantnih osobina, koje služe za uočavanje
artefakata pokreta. U fazi klasifikacije je korišćena mašina vektorske podrške (eng. Support
Vector Machine), da bi se uočila razlika između čistih dijelova signala i onih koji su zahvaćeni
artefaktima.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
45
Poglavlje 3.
3. DWT u obradi biomedicinskih signala
Furijeova analiza daje informacije samo o frekvencijskom sadržaju signala i prikriva prolazne
ili lokacione specifičnosti unutar signala. Ovo ograničenje se djelimično može prevazići
uvođenjem vremenskog prozora fiksne širine, da bi se analiza lokalizovala u vremenu. STFT
pruža određeni stepen vremenske rezolucije, naglašavajući spektralne promjene sa obzirom na
vrijeme. Sada je dostupno više alternativnih vremensko-frekvencijskih metoda za analizu
signala. Jedna od najpopularnijih je WT, koja se koristi za analizu signala u različitim oblastima
nauke, inženjerstva i medicine. WT je posebno vrijedan metod, zbog svoje sposobnosti da
istovremeno razjasni lokalne spektralne i vremenske informacije u signalu, na fleksibilniji način
od STFT, korišćenjem prozora promjenljive širine. Zbog toga, WT vrši vremensko-frekvencijsku
dekompoziciju signala, koja razdvaja pojedinačne dijelove signala, bolje od STFT. Ovaj fleksibilni
vremensko-spektralni aspekt WT omogućuje lokalnu spektralnu analizu pojedinačnih osobina
signala. Na ovaj način i kratkotrajne, visoko-frekvencijske, i dugotrajne, nisko-frekvencijske
informacije, mogu biti posmatrane istovremeno. Na većim frekvencijama, WT daje dobru
vremensku rezoluciju i lošu frekvencijsku rezoluciju, dok za niže frekvencije daje dobru
frekvencijsku rezoluciju, a lošu vremensku rezoluciju.
WT je posebno korisna za analizu prelaznih, aperiodičnih i drugih nestacionarnih osobina
signala, kroz ispitivanje promjena u morfologiji signala na skalama od interesa. Velika prednost
wavelet-baziranih tehnika je niz wavelet funkcija koje su na raspolaganju, čime se omogućuje da
se izabere najprikladnija funkcija za signal koji treba ispitati, za razliku od Furijeove analize koja
je ograničena na sinusoidu. WT je metod koji je izuzetno povoljan za analizu nestacionarnih
signala kao što su BM signali. WT ima mnoge primjene u obradi signala, kao što su umanjenje
šuma, kompresija podataka, ekstrakcija vremenskih i frekvencijskih osobina signala [80].
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
46
Diskretna WT, DWT, je posebno korisna za kodiranje signala, omogućujući da se informacije
unutar signala lokalizuju unutar niza odgovarajućih koeficijenata, korišćenih za kompresiju.
DWT se sada primjenjuje na raznim BM signalima, uključujući: EKG, PPG, EMG, EEG, kliničke
zvukove, respiratorne uzorke, krvni pritisak i DNK sekvence. Postoji više familija wavelet-a, a
najviše korišćene su Daubechies, Biortogonal, Haar, Morlet, Symlet, Mexican Hat, itd.
3.1 Kontinualna i diskretna WT
Kontinualna wavelet transformacija (eng. Continuous Wavelet Transform-CWT) vrši
dekompoziciju signala, translacijom i dilatacijom bazne wavelet funkcije ( ), koja se naziva
’’majka’’ wavelet (eng. mother wavelet). CWT, koja pomoću specijalne prozorske funkcije
( ) izvedene iz ’’majke’’ waveleta, transformiše signal ( ), je funkcija ( ), definisana
sa:
( ) ∫ ( )
( ) (3.1)
gdje je funkcija ( ) ’’kćerka’’ wavelet (eng. daughter wavelet), data sa :
( )
√ (
) (3.2)
Funkcija ( ) je prozorska funkcija dobijena translacijom i dilatacijom ''majke'' waveleta,
( ) je kompleksna konjugacija bazne wavelet funkcije ( ), je parametar skale (dilatacije)
waveleta, dok je parametar translacije waveleta. Mala vrijednost parametra daje mogućnost
analize visoko-frekvencijskih komponenti signala, jer tada dolazi do manjeg širenja baznog
wavelet-a, dok veći parametar omogućuje bolju analizu nisko-frekvencijskih komponenti.
Osobine skaliranja waveleta su definisane funkcijom skaliranja. Međutim, CWT daje određenu
količinu viška informacija. Na Slici 3.1 su prikazane vremenske reprezentacije nekoliko wavelet
funkcija.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
47
(a) (b)
(c) (d)
(e) (f)
Slika 3.1 Vremenska reprezentacija često korišćenih wavelet funkcija: (a) Morlet wavelet; (b)
Mexican hat wavelet; (c) Haar wavelet (podebljano) i funkcija skaliranja; (d) Daubechies 4
wavelet (podebljano) i funkcija skaliranja; (e) Daubechies 12 (podebljano) i funkcija skaliranja i
(f) Daubechies 20 (podebljano) i funkcija skaliranja.
Doprinos energiji signala na određenoj skali i lokaciji se daje dvodimenzionalnom
funkcijom gustine energije, E(a,b), poznatom kao skalogram (analogno spektrogramu kod STFT):
( ) | ( )| (3.3)
Na Slici 3.2 je prikazan grafik koji daje spektralne informacije o elementarnom periodičnom
signalu, analiziranom pomoću CWT. Prikazan je skalogram za sinusoidu frekvencije 10 Hz, koji je
dobijen pomoću Gaussian 4 waveleta. Na skalogramu je očigledno da je maksimum energije
detektovan na 50-toj skali, koja u ovom slučaju odgovara frekvenciji 10 Hz.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
48
100 200 300 400 500 600 700 800 900 1000-1
0
1
Skalogram
Vrijeme (ili translacija) b
Ska
la a
100 200 300 400 500 600 700 800 900 1000 1 8
15 22 29 36 43 50 57 64 71 78 85 92 99
106113120127
1
2
3
4
5
6
7
x 10-3
Vrijeme (ms)
Am
plit
ud
a
Slika 3.2 Skalogram wavelet koeficijenata dobijenih analizom sinusoidalnog signala frekvencije
10 Hz pomoću Gaussian 4 waveleta
U praksi se vrši analiza diskretnih signala i koristi se diskretna verzija WT, DWT, koja se za
diskretnu funkciju ( ) definiše sa:
( ) ( ) ∑ ( )
( ) (3.4)
gdje je ( ) diskretni wavelet koji je za diadičku dekompoziciju definisan kao ( )
( ). Najjednostavnije je da DWT u praksi koristi diadičku mrežu kod koje se
parametri skale i translacije zasnivaju na stepenu dvojke, tako da je i .
U praksi, DWT se izračunava tako što se signal sukcesivno propušta kroz nisko-propusne (Ld) i
visoko-propusne (Hd) filtere za dekompoziciju, prema Malatovoj šemi za dekompoziciju signala
[81], Slika 3.3. Za svaki nivo dekompozicije, Ld i Hd filteri su praćeni operatorom pododabiranja
(eng. downsampling), ↓2, koji u stvari predstavlja smanjenje frekvencije odabiranja signala, dva
puta. Ai(n) i Di(n) su koeficijenti aproksimacija i detalja, respektivno, za i-ti nivo dekompozicije.
Broj koeficijenata Bi za i-ti nivo dekompozicije signala X(n) je jednak
Bi=dužina(Ai(n))=dužina(Di(n))=dužina(X(n))/2i. Da bi se izvršila rekonstrukcija signala potrebno
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
49
je izračunati inverznu DWT (eng. Inverse DWT-IDWT). Rekonstrukcija se sastoji od povećanja
broja odbiraka (eng. upsampling) sa ↑2 i filtriranja filterima za rekonstrukciju, Lr i Hr.
Koeficijenti filtera Ld, Hd, Lr i Hr mogu varirati od onih najjednostavnijih za Haar-ov wavelet,
preko Daubechies, pa do koeficijenata za Quadratic Spline wavelet. Dužine ovih filtera se
razlikuju za različite wavelete, i obično imaju interpretacije sa pomičnim zarezom.
A3(n)
Hd↓2
X(n)
+
+
+ X(n)
D3(n)
D2(n)
D1(n)
Ld↓2
Ld↓2
Hd↓2
Ld↓2 ↑2Lr
↑2Hr
↑2Lr
↑2Hr
↑2Lr
↑2Hr
Hd↓2
A1(n)
A2(n)
Dekompozicija Rekonstrukcija
A2(n)
A1(n)
Slika 3.3 Malatova šema za dekompoziciju i rekonstrukciju signala
3.2 Haar DWT
Haar transformacija (HT) je najjednostavnija WT, sa dva koeficijenta po filteru. HT ima niz
prednosti. Ona je konceptualno jednostavna, brza, memorijski učinkovita, jer se može izračunati
u mjestu bez privremenog niza. Takođe, ona je reverzibilna, bez ivičnih efekata, što može biti
problem sa nekim drugim WT. No, ova transformacija ima nekoliko ograničenja, koja mogu biti
problem u nekim aplikacijama, uglavnom u kompresiji signala i uklanjanju šumova iz relativno
brzih signala kao što su audio ili video signali. Ali, u slučaju BM signala to nije problem.
Koeficijenti aproksimacija A(n) i koeficijenti detalja D(n) se za HT računaju koristeći sledeće
formule:
( )
√ ( )
√ ( ) (3.5)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
50
( )
√ ( )
√ ( ) (3.6)
Zbog dijeljenja sa √ , HT nije cjelobrojna transformacija, što predstavlja prepreku u njenoj
primjeni u praksi. Zbog toga, HT je, iako je vrlo jednostavna po svojoj prirodi, komplikovana za
implementaciju na uređajima za nisko-kompleksne kalkulacije kao što su MK-i. Međutim, HT
može biti korišćena u njenoj cjelobrojnoj verziji. Tehnika predložena u obliku S transformacije
(ST) [82] je jednostavna za hardversku implementaciju. Direktna ST (DST) je definisana
jednačinama 3.7 i 3.8, a inverzna ST (IST) je definisana jednačinama 3.9 i 3.10. Postoje različite
definicije S transformacije, ali njihovu razliku predstavljaju samo detalji u implementaciji.
( ) ⌊
( )
( )⌋ (3.7)
( ) ( ) ( ) (3.8)
( ) ( ) ⌊
( ( ) )⌋ (3.9)
( ) ( ) ⌊
( )⌋ (3.10)
Operator ⌊ ⌋ predstavlja zaokruživanje na najbliži cijeli broj. Zaokruživanje u definiciji A(n) ne
dovodi do odbacivanja informacije. Dakle, ST je potpuno invertibilna.
ST je veoma jednostavna i pogodna je za hardversku implementaciju. U binarnoj aritmetici,
zaokruživanje na najbliži cijeli broj i dijeljenje sa 2, se mogu izvršiti pomjeranjem jednog bita u
desno, tako da se DST može izračunati na sledeći način:
( ) ( ( ) ( )) (3.11)
( ) ( ) ( ) (3.12)
Analogno prethodnom, IST postaje:
( ) ( ) (( ( ) ) ) (3.13)
( ) ( ) ( ( ) ) (3.14)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
51
DST i IST se mogu izračunati pomoću sabirača-oduzimača i pomjerača, što je, u praksi, ključna
prednost za hardverske implementacije.
3.3 DWT i biomedicinski signali
Waveleti su pogodni za analizu naglih kratkotrajnih promjena u signalima. Pošto je većina BM
signala vremenski-promjenljiva, postoji posebna potreba za praćenjem bitnih prelaznih pojava u
njima, kako bi se sprovela odgovarajuća medicinska analiza. Kritične osobine mnogih BM signala
su sadržane u frekvencijskom domenu. Potrebna je vremenska lokalizacija bitnih promjena
unutar BM signala, kao i shvatanje promjena frekvencijskog sadržaja u toku vremena. Mnoge
promjene se mogu otkriti pomoću metode kao što je STFT. Osnovna funkcija koju koristi STFT je
kompleksna sinusoida, koja je pogodna za stacionarnu analizu uskopojasnih signala. Za BM
signale, sinusoida nije baš prikladna funkcija za analizu. BM signali su često raspoređeni na
velikim područjima frekvencijskog spektra. Upotreba uskopojasne bazne funkcije nedovoljno
tačno predstavlja širokopojasne signale. Poželjno je da bazna funkcija bude slična signalu koji se
istražuje. Za kompaktnu reprezentaciju, poželjno je koristiti bazne funkcije koje imaju širi
frekvencijski raspon, koji ima većina BM signala. Waveleti, koji pružaju širokopojasnu
reprezentaciju signala, su odličan izbor za obradu BM signala.
3.3.1 Ekstrakcija karakteristika EKG i PPG signala pomoću CWT i DWT
Analiza lokalne morfologije EKG signala i njegovih vremenski-promjenljivih svojstava je
proizvela razne kliničke dijagnostičke alate, a mnogi od njih se zasnivaju na WT. Izrada algoritma
za otkrivanje P talasa, QRS kompleksa i T talasa u EKG-u je težak problem s obzirom na
vremenski-promjenljivu morfologiju, razne fiziološke uslove i prisutnost šuma. Od nedavno se
predlažu wavelet-bazirane tehnike za otkrivanje značajnih tačaka u EKG signalima.
Na Slici 3.4 je prikazan EKG signal za normalni sinusni ritam, predstavljen sa 1000 odbiraka, i
skalogram koji je dobijen nakon analize EKG signala pomoću Morlet waveleta. Wavelet
koeficijenti sa najvećom energijom, koji su označeni crvenom bojom, pripadaju P, QRS, i T
talasima EKG signala. Niže skale na skalogramu, tj. veće frekvencije, odgovaraju QRS kompleksu,
za koji je vremenska rezolucija skalograma najbolja. Ovakva reprezentacija EKG signala je
izuzetno pogodna za analizu frekvencijskog sadržaja signala, i rasporeda pojedinačnih
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
52
frekvencijskih komponenti u vremenu. To je korisno za utvrđivanje zdravstvenog stanja i
otkrivanje raznih pojava, kao što su srčane aritmije.
100 200 300 400 500 600 700 800 900 1000-1
0
1EKG Signal
Skalogram
Vrijeme (ili translacija) b
Ska
la a
100 200 300 400 500 600 700 800 900 1000 1 8
15 22 29 36 43 50 57 64 71 78 85 92 99
106113120127
1
2
3
4
5
6
7
8
x 10-3
Slika 3.4 EKG signal i skalogram CWT wavelet koeficijenata dobijenih analizom EKG signala
pomoću Morlet waveleta
DWT je u stanju da izdvoji QRS komplekse iz EKG signala primjenom Malatove šeme za
dekompoziciju signala. Di(n) koeficijenti, dobijeni dekompozicijom EKG signala, pokazuju da vrh
QRS kompleksa odgovara prolazu kroz nulu (PN) između dva maksimalna modula (negativni
minimum i pozitivni maksimum) sa suprotnim znacima [83]. Slika 3.5 prikazuje diskretni EKG
signal EKG(n) i njegovu Haar DWT do četvrtog nivoa dekompozicije koja daje signale D1(n),
D2(n), D3(n) i D4(n). Npr., nivo D1(n) zauzima duplo manji frekvencijski opseg od EKG(n) i duplo
veći frekvencijski opseg od D2(n), a broj D1(n) odbiraka je duplo manji od broja EKG(n) odbiraka.
Vrijednosti dobijenih maksimalnih modula su različite na pojedinačnim nivoima, a da bi se oni
detektovali može se koristiti tehnika računanja i primjene praga, pri čemu vrijednost praga
varira od nivoa do nivoa.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
53
EKG(n)
D1(n)
D2(n)
D3(n)
D4(n)
PN
PN
PN
PN
min
maks
Slika 3.5 EKG signal sa četiri nivoa njegove dekompozicije pomoću Haar DWT
Prilikom ekstrakcije karakteristika EKG signala, potrebno je izabrati najpogodnije nivoe
dekompozicije DWT, što znači da treba uzeti u obzir frekvencijske komponente koje postoje na
pojedinim nivoima. Najveći dio energije EKG signala je koncentrisan unutar QRS kompleksa koji
zauzima opseg između 5 Hz i 40 Hz.
DWT implicitno koristi filtriranje u frekventnom domenu, što je jedna od vrlo korisnih
osobina DWT, značajna za analizu svih BM signala. Kao što se vidi na Slici 3.5, originalni EKG
signal na četvrtom nivou dekompozicije postaje praktično sasvim čist.
U [84] je izvršeno poređenje sposobnosti tri različite WT (Daubechies, Spline i Morlet) u
prepoznavanju otkucaja srca. U [85] je iskorišćen prvi izvod Gausove funkcije kao wavelet za
karakterizaciju talasnih oblika EKG-a. Korišćena je wavelet analiza zasnovana na maksimalnim
modulima, koristeći diadičku WT za otkrivanje i mjerenje različitih dijelova signala, posebno za
QRS kompleks, P i T talase. Pokazano je da algoritam radi dobro u uslovima prisutnosti
pomjeranja bazne linije i visoko-frekventnog šuma. Algoritam je korišćen za računanje trajanja
QRS kompleksa, T i P talasa, i PR, ST i QT intervala.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
54
U [83] je predložen metod za detekciju QRS kompleksa koji je zasnovan na pronalaženju
maksimalnih modula većih od praga koji je dobijen u fazi pred-obrade odabranih početnih
otkucaja srca. Kod ove metode, prag se ažurira tokom analize, da bi se ostvario bolji učinak. Ova
metoda ima fazu post-obrade u kojoj se vrši uklanjanje suvišnih R talasa ili vrhova šuma.
Algoritam je ostvario dobar performans, sa osjetljivošću od 99.90 % i pozitivnom prediktivnošću
od 99.94 %, prilikom testiranja na MIT-BiH bazi signala.
Spektralna analiza PPG signala pomoću Morlet waveleta je prikazana na Slici 3.6. Iz
skalograma se mogu dobiti informacije o frekvencijskom sadržaju sastavnih komponenti PPG
signala, kao što su sistolni i dijastolni vrh, a mogu se pratiti i razni procesi u organizmu, npr.
respiracija.
50 100 150 200 250 300 350 400 450 500-1
0
1PPG Signal
Skalogram
Vrijeme (ili translacija) b
Ska
la a
50 100 150 200 250 300 350 400 450 500 1 8
15 22 29 36 43 50 57 64 71 78 85 92 99
106113120127
0.005
0.01
0.015
0.02
Slika 3.6 PPG signal i skalogram CWT wavelet koeficijenata dobijenih njegovom analizom
pomoću Morlet waveleta
Na Slici 3.7 je prikazan PPG signal, PPG(n), zajedno sa četiri nivoa dekompozicije, dobijena
pomoću HT. Sistolni vrh PPG signala odgovara PN-u wavelet koeficijenata. Slično kao kod EKG
signala, ovo se može koristiti za detekciju vrha PPG signala, što može poslužiti za ekstrakciju SP-
a.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
55
0 100 200 300 400 500-1
0
1
0 50 100 150 200 250-0.2
0
0.2
20 40 60 80 100 120-0.5
0
0.5
10 20 30 40 50 60-0.5
0
0.5
5 10 15 20 25 30-1
0
1
PN
PN
PN
PN
PPG(n)
D1(n)
D2(n)
D3(n)
D4(n)
Vrh PPG-a
Slika 3.7 PPG signal i četiri nivoa dekompozicije njegove Haar DWT
Vremenski-promjenljivi BM signali, koji se sastoje od mnogo tačaka, se pomoću DWT mogu
kompresovati u nekoliko parametara. Ovi parametri karakterišu ponašanje vremenski-
promjenljivih BM signala. Upotreba manjeg broja parametara za predstavljanje BM signala je
posebno važna za svrhe prepoznavanja i dijagnostike. Studija sprovedena u [86] je koristila DWT
za ekstrakciju karakteristika PPG, EKG i EEG signala. PPG, EKG i EEG signali su transformisani u
vremensko-frekvencijske reprezentacije i izračunate su njihove statističke karakteristike, da bi
se prikazala njihova distribucija. EKG i PPG signali su odabrani sa 250 Hz i njihova spektralna
analiza je izvršena pomoću Daubechies 2 waveleta, vršeći dekompoziciju do četvrtog nivoa. Cilj
istraživanja iz [86], u području automatizovanog otkrivanja promjena kod BM signala, je
izdvajanje reprezentativnih obilježja signala, kako bi se dobili precizni klasifikacioni modeli.
Vremensko-frekvencijska distribucija signala je predstavljena maksimumom, srednjom
vrijednošću, minimumom i standardnom devijacijom wavelet koeficijenta sa svakog nivoa
dekompozicije. Tako dobijene karakteristike mogu biti upotrebljene kao ulazi neuralnih mreža.
Sistem za estimaciju kardiovaskularnih parametara iz EKG i PPG signala, predstavljen u [87],
koristi db6 wavelet. Izvršena je wavelet dekompozicija EKG i PPG signala. Detekcija R talasa EKG
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
56
signala je vršena na trećem, četvrtom i petom nivou. Odbirci sa ovih nivoa su kvadrirani, kako bi
koeficijenti nastali transformacijom QRS kompleksa bili uočljiviji. Za detekciju vrha PPG signala
su korišćeni koeficijenti detalja, takođe sa trećeg, četvrtog i petog nivoa, pri čemu je vršeno
njihovo kubiranje, što je doprinjelo boljem isticanju i lakšoj detekciji vrhova PPG signala.
3.3.2 Umanjenje šuma pomoću DWT
Kao što je ranije pomenuto, BM signali pored korisnih informacija uglavnom sadrže i
komponente iz raznih izvora šuma, kao što su pomjeranja bazne linije, elektromagnetne
smetnje i artefakti pokreta. Kako bi se poboljšala analiza signala, potrebno je određeno pred-
procesiranje u svrhe smanjenja šuma. Pojasno filtriranje je poznato kao jedan od najčešćih
postupaka za tu namjenu. S druge strane, ova jednostavna operacija filtriranja ponekad može
ozbiljno narušiti karakteristike BM signala, poput oštrih ivica QRS kompleksa u EKG signalu. Zbog
toga se predlažu i druge metode. Wavelet-bazirane metode za umanjenje šumova se mogu
koristiti u obradi BM signala.
Umanjenje šuma u signalu, pomoću DWT, se sastoji od tri uzastopna postupka, Slika 3.8. Prvo
se vrši wavelet analiza, dekompozicijom signala zahvaćenog šumom, X(n)+V(n), do izabranog
nivoa N. Drugo, vrši se određivanje praga i njegova primjena na koeficijentima detalja na
odabranim nivoima dekompozicije. Na kraju se vrši sinteza signala sa IDWT, pomoću
izmijenjenih koeficijenata detalja sa svih nivoa i koeficijenata aproksimacija sa N-tog nivoa, kada
se dobija signal sa umanjenim šumom, X'(n). Međutim, uglavnom je nemoguće ukloniti sav šum,
bez oštećenja korisnog signala.
Dekompozicija
signala pomoću
DWT do
N-tog nivoa
Primjena praga P
na koeficijentima
detalja
Sinteza
signala pomoću
inverzne DWT
X(n)+V(n)
+Korisni
signal
X(n)
V(n) Šum
X'(n)
Signal
bez šuma
Slika 3.8 Koraci u obradi signala prilikom umanjenja šuma na bazi DWT
Primjena praga je veoma uspješan metod za umanjenje šuma u BM signalima. Prag se koristi
za uklanjanje onih koeficijenata detalja koji se nalaze ispod vrijednosti praga. Pošto je WT
lokalizovana i u vremenu i u frekvenciji, ona omogućuje da se promjena transformisanog signala
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
57
izvrši na odabranim frekvencijskim podopsezima. Da bi filtriranje signala bilo optimalno,
potrebno je podesiti vrijednost praga tako da se eliminišu one komponente koje sadrže šum.
Koeficijenti aproksimacija sadrže nisko-frekvencijske komponente originalnog signala, tako da
primjenu praga treba izvršiti na visoko-frekvencijskim komponentama, tj. koeficijentima detalja.
Prag P se uvodi iz razloga što nije optimalno ukloniti sve visoko frekvencijske komponente koje
signal sadrži, jer bi se na taj način narušile mnoge karakteristike BM signala. Nakon uklanjanja
odabranih visoko-frekvencijskih komponenti iz originalnog signala, signal postaje blaži, jer je
prisustvo šuma u njemu umanjeno. Prag P može imati globalnu vrijednost koja se koristi na
svim nivoima dekompozicije, a može imati i adaptivnu vrijednost koja se može računati za svaki
nivo pojedinačno.
Prema Donohovoj metodi [88], univerzalni prag P se računa kao:
√ (3.15)
gdje je standardna devijacija šuma, a je broj odbiraka obrađenog signala.
S druge tačke gledišta, primjena praga može biti ili meka ili tvrda [89]. Tvrda primjena praga
postavlja vrijednosti svih koeficijenata detalja, koje su manje od vrijednosti praga P, na nulu.
Meko određivanje praga radi istu stvar, osim toga što se vrijednost P oduzima od vrijednosti
koeficijenata koje su veće od P. Za razliku od primjene tvrdog praga, primjena mekog praga ne
uzrokuje prekide u dobijenom signalu.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
58
Poglavlje 4.
4. Mikrokontrolersko rješenje za obradu biomedicinskih signala
Za potrebe obrade BM signala, algoritmi za detekciju QRS kompleksa i uklanjanje šuma su
implementirani na MSP430F169 mikrokontroleru iz Texas Instruments-ove MSP430 familije
mikrokontrolera [40], Slika 4.1. To je familija nisko-potrošnih mikrokontrolera, optimizovana za
korišćenje u prenosnim uređajima koji se napajaju preko baterija, kao što su medicinski uređaji.
MSP430F169 ima 16-bitni RISC procesor, 16-bitne registre, dva 16-bitna tajmera (Tajmer_A i
Tajmer_B), ADC12-brzi 12-bitni A/D konvertor sa osam spoljašnjih ulaznih kanala, dvojni 12-bitni
D/A konvertor, USART, I2C, DMA, 48 U/I pinova, itd.
Implementirani sistem vrši obradu BM signala pomoću DWT i IDWT. Za MK implementaciju
DWT i IDWT, odabran je Haar-ov wavelet kod kojeg filteri imaju dva koeficijenta, što ga s
obzirom na mali broj računanja, čini veoma pogodnim za primjenu u realnom vremenu.
Implementacije DWT i IDWT, u formi DST i IST su testirane na EKG i PPG signalu. Da bi se izvršila
detekcija QRS kompleksa, vrši se dekompozicija EKG signala do četvrtog nivoa. Kao nivo
dekompozicije na kojem se vrši detekcija, odabran je četvrti nivo, a za detekciju se koriste
koeficijenti detalja.
Slika 4.1 Texas Instruments-ov mikrokontroler MSP430F169
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
59
4.1 Mikrokontrolerski sistem za obradu EKG signala
Arhitektura sistema za detekciju QRS kompleksa i računanje RR intervala, realizovanog na
MSP430 MK-u, je prikazana na Slici 4.2. Da bi se izvršila akvizicija signala, analogni EKG signal se
dovodi do kanala A1 unutrašnjeg A/D konvertora (ADK). Nakon digitalizacije i obrade u realnom
vremenu, izlazni signali se generišu u različitim oblicima: analogni oblik koeficijenata detalja
D4(n) i D3(n) na pinovima P6.6 i P6.7; impulsni oblik RR intervala na P1.0 pinu i ASCII oblik RR
intervala kroz USART-ov TX pin. RR intervali su razmaci između uzastopnih QRS kompleksa, i dati
su u milisekundama.
A1
P6.6
P6.7
P1.0
TX
RS232
MSP430F169
RR
RR
Analogno
koloADK
Bafer(dužina=2
N)
DWTDAK
USARTRačunanje
RR intervala
QRS
detekcija
DAK
A4(n)
D1(n)
D3(n)
D4(n)
D2(n)
EKG
Slika 4.2 Arhitektura mikrokontrolerskog sistema za obradu EKG signala
Iniciranje A/D konverzija se vrši u prekidnoj servisnoj rutini Tajmera_A, koji broji periode
takta ACLK, frekvencije 32768 Hz. Korišćena je frekvencija odabiranja od 800 Hz, koja
omogućuje odličnu digitalizaciju EKG signala. Pri izboru frekvencije odabiranja posebna pažnja
mora biti data QRS kompleksu, čije je normalno trajanje oko 100 ms. Nakon izvršene A/D
konverzije, dobijeni odbirak se u prekidnoj servisnoj rutini A/D konvertera, ADC12, smješta u
bafer dužine 2N=16, gdje N=4 predstavlja broj nivoa dekompozicije. Između prekida, MSP430
MK je u nisko-potrošnom načinu rada. Kada je bafer napunjen, centralna procesorska jedinica
(eng. Central Processing Unit) vrši DST na odbircima smještenim u baferu, a nakon toga, bafer se
puni sa novih 2N odbiraka. Prvi nivo dekompozicije se računa tako što se na odbircima iz bafera
primjene jednačine 3.11 i 3.12. Iste jednačine se koriste i za ostale nivoe. Na prvom nivou
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
60
dekompozicije se dobija 8 koeficijenata aproksimacija koji predstavljaju nisko frekvencijske
komponente i isto toliko koeficijenata detalja koji su visoko frekvencijske komponente.
Dekompozicija signala dovodi do polovljenja vremenske rezolucije, zato što je originalni signal
nakon dekompozicije predstavljen duplo manjim brojem odbiraka. Frekvencijska rezolucija
postaje duplo veća, s obzirom da frekvencijski opseg novog signala zauzima samo pola
frekvencijskog opsega prethodnog signala. U ovom istraživanju, dekompozicija je vršena do
četvrtog nivoa, tj. do D4(n) koeficijenata detalja.
Koeficijenti D4(n) se ispituju zbog utvrđivanja prisustva PN-a, negativnih lokalnih minimuma i
pozitivnih lokalnih maksimuma koji se izoluju pomoću tehnike adaptivnog praga. Naime, ispituje
se pet uzastopnih vektora od 50 D4(n) koeficijenata. Za svaki od njih se određuje maksimum
Mjmax=max(D4 (1...50)), i minimum Mjmin=min(D4(1..50)), j=1..5. Onda se negativni, Pn, i
pozitivni, Pp, pragovi za detekciju računaju kao:
(
∑
) (4.1)
(
∑
) (4.2)
Proces se ponavlja sa vrijednostima dobijenim iz četiri stara vektora i jednog novog vektora,
takođe sastavljenog od 50 uzastopnih D4(n) koeficijenata.
Detaljni algoritam za QRS detekciju, na osnovu D4(n) koeficijenata, je dat na Slici 4.3. Nakon
računanja novog D4(n) koeficijenta, obavlja se provjera kako bi se utvrdilo da li je taj koeficijent
50-i po redu. Ako jeste, određuju se Pn i Pp pragovi. Zatim, počinje potraga za negativnim
lokalnim minimumom i u slučaju njegovog pronalaska počinje potraga za PN-om. Negativni
lokalni minimum se detektuje tako što se pronađe koeficijent D4(n) za koji važi D4(n)>D4(n-1), pri
čemu je D4(n-1)<Pn. U ovom slučaju, koeficijent D4(n-1) predstavlja lokalni minimum. Samo ako
je lokalni minimum detektovan, kreće se u potragu za PN-om, koji se i očekuje nakon pojave
lokalnog minimuma. PN se detektuje pronalaženjem koeficijenata za koje važi uslov D4(n-1)<0 i
D4(n)>0. Nakon što su pronađeni lokalni minimum i PN, algoritam se nastavlja traženjem
pozitivnog lokalnog maksimuma. Lokalni maksimum je koeficijent detalja koji ima vrijednost
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
61
veću od praga Pp, uz to što nakon njegove pojave dolazi do opadanja vrijednosti koeficijenata
detalja. Lokalni maksimum se detektuje pronalaskom koeficijenta detalja D4(n) koji zadovoljava
uslov D4(n)<D4(n-1), pri čemu koeficijent D4(n-1) predstavlja pozitivni lokalni maksimum, ako
zadovoljava uslov D4(n-1)>Pp. Ako se lokalni min., PN i lokalni maks. otkriju sukcesivno, onda je
QRS kompleks otkriven i algoritam počinje da traži novi QRS kompleks. Kada je izvršena
detekcija QRS kompleksa, MK, na P1.0 pinu opšte namjene, generiše digitalni impuls koji
predstavlja indikator detekcije.
Pojava PN-a u DWT koeficijentima za EKG signal odgovara vrhu R talasa. RR interval se računa
kao vremenska razlika između dva trenutka u kojim se javljaju PN-ovi koji potiču od dva
susjedna QRS kompleksa. U trenutku detekcije PN-a, MK sistem vrši očitavanje vrijednosti
brojača iz Tajmera_B koji broji periode takta ACLK. RR interval se računa kao proizvod trajanja
periode takta ACLK i broja proteklih perioda takta ACLK između pojave dva uzastopna PN-a, tj.
RRI=(1/ACLK)x(a-b), gdje je a vrijednost brojača u trenutku detekcije poslednjeg PN-a, dok je b
vrijednost brojača u trenutku pretposlednje detekcije PN-a. MK, putem RS-232 interfejsa,
serijski šalje izračunate RR intervale, a npr. personalni računar primljene podatke može upisivati
u tekstualni fajl, što se može iskoristi za dokumentovanje i pouzdanije dijagnostikovanje
eventualnih srčanih oboljenja.
U Poglavlju 6. su dati rezultati koji su dobijeni prilikom testiranja predstavljenog MK sistema
za obradu EKG signala.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
62
Start
k=0
Novi D4(n)
k++
k=50
Postavljanje pragova
k=0
Potraga za lokal.
min. modulom
Lokalni minimum je
detektovan
Potraga za prolazom
kroz nuluProlaz kroz nulu je
detektovan
Potraga za lokal.
maks.
modulom
Lokalni maksimum je
detektovan
QRS kompleks je detektovan
Potraga za novim QRS kompleksom
Da
Da
Da
Da
Da
Ne
Ne
Ne
Ne
Ne
Slika 4.3 Algoritam za detekciju QRS kompleksa u EKG signalu koji je implementiran na MSP430
mikrokontroleru
4.2 Mikrokontrolerski sistem za umanjenje šumova
Kao što je pomenuto u poglavlju 3.3.2, wavelet dekompozicija, primjena praga i
rekonstrukcija predstavljaju dobar filter šuma koji se može koristiti u obradi BM signala.
Waveleti su se u praksi dokazali kao vrlo učinkovit alat za filtriranje signala. Za umanjenje šuma
u signalu je primjenjena tehnika prikazana na Slici 3.8. Postupak umanjenja šuma počinje
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
63
dekompozicijom signala pomoću wavelet transformacije do četvrtog nivoa, koristeći DST. Za
svaki nivo dekompozicije se vrši računanje i primjena praga Pi (i=1..4). Vrijednosti koeficijenata
detalja čije se vrijednosti nalaze ispod izračunatog praga Pi se postavljaju na nulu. Nakon
primjene praga i otklanjanja komponenti koje sadrže šum, pomoću IST se vrši rekonstrukcija BM
signala.
Slika 4.4 predstavlja wavelet baziranu arhitekturu za umanjenje šumova implementiranu na
MK-u. Ulazni BM signal se dovodi do A1 ulaza ADK-a, digitalizuje se sa 762 odbirka u sekundi,
transformiše se pomoću DST, podvrgava se adaptivnom pragu, i konačno rekonstruiše pomoću
IST. Nakon rekonstrukcije, signal se vraća u analogni oblik pomoću digitalno-analognog
konvertora (DAK), na izlazu pina P6.7. Cjelokupni proces filtriranja se obavlja u realnom
vremenu.
Slika 4.4 Arhitektura mikrokontrolerskog sistema za umanjenje šumova
Kod sistema za umanjenje šumova, prag se primjenjuje na svakom nivou dekompozicije.
Koeficijenti detalja, D1(n), D2(n), D3(n) i D4(n), čija apsolutna vrijednosti nije veća od praga Pi, se
postavljaju na nulu. Za svaki nivo dekompozicije postoji zaseban adaptivni prag. Za i-ti (i=1..4)
nivo, deset uzastopnih vektora vi,j sastavljenih od Wi (i=1..4) koeficijenata, vi,j[1..Wi] (i=1..4,
j=1..10) se uzimaju u obzir. Za svaki od njih, maksimalna vrijednost Ai,jmax=max(vi,j [1..Wi]) se
pronalazi i čuva u memoriji. Širina prozora Wi je različita za sve nivoe dekompozicije i iznosi 390,
195, 97 i 48 koeficijenata za prvi, drugi, treći i četvrti nivo dekompozicije, respektivno. Adaptivni
prag za i-ti nivo, Pi, se izračunava kao prosjek deset maksimalnih vrijednosti sa i-tog nivoa, što je
definisano sa:
A4(n)
D1(n)
D3(n)
D4(n)
A1
P6.7
MSP430F169D'1(n)
D'3(n)
D'4(n)
Analogno
koloADK
Bafer(dužina=2N)
DST IST DAKPrimjena
praga
D2(n) D'2(n)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
64
(∑
) (4.3)
Prag Pi se primjenjuje na koeficijente detalja D1(n), D2(n), D3(n) i D4(n) tako da važi:
[ ] { [ ] | [ ]| | [ ]|
(4.4)
U cilju održavanja adaptivnosti sistema za umanjenje šuma, proračun praga Pi se nastavlja sa
devet starih Ai,jmax maksimalnih vrijednosti i jednom novom, koja se pronalazi unutar novog
vektora sastavljenog od Wi koeficijenata.
Rezultati testiranja dizajniranog MK sistema za umanjenje šumova u realnom vremenu su
dati u Poglavlju 6.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
65
Poglavlje 5.
5. FPGA rješenje za obradu biomedicinskih signala
FPGA tehnologija je iskorišćena za implementaciju algoritama za obradu BM signala. U ovom
poglavlju je dat opis dizajniranih FPGA sistema, a rezultati koji su dobijeni u toku njihovog
testiranja u realnom vremenu su dati u Poglavlju 6.
5.1 Arhitektura FPGA sistema za obradu biomedicinskih signala
Paralelizam FPGA tehnologije i višekanalni analogno-digitalni konvertor, kod koga je
iskorišćeno deset analognih ulaza, su iskorišćeni za realizaciju sistema za paralelnu obradu deset
BM signala, Slika 5.1. Realizovani sistem je namijenjen istovremenom mjerenju zdravstvenih
parametara za pet pacijenata. Za svakog od pacijenata su namijenjena po dva analogna ulaza
A/D konvertora, pri čemu je jedan ulaz za EKG signal, EKGp(t), p=1..5, a drugi za PPG signal,
PPGp(t), p=1..5. Za digitalizaciju signala je korišćen TLC2543 A/D konvertor [40], podešen za
frekvenciju odabiranja od 800 Hz. Dizajnirani FPGA sistem obrađuje digitalizovane EKGp(t) i
PPGp(t) signale i mjeri vitalne zdravstvene parametre u realnom vremenu. Sistem vrši detekciju
QRS kompleksa u EKG signalu, detekciju nagiba i vrha PPG signala, mjerenje srčanog pulsa iz EKG
i PPG signala, RR intervala (RRI) i PTT intervala (PTTI). Za realizaciju sistema je iskorišćen Alterin
Cyclone II FPGA čip [90].
Za prikazivanje i serijski prenos vrijednosti vitalnih parametara su upotrebljeni
sedmosegmentni ekrani i RS232 serijski port. Vrijednosti srčanog pulsa se prikazuju na
sedmosegmentnim ekranima pomoću tri cifre, dok se RRI i PTTI šalju preko RS232 porta. RRI i
PTTI se prosljeđuju na serijski port preko međusklopa za serijsku komunikaciju koji je ugrađen
između RS232 porta i FPGA čipa. Dizajnirani sistem kontinualno, za svih pet pacijenata, vrši
akviziciju BM signala, njihovu obradu i mjerenje vitalnih parametara. Međutim, u jednom
trenutku sistem prikazuje i šalje vrijednosti vitalnih parametara za samo jednog pacijenta.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
66
Taster T1, koji je povezan sa pinom FPGA čipa, služi za izbor pacijenta čije vitalne parametre
treba prikazivati i prenositi. Pritiskom tastera T1 se vrši odabir pacijenta, a redni broj pacijenta
se ispisuje na sedmosegmentnom ekranu. Prekidač P1 služi za odabir intervala koji se šalju
preko RS232 porta, a to su ili RR ili PTT intervali. Prekidač P2 služi za izbor vrijednosti srčanog
pulsa koje se prikazuju na sedmosegmentnim ekranima, između vrijednosti SP-a dobijenih iz
EKG-a i iz PPG-a. Tri pina FPGA čipa su namijenjena za indikaciju detekcije QRS kompleksa,
najvećeg nagiba i vrha PPG signala, pomoću digitalnih impulsa nazvanih Indikator QRS
kompleksa, Indikator nagiba PPG-a i Indikator vrha PPG-a. Impulsni signal koji dolazi sa QRS
detektora i signalizira detekciju QRS kompleksa je povezan sa svjetlećom diodom (eng. Light-
Emitting Diode-LED), i iskorišćen je za njeno napajanje, zbog čega je frekvencija paljenja ove
diode jednaka frekvenciji rada srca. U sistem je ugrađen i taster T2 koji ima funkciju resetovanja
digitalnog sistema.
Altera Cyclone II
FPGA čip
TLC2543
ADK
T 1
T 2
MAX232RS232
port
LED
Reset
Biranje
pacijenta
7-segmentni ekrani za
prikazivanje vrijednosti SP-a
Serijski
prenos RRI ili
PTTI
Indikacija
otkucaja srca
Biranje između
RR i PTT intervala
EKG1(t)
PPG1(t)
EKG2(t)
PPG2(t)
EKG3(t)
PPG3(t)
EKG4(t)
PPG4(t)
EKG5(t)
PPG5(t)
P 2Biranje između SP-a
iz EKG-a i SP-a iz PPG-a
7-seg.
ekran
Prikazivanje rednog
broja pacijenta
RRI ili PTTI
SP
Indikator vrha PPG-a
Indikator nagiba PPG-a
Indikator QRS kompleksa
0 8 61
P 1
Takt
Slika 5.1 Sistem za paralelno praćenje vitalnih parametara pet pacijenata
Algoritmi za obradu BM signala i računanje vitalnih parametara pacijenata su realizovani u
FPGA tehnologiji. Blok dijagram dizajniranog FPGA sistema je prikazan na Slici 5.2. FPGA sistem
koristi takt od 50 MHz. Sistem sadrži pet identičnih kola za obradu BM signala, Ekstraktor
parametara 1., Ekstraktor parametara 2., Ekstraktor parametara 3., Ekstraktor parametara 4. i
Ekstraktor parametara 5., koja od realizovanog kontrolera A/D konverzije dobijaju odbirke
digitalizovanih EKGp(t) i PPGp(t) signala, EKGp(n)[11..0] i PPGp(n)[11..0], p=1..5. Dizajnirani
ekstraktori parametara u realnom vremenu obrađuju odbirke EKGp(n)[11..0] i PPGp(n)[11..0].
Ekstraktori parametara na svojim izlazima generišu impulsne signale za indikaciju detekcija
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
67
karakterističnih tačaka signala, a to su Indikator QRS kompleksa, Indikator vrha PPG-a i Indikator
nagiba PPG-a, a na svojim izlaznim portovima daju i vrijednosti SP iz EKG-a i SP iz PPG-a, RRI i
PTTI. Ovi signali se generišu za svakog od pet pacijenata, formirajući grupe signala Pac. 1., Pac.
2., Pac. 3., Pac. 4. i Pac. 5. Ekstrakcija karakteristika BM signala je izvršena pomoću DWT i
diferenciranja. Za detekciju QRS kompleksa EKG-a i vrha PPG-a su iskorišćeni koeficijenti detalja
dobijeni pomoću DST, a pri detekciji maksimalnog nagiba PPG signala je korišćeno diferenciranje
DST koeficijenata aproksimacija PPG signala.
Pomoću kola za multipleksiranje je izvršeno multipleksiranje pet grupa signala sa izlaza
ekstraktora parametara. Zbog uštede hardverskih komponenti je omogućeno da se u jednom
trenutku prikazuju vitalni parametri za samo jednog pacijenta. Na ulaz kola za biranje pacijenta
dolazi signal sa tastera T1, a signal sa njegovog izlaza se vodi do kola za multipleksiranje. Za
prikazivanje izmjerenih vrijednosti SP-a su realizovani kontroleri sedmosegmentnih ekrana, a za
slanje vrijednosti RRI i PTTI je iskorišćeno modifikovano Alterino RS232-UART jezgro.
Ekstraktor
parametara 1.
Ekstraktor
parametara 2.
Ekstraktor
parametara 3.
Ekstraktor
parametara 4.
Ekstraktor
parametara 5.
Kontroler
A/D
konverzije
Kolo za
multipleksi-
ranje
FPGA
Cyclone II
EKG1(n)[11..0]
PPG1(n)[11..0]
EKG2(n)[11..0]
PPG2(n)[11..0]
EKG3(n)[11..0]
PPG3(n)[11..0]
EKG4(n)[11..0]
PPG4(n)[11..0]
PPG5(n)[11..0]
EKG5(n)[11..0]
RRI
PTTI
SP iz
EKG-a
SP iz
PPG-a
Digitalni izlaz
A/D konvertora
Indikator QRS kompleksa
Indikator nagiba PPG-a
Indikator vrha PPG-a
Pin povezan
sa LED
Kontrolni signali
za A/D konvertor
Kolo za
biranje
pacijenta
7-seg.
kontroler
8 pinova za 7-seg. ekran za
prikaz rednog broja pacijenta
Pin
povezan
sa T1
Muks
7-seg.
kontroler
24 pina povezana sa 3 7-seg.
ekrana za prikaz SP-a
Pin
povezan
sa P2
Muks
kolo
TX pin za
RS232
prenos
PTTI i RRI
Pin
povezan
sa P1
3 pina opšte
namjene
Konvertor
u ASCII UART
Reset
Takt
50 MHz
Odabir izvora za SP
Odabir intervala (PTTI ili RRI)
Odabir pacijenta (1., 2., 3., 4. ili 5.)
Novi RRI
Novi PTTI
Pac. 1.
Pac. 2.
Pac. 3.
Pac. 4.
Pac. 5.
Slika 5.2 Arhitektura FPGA sistema za obradu biomedicinskih signala
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
68
5.2 Realizacija kontrolera analogno-digitalne konverzije
Deset analognih kanala A/D konvertora je iskorišćeno za akviziciju pet EKGp(t) signala i pet
PPGp(t) signala, što je zahvaljujući paralelizmu FPGA tehnologije omogućilo istovremeno
praćenje vitalnih parametara za pet različitih pacijenata.
Za vršenje A/D konverzije analognih BM signala je korišćen 12-bitni, 11-kanalni TLC2543CN
A/D konvertor koji radi na principu sukcesivne aproksimacije. TLC2543CN posjeduje tri
kontrolna ulaza (ulaz za iniciranje početka konverzije, ulazno-izlazni takt, adresni ulaz) i jedan
serijski digitalni izlaz. Odabiranje signala sa svakog od 10 kanala se vrši frekvencijom od 800
odbiraka/s.
FPGA čip je upotrebljen za kontrolu procesa A/D konverzije i njegovi pinovi su povezani sa
kontrolnim ulazima i serijskim digitalnim izlazom A/D konvertora, Slika 5.1. Realizovan je FPGA
kontroler A/D konverzije (Slika 5.3) koji ima ulogu generisanja kontrolnih signala za A/D
konvertor i čitanja podataka sa serijskog izlaza A/D konvertora. Ulazni signali ovog kontrolera su
takt, reset i serijski ulaz. Izlazni signali su start konverzije, ulazno-izlazni takt, adresni signal, pet
12-bitnih odbiraka EKGp(t) signala, EKGp(n)[11..0], pet 12-bitnih odbiraka PPGp(t) signala,
PPGp(n)[11..0], pet 1-bitnih Novi_ekg_odbp signala i pet 1-bitnih Novi_ppg_odbp signala koji
signaliziraju da su izvršene nove A/D konverzije.
Takt
Reset
Serijski ulaz
Start konverzije
Ulazno-izlazni takt
Adresni signal
EKG1(n)[11..0]
PPG1(n)[11..0]
EKG2(n)[11..0]
PPG2(n)[11..0]
EKG3(n)[11..0]
PPG3(n)[11..0]
EKG4(n)[11..0]
PPG4(n)[11..0]
EKG5(n)[11..0]
PPG5(n)[11..0]
Novi_ekg_odb1
Novi_ekg_odb2
Novi_ekg_odb3
Novi_ekg_odb4
Novi_ekg_odb5
Novi_ppg_odb1
Novi_ppg_odb2
Novi_ppg_odb3
Novi_ppg_odb4
Novi_ppg_odb5
Kontroler A/D
konverzije
Slika 5.3 Blok dijagram sistema za kontrolu procesa analogno-digitalne konverzije
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
69
U jednom ulazno-izlaznom ciklusu A/D konvertora se vrši konverzija jednog analognog
kanala. Na Slici 5.4 su prikazani oblici i trajanje signala koje FPGA čip generiše na svojim
pinovima. Opadajuća ivica signala start konverzije inicira A/D konverziju jednog analognog
kanala. A/D konverzija svakog od deset analognih kanala se vrši 800 puta u sekundi, zbog čega je
frekvencija signala start konverzije postavljena na 8000 Hz. Odabiranje signala sa susjednih
kanala se vrši u vremenskom razmaku od 0.125 ms, dok se A/D konverzija signala sa jednog
kanala vrši svakih 1.25 ms. U toku jednog ulazno-izlaznog ciklusa se vrše dvije simultane radnje.
Prvo, FPGA čip na adresni ulaz A/D konvertora, preko adresnog signala, šalje podatke o adresi
analognog kanala na kojem treba sprovesti A/D konverziju, kao i kontrolne podatke koji se
odnose na format i dužinu rezultata konverzije. Druga radnja je slanje rezultata prethodne A/D
konverzije od strane A/D konvertora ka FPGA čipa, preko serijskog ulaza FPGA kontrolera. Prvih
osam rastućih ivica ulazno-izlaznog takta, A/D konvertor koristi za čitanje osam kontrolnih bita
koje mu FPGA čip šalje na njegov adresni ulaz, preko adresnog signala. Na opadajućoj ivici
starta konverzije, A/D konvertor preko serijskog digitalnog izlaza šalje prvi bit rezultata
prethodno izvršene A/D konverzije, a svaki naredni bit se šalje na opadajućoj ivici ulazno-
izlaznog takta. Prva rastuća ivica ulazno-izlaznog takta se generiše 1500 ns nakon opadajuće
ivice starta konverzije, jer je za minimiziranje grešaka usled šuma na ulazu A/D konvertora
potrebno da prije odgovora na kontrolne signale prođe minimalno vrijeme koje iznosi 1450 ns.
Perioda ulazno-izlaznog takta je 1000 ns. Kada je start konverzije u visokom naponskom stanju,
A/D konvertor isključuje svoj ulazno-izlazni takt i adresni ulaz, i zbog toga su u ovom periodu
ulazno-izlazni takt i adresni signal FPGA kontrolera na niskom naponskom nivou. Tada je
digitalni izlaz A/D konvertora u stanju visoke impedanse. Kontroler A/D konverzije vrši
paralelizaciju svog serijskog ulaza koji je povezan sa serijskim digitalnim izlazom A/D konvertora,
a nakon završetka paralelizacije, odbirci analognih BM signala postaju dostupni na
EKGp(n)[11..0] i PPGp(n)[11..0] izlazima. Istovremeno, odgovarajući izlazni signali, Novi_ekg_odbp
i Novi_ppg_odbp, se postavljaju na visoko naponsko stanje koje traje jedan ciklus sistemskog
takta FPGA čip-a. Uloga ovih signala je indikacija da su dostupni novi odbirci EKGp(t) i PPGp(t)
signala. FPGA kontroler vrši čitanje svog serijskog ulaza na rastućoj ivici ulazno-izlaznog takta
koji sam generiše. Nakon 12 rastućih ivica ulazno-izlaznog takta, FPGA kontroler završava sa
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
70
čitanjem odbirka koji je rezultat A/D konverzije koja je inicirana u prethodnom ulazno-izlaznom
ciklusu A/D konvertora.
13500 ns 111500 ns
1000 ns 500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns
500 ns 500 ns500 ns
500 ns 500 ns
stanje čekanja stanje čekanja2 3 4 5 6 7 8 9 10
bit 0 bit 1 bit 2 bit 3 bit 4 bit 5 bit 6 bit 7 bit 8 bit 9 bit 10 bit 11
bit 7 bit 6 bit 5 bit 4 bit 3 bit 2 bit 1 bit 0
500 ns
Ulazno-izlazni
takt
Start
konverzije
Adresni signal
Stanja mašine
stanja
Serijski ulaz
11 12 13 14 15 16 17 18 17 18 17 18 17 181
Slika 5.4 Trajanje signala na ulazu i izlazima FPGA kontrolera analogno-digitalne konverzije u
jednom ulazno-izlaznom ciklusu A/D konvertora
Za generisanje ulazno-izlaznog takta i adresnog signala za A/D konvertor, FPGA kontroler
koristi mašinu stanja koja ima 19 stanja od kojih svako traje 500 ns, izuzimajući početno.
Dijagram ove mašine stanja je dat na Slici 5.5, a trajanje pojedinačnih stanja je prikazano na Slici
5.4. Početno stanje čekanja traje 1000 ns i u toku njega su izlazni kontrolni signali FPGA A/D
kontrolera na niskom naponskom nivou. Stanje čekanja i stanje broj 1. prethode prvoj uzlaznoj
ivici ulazno-izlaznog takta. U svim stanjima nakon početnog stanja čekanja dolazi do
naizmjeničnog uspostavljanja niskog i visokog naponskog stanja ulazno-izlaznog takta. Nakon
stanja čekanja FPGA kontroler počinje sa slanjem podataka na adresni ulaz A/D konvertora. Za
to se koristi ukupno 16 stanja, pri čemu se jedan bit adresnog signala prenosi u toku dva
susjedna stanja (npr. stanja 1. i 2., 3. i 4., itd.).
Stanje
čekanja1 2 3 4 5 6 7 8 9
18 17 16 15 14 13 12 11 10
Uključenje
ili reset
Kraj ulazno-
izlaznog ciklusa
Slika 5.5 Mašina stanja korišćena za realizaciju kontrolera analogno-digitalne konverzije
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
71
5.3 Arhitektura ekstraktora parametara EKG i PPG signala
Arhitektura ekstraktora parametara je prikazana na Slici 5.6. Ovu arhitekturu čine sistem za
obradu EKG signala, sistem za obradu PPG signala i PTT kalkulator. Uloga ekstraktora
parametara je obrada BM signala i generisanje signala koji daju informacije o vitalnim
parametrima. Sistem za obradu EKG signala detektuje QRS kompleks, računa SP i RR interval, a
sistem za obradu PPG signala detektuje nagib i vrh PPG signala, i računa SP. PTT kalkulator
računa PTT intervale.
Sistem za obradu EKG signala generiše signale: Indikator QRS kompleksa, SP iz EKG-a, Novi SP
iz EKG-a koji je impuls koji signalizira da je izračunata nova vrijednost SP-a, RRI i Novi RRI-
impulsni signal koji signalizira da je izračunat novi RRI. Sistem za obradu PPG signala na svojim
izlazima daje: Indikator nagiba PPG-a, Indikator vrha PPG-a, SP iz PPG-a, i impuls Novi SP iz PPG-
a, koji daje informaciju da je dostupna nova vrijednost SP-a.
Ulazni signali PTT kalkulatora su Indikator QRS kompleksa i Indikator nagiba PPG-a. PTT
kalkulator vrši računanje PTTI i generiše signal Novi PTTI, impuls koji signalizira da je dostupan
novi PTT interval.
EKGp(n)[11..0]
PPGp(n)[11..0]
Novi_ekg_odbp
Novi_ppg_odbp
Sistem za
obradu
EKG signala
Sistem za
obradu
PPG signala
Indikator QRS kompleksa
SP iz EKG-a
Novi SP iz EKG-a
RRI
Novi RRI
Indikator nagiba PPG-a
Indikator vrha PPG-a
SP iz PPG-a
Novi SP iz PPG-a
PTTI
Novi PTTIPTT
kalkulatorEkstraktor
parametara
Slika 5.6 Blok dijagram ekstraktora parametara EKG i PPG signala
5.3.1 Arhitektura sistema za obradu EKG signala
Sistem za obradu EKG signala se zasniva na detekciji QRS kompleksa. Prvo se računa DWT za
EKG signal, a algoritam za QRS detekciju vrši pretragu Di(n), i=1..3, koeficijenata DWT u cilju
pronalaženja lokalnih minimuma, lokalnih maksimuma i PN-ova koji nastaju transformacijom
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
72
QRS kompleksa. Detekcija karakterističnih tačaka DWT se istovremeno sprovodi na tri nivoa
dekompozicije EKG signala, i njihova detekcija u redosledu: lokalni minimum, PN, lokalni
maksimum, znači da je detektovan QRS kompleks. Algoritam koristi adaptivne pragove za
detekciju, Ppi i Pni, i radi prema logici sa Slike 5.7.
0 500 1000 1500 2000 2500 3000 3500 4000 45000
500
1000
EK
G(n
)
odbirci(n)
0 500 1000 1500 2000
-100
0
100
KD
1(n
)
odbirci(n)
0 200 400 600 800 1000
-200
0
200
KD
2(n
)
odbirci(n)
0 100 200 300 400 500-500
0
500
KD
3(n
)
odbirci(n)
0 50 100 150 200 250
-500
0
500
KD
4(n
)
odbirci(n)
Di(n-2)[11…0] Di(n)[11…0]
Di(n-1)[11…0]-lokalni maks.
Ppi
Pni
Koeficijenti detalja
Di(n-1)[11…0]-lokalni min.
Di(n)[11…0]Di(n-2)[11…0]
PN
Slika 5.7 DWT za EKG signal sa pragovima za detekciju negativnog minimuma i pozitivnog
maksimuma
Algoritam za QRS detekciju je prikazan na Slici 5.8. Za detekciju QRS kompleksa je dovoljna
njegova detekcija na samo jednom od tri nivoa dekompozicije EKG signala. Vrši se provjera
svakog Di(n) koeficijenta, kako bi se utvrdilo da li on predstavlja lokalni minimum, PN ili lokalni
maksimum DWT. Za to se koriste adaptivni pragovi, zbog čega se algoritam može smatrati
adaptivnim. Nakon uzastopne detekcije lokalnog minimuma, PN-a i lokalnog maksimuma,
generiše se Impuls_i, i=1..3. Finalni indikator QRS detekcije nastaje primjenom ILI logičke
operacije na Impulsima_i, koji signaliziraju detekcije karakterističnih tačaka DWT na
pojedinačnim nivoima.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
73
Potraga za
lokalnim min.
Lokalni minimum
detektovan
Potraga za PN-
omPN je detektovan
Potraga za
lokalnim maks.
Lokalni maksimum
detektovan
Generisanje Impulsa_1
Da
Da
Da
Ne
Ne
Ne
Potraga za
lokalnim min.
Lokalni minimum
detektovan
Potraga za PN-
omPN je detektovan
Potraga za
lokalnim maks.
Lokalni maksimum
detektovan
Generisanje Impulsa_2
Da
Da
Da
Ne
Ne
Ne
Potraga za
lokalnim min.
Lokalni minimum
detektovan
Potraga za PN-
omPN je detektovan
Potraga za
lokalnim maks.
Lokalni maksimum
detektovan
Generisanje Impulsa_3
Da
Da
Da
Ne
Ne
Ne
Primjena ILI logičke funkcije
nad Impuls_i signalima i
generisanje indikatora QRS
kompleksa
Računanje D1(n)
DWT koeficijenta
Računanje D2(n)
DWT koeficijenta
Računanje D3(n)
DWT koeficijenta
Slika 5.8 Algoritam za detekciju QRS kompleksa implementiran na FPGA čipu
Blok dijagram sistema za obradu EKG signala je prikazan na Slici 5.9. Ovaj sistem vrši
detekciju QRS kompleksa i računa SP i RRI. Odbirci EKGp(n)[11..0] se dovode do kola za
računanje DWT, u formi DST, čiji su izlazi detalji Di(n)[11..0] i aproksimacije Ai(n)[11..0], i=1..3,
gdje je i redni broj nivoa dekompozicije. Koeficijenti detalja, dobijeni tokom 1 s (800 odbiraka
EKG signala), na svim nivoima, formiraju nizove D1[BK1...1][11...0], D2[BK2...1][11...0], i
D3[BK3...1][11...0], BKi=1s*fod/2i, BK1=400, BK2=200 i BK3=100, fod=800 Hz. Svaki od ovih nizova se
pretražuje od strane modula Lokal_min., Lokal_maks. i PN detektor za Di, kako bi se pronašle
karakteristične tačke u DWT, a to su: lokalni minimum, PN i lokalni maksimum. U slučaju
njihovog pojavljivanja u navedenom redosledu, generiše se Impuls_i. Uslov za uspješno
otkrivanje QRS kompleksa je pojava bar jednog od signala Impuls_1, Impuls_2 i Impuls_3 na
ulazima ILI kola. Nakon toga, Generator finalnog impulsa proizvodi signal Indikator QRS
kompleksa koji je jedan od izlaznih signala sistema za obradu EKG signala. Istovremeno, Kratki
impuls, koji signalizira rastuću ivicu Indikatora QRS kompleksa, se upućuje Kalkulatoru RRI-a i
SP-a, čiji su izlazni signali SP iz EKG-a (srčani puls) i RRI (RR interval).
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
74
Takt
Reset
DWT
A1(n)[11..0]
D1(n)[11..0]
A2(n)[11..0]
D2(n)[11..0]
A3(n)[11..0]
D3(n)[11..0]
Koef_spreman_1
Koef_spreman_2
Koef_spreman_3
Takt
Reset Lokal_min.,
Lokal_maks. i PN
detektor za D1
Lokal_min.,
Lokal_maks. i PN
detektor za D2
Lokal_min.,
Lokal_maks. i PN
detektor za D3
Takt
Takt
Reset
Reset
Impuls_1
Impuls_2
Impuls_3
Počni_mjerenje
Počni_mjerenje
Počni_mjerenje
ILI
Generator
finalnog
impulsa
Takt
Reset
Indikator QRS
kompleksa
Kratki impuls
Takt
Reset Novi SP iz EKG-a
Kalkulator
RRI-a i SP-a
Novi RRI
RRI
SP iz EKG-a
Zbirni_impuls
Sistem za obradu
EKG signala
EKGp(n)[11..0]
Novi_ekg_odbp
Slika 5.9 Arhitektura FPGA sistema za obradu EKG signala
5.3.1.1 Hardverska realizacija DWT
Hardverska struktura za računanje DWT je implementirana prema Malatovoj šemi za
dekompoziciju signala, koristeći DST, prema formulama 3.11 i 3.12. Prvo je realizovana osnovna
jedinica za DWT, kolo za računanje jednog nivoa dekompozicije, Slika 5.10. Ulazi osnovne
jedinice za DWT su Odbirak(n)[11..0], i signal za omogućenje čitanja, Novi_odbirak. Ova jedinica
za obradu signala vrši operacije filtriranja i pododabiranja signala sa ulaza. Izlazni signali kola su
koeficijent aproksimacije, A(n)[11..0], koeficijent detalja D(n)[11..0], i Koef_spreman, signal koji
označava da je novi par koeficijenata izračunat i dostupan na izlazima kola.
REGOdbirak(n)[11..0]
+
-
Novi_odbirak
Omogućenje
čitanja odbirka
>> 1 REGA
REGD
A(n)[11..0]
D(n)[11..0]
Muks
Muks
Koef_spreman
D flip
flop
D
flip-flop
Ulaz
Izlaz
Selekcioni
ulaz
Selekcioni
ulaz
Osnovna
jedinica
za DWT
Takt
Reset
Slika 5.10 Arhitektura osnovne hardverske jedinice za računanje DWT
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
75
Hardver osnovne jedinice za DWT se u osnovi sastoji od registra za pamćenje odbiraka, REG,
registara za sinhronizaciju izlaznih signala, REGA i REGD, kola za sabiranje/oduzimanje,
multipleksera, i D flip-flopa. Prilikom rada, ovo kolo se može naći u dva različita radna stanja. U
toku oba radnja stanja se vrši pamćenje vrijednosti najnovijeg signala Odbirak(n)[11..0] u
registru REG, i računanje koeficijenata aproksimacija i detalja. Međutim, samo u drugom
radnom stanju, dobijeni rezultati se kroz multipleksere i registre REGA i REGD propuštaju na
izlaze A(n)[11..0] i D(n)[11..0]. Na ovaj način je implementirana operacija pododabiranja signala.
Za kontolu radnih stanja je iskorišćen D flip-flop sa invertovanim ulazom. Prilikom računanja
aproksimacija, umjesto operacije dijeljenja sa 2, iskorišćena je operacija pomjeranja bita za
jedno mjesto u desno, operacija ’’>> 1’’. Čitanje odbirka sa ulaza kola, Odbirak(n)[11..0], se vrši
na jednoj rastućoj ivici sistemskog takta, koliko treba da traje signal Novi_odbirak. Impulsni
signal Koef_spreman, takođe traje jedan ciklus sistemskog takta.
Računanje više nivoa DWT se sprovodi kaskadnim povezivanjem osnovnih jedinica za
računanje DWT, pri čemu se A1(n)[11..0] izlaz prve jedinice povezuje sa ulaznim portom
Odbirak2(n)[11..0] druge jedinice u kaskadnoj vezi, Slika 5.11. Tada se signal Koef_spreman_1 sa
izlaza prve jedinice dovodi ulaza Novi_odbirak_2 druge jedinice. Isti princip važi za sve nivoe
dekompozicije.
Takt
Reset
Odbirak1(n)[11..0]
Novi_odbirak_1
Osnovna
jedinica
za DWT
A1(n)[11..0]
D1(n)[11..0]
Koef_spreman_1
Takt
Reset
Odbirak2(n)[11..0]
Novi_odbirak_2
Osnovna
jedinica
za DWT
A2(n)[11..0]
D2(n)[11..0]
Koef_spreman_2
Takt
Reset
Odbirak3(n)[11..0]
Novi_odbirak_3
Osnovna
jedinica
za DWT
A3(n)[11..0]
D3(n)[11..0]
Koef_spreman_3
Kaskadna veza
osnovnih jedinica za DWT
i računanje tri nivoa dekompozicije
EKGp(n)[11..0]
Novi_ekg_odbp
Takt
Reset
Slika 5.11 Kaskadno povezivanje jedinica za računanje DWT i računanje tri nivoa DWT
Posmatrajući simulacioni dijagram rada kaskadne veze osnovnih DWT jedinica, Slika 5.12,
može se uočiti da se vremenska rezolucija signala duplo smanjuje sa povećanjem nivoa
dekompozicije. Očigledno je da se na svakom nivou transformacije prvi koeficijenti javljaju u
različitim vremenskim trenucima u odnosu na ostale nivoe. Ovo kašnjenje se javlja kao posledica
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
76
pododabiranja signala i prolaza signala kroz registre. Kašnjenje koeficijenata, u odnosu na prvi
nivo dekompozicije, se povećava na svakom narednom nivou dekompozicije. Vrijeme kašnjenja
prvenstveno zavisi od brzine rada prve jedinice u kaskadnoj vezi, tj. od brzine kojom ova jedinica
čita ulazne odbirke, Odbirak1(n)[11..0]. Svaka jedinica iz kaskadne veze čita odbirke sa svog
ulaza duplo manjom brzinom od prethodne jedinice. Npr., ako na ulaz Odbirak1(n)[11..0] prvog
kola u kaskadnoj vezi dolazi 800 odbiraka u sekundi, prvi koeficijenti na A1(n)[11..0] i D1(n)[11..0]
izlazima ovog kola će se javiti za oko 1.3 ms od čitanja prvog odbirka Odbirak1(n)[11..0]. Drugo
kolo u kaskadnoj vezi će dati prve vrijednosti A2(n)[11..0] i D2(n)[11..0], za oko 2.63 ms nakon
pojave prvih koeficijenta na izlazima A1(n)[11..0] i D1(n)[11..0]. Kašnjenje na trećem nivou
dekompozicije, u odnosu na prvi, bi iznosilo oko 7.88 ms i povećavalo bi se za naredne nivoe.
Ovaj vremenski pomjeraj se mora uzeti u obzir prilikom obrade signala dobijenih
multirezolucionom analizom u realnom vremenu.
Slika 5.12 Simulacioni dijagram rada kaskadne veze za računanje tri nivoa DWT
5.3.1.2 Arhitektura detektora lokalnog minimuma, lokalnog maksimuma i
prolaza kroz nulu
Na Slici 5.13 je prikazana arhitektura kola koje pronalazi lokalni minimum, PN i lokalni
maksimum DWT, tj. koje vrši prepoznavanje QRS kompleksa. Kolo se sastoji od pet modula, a to
su: Lokal_min. detektor, PN detektor, Lokal_maks. detektor, Mašina stanja za prepoznavanje
QRS kompleksa i Generator impulsa.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
77
Takt
ResetLokal_min.
detektorDi(n)[11..0]
Koef_spreman_i
Min_detektovan
Takt
Reset
PN detektorDi(n)[11..0]
Koef_spreman_i
PN_detektovan
Takt
ResetLokal_maks.
detektorDi(n)[11..0]
Koef_spreman_i
Maks_detektovan
Takt
Reset QRS_detektovanMašina stanja
za
prepoznavanje
QRS kompleksa
Impuls_i
Počni_mjerenje
Takt
Reset Generator
impulsa
5 s
Lokal_min., Lokal_maks. i PN detektor za Di
Slika 5.13 Arhitektura kola za detekciju lokalnog minimuma, lokalnog maksimuma i prolaza kroz
nulu, i prepoznavanje QRS kompleksa
Hardverska arhitektura kola Lokal_min. detektor i Lokal_maks. detektor, Slika 5.14, je skoro
sasvim ista i prati logiku sa Slike 5.7. Njihova razlika se ogleda u upotrebi operatora ’’<’’ i ’’>’’,
procedurama za računanje adaptivnih pragova za detekciju Ppi i Pni i pravilima za odlučivanje u
detekciji lokalnog minimuma i maksimuma. Za različite nivoe dekompozicije, ovo kolo se
razlikuje samo po broju koeficijenata BKi.
Kolo sa Slike 5.14 u toku cijelog rada sistema sprovodi prilagođenje adaptivnog pozitivnog Ppi
praga i negativnog Pni praga, koji se računaju kao:
,
(5.1)
gdje predstavljaju srednju vrijednost četiri uzastopna maksimalna/minimalna Di(n)
koeficijenta prikupljena u toku 4 sekunde, prethodno zapamćena u registrima REG1, REG2,
REG3 i REG4,
∑ ( [ ][ ][ ] ) (5.2)
∑ ( [ ][ ][ ] ) (5.3)
gdje su [ ][ ][ ] zapamćeni maksimalni/minimalni koeficijenti detalja iz k-te
sekunde, k=1..4.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
78
U registrima REG1, REG2, REG3 i REG4 se pamte koeficijenti detalja za koje je utvrđeno da su
najveći po vrijednosti (kod Lokal_maks. detektora), odnosno najmanji po vrijednosti (kod
Lokal_min. detektora) unutar nizova koeficijenata dužine BKi. Ovo znači da se u svakom od
registara REG1, REG2, REG3 i REG4 pamte koeficijenti koji su pronađeni u toku intervala koji
traje 1 s. Adaptivni pragovi se računaju na osnovu maksimalnih/minimalnih koeficijenata koji su
se pojavili u poslednje četiri sekunde rada sistema. Svake sekunde dolazi do pomjeranja sadržaja
registara REG1, REG2, REG3 i REG4, s tim što se u REG1 upisuje najnovija vrijednost. Tada dolazi
do prebrisavanja vrijednosti koja je upisana u registar REG4. Sadržaji ovih registara se dovode
do kola za računanje adaptivnih pragova Ppi i Pni.
REG1 REG2 REG3 REG4Min. ili
maks. u
1 s
Računanje adaptivnih
pragova Pni ili Ppi
REG5 REG6 REG7
0
0
10
1
Komparator
za operaciju
< ili >
Odlučivanje o lokalnom
min/maksuMin_detektovan
ili
Maks_detektovanDi(n)[11..0]
BKi =
BrojačOmogućenje
čitanja
(Pni ili Ppi)
Lokal_min. i Lokal_maks.
detektori
Slika 5.14 Arhitektura kola za detekciju lokalnog minimuma/lokalnog maksimuma
Tri uzastopna koeficijenta detalja Di(n)[11..0], Di(n-1)[11..0], Di(n-2)[11..0], koja su se pojavila na
ulazu kola, se pamte u registrima REG5, REG6 i REG7. Vrijednost najnovijeg koeficijenta
transformacije je sačuvana u REG5, dok su REG6 i REG7 registri za koeficijente koji mu prethode.
Kolo za odlučivanje o lokalnom maksimumu/minimumu donosi odluku na osnovu sadržaja
REG5, REG6 i REG7 i adaptivnih pragova, prateći logiku sa Slike 5.7, prema pravilima:
( ) ( ) ( ) (5.4)
( ) ( ) ( ) (5.5)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
79
Navedena pravila odlučivanja znače da je lokalni maksimum onaj koeficijent koji je veći od
izračunatog pozitivnog praga Ppi, i od koeficijenta koji mu prethodi, i od koeficijenta koji je
dobijen nakon njega. Za detekciju lokalnog minimuma je potrebno pronaći koeficijent koji je
manji od negativnog praga, i koeficijenta koji mu prethodi i koeficijenta koji se javlja posle njega.
Ukoliko su uslovi za detekciju ispunjeni, kola za odlučivanje u Lokal_min. i Lokal_maks.
detektorima generišu impulse na svojim izlazima Maks_detektovan i Min_detektovan.
Na Slici 5.15 je prikazan blok dijagram kola za detekciju PN-a. Ovo jednostavno kolo je na isti
način implementirano za sve nivoe dekompozicije. Ono ispituje da li se na njegovom ulazu,
nakon negativnog koeficijenta pojavio koeficijent pozitivne vrijednosti, tj. ispituju se uslovi
Di(n)[11..0]>0 i Di(n-1)[11..0]<0. To se vrši provjerom bitova znaka poslednjeg i pretposlednjeg
koeficijenta sa ulaza kola. Kolo pamti bit znaka pretposlednjeg odbirka sa ulaza. Taj bit znaka se
dovodi na ulaz komparatora koji vrši poređenje sa ’1’, a bit znaka odbirka koji je trenutno na
ulazu se poredi sa ’0’ na zasebnom komparatoru. Izlazi komparatora se dovode na ulaze
logičkog I kola. I kolo, visokim naponskim stanjem na svom izlazu PN_detektovan, daje signal da
je detektovan PN.
==
'1''0'Bit znaka iz
Di(n)[11..0]
I koloPN_detektovan
Bit znaka iz
Di(n-1)[11..0]
Slika 5.15 Kolo za pronalaženje prolaza kroz nulu
Odlučivanje u procesu detekcije QRS kompleksa vrši Mašina stanja za prepoznavanje QRS
kompleksa čiji su kombinacioni ulazi povezani sa signalima Min_detektovan, Maks_detektovan i
PN_detektovan, Slika 5.13. Realizovana mašina stanja ima četiri stanja (Slika 5.16), a početno
stanje u kojem se mašina stanja nalazi, nakon uključenja čipa ili nakon resetovanja, je stanje
početne adaptacije QRS detektora. Početno stanje traje 5 s i predstavlja period predviđen za
početno prilagođenje adaptivnih pragova za detekciju, kada se pune registri REG1, REG2, REG3 i
REG4. U toku procesa početne adaptacije se ne vrši potraga za QRS kompleksom i izlazni signali
mašine stanja, QRS_detektovan i Počni_mjerenje su na niskom naponskom nivou. Nakon
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
80
završetka stanja početne adaptacije, signal Počni_mjerenje dobija visok naponski nivo i on
signalizira da mjerenja parametara EKG signala mogu da počnu. Nakon isteka stanja adaptacije,
mašina stanja se u njega ne vraća, osim u slučaju resetovanja cjelokupnog FPGA sistema.
Adaptacija pragova za detekciju se vrši i u narednim stanjima, kontinualno, nakon svake
sekunde rada sistema. Iz stanja početne adaptacije detektora, mašina prelazi u stanje u kojem
se očekuje pojava lokalnog minimuma Di(n) koeficijenata, stanje-Traženje lokalnog minimuma.
Kada se na ulazu mašine stanja koji je povezan sa signalom Min_detektovan pojavi visok
naponski nivo, mašina prelazi u stanje potrage za PN-om, stanje-Traženje PN-a, a nakon što se
desi PN, mašina prelazi u stanje potrage za lokalnim maksimumom Di(n) koeficijenata, stanje-
Traženje lokalnog maksimuma. Detekcija QRS kompleksa je uspješna ukoliko su lokalni
minimum, PN i lokalni maksimum detektovani uzastopno. Funkcija mašine stanja je da utvrdi da
li je detekcija ovih tačaka izvršena u navedenom redosledu. U slučaju detekcije QRS kompleksa,
mašina stanja na svom sinhronom izlazu QRS_detektovan generiše impuls koji traje jedan ciklus
sistemskog takta.
Proces
početne
adaptacije
Traženje
lokalnog
minimuma
Traženje
PN-a
Traženje
lokalnog
maksimuma
Uključenje
ili reset
Lokalni minimum detektovan
PN d
etek
tova
n
Lokalni
maksimum
detektovan
QRS_detektovan='1'
QRS_detektovan='0'
QRS_detektovan='0'
QRS_detektovan='0'
QRS_detektovan='0'
QRS_detektovan='0'
QRS_d
etek
tova
n='0'
Slika 5.16 Mašina stanja za detekciju QRS kompleksa
Signal QRS_detektovan se sa izlaza mašine stanja dovodi do Generatora impulsa koji generiše
Impuls_i koji traje 30 ms, Slika 5.13. Impuls_i je izlazni signal Lokal_min., Lokal_maks. i PN
detektora. Zbirni rezultat QRS detekcije sa tri nivoa dekompozicije se dobija nakon propuštanja
signala Impuls_1, Impuls_2 i Impuls_3 sa tri Lokal_min., Lokal_maks. i PN detektora kroz ILI
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
81
logičko kolo, Slika 5.9. Na izlazu ILI kola se dobija Zbirni_impuls čije trajanje zavisi od broja nivoa
na kojim je uspjela detekcija QRS kompleksa. Trajanje pojedinačnih impulsa od 30 ms je
odabrano da bi propuštanje tri Impuls_i signala kroz ILI kolo, uprkos vremenskom razmaku
između njihovog početka, prouzrokovanog vremenskim kašnjenjem pojave karakterističnih
tačaka na različitim nivoima dekompozicije i algoritmom za detekciju, dovelo do generisanja
jednog impulsa koji traje duže od 30 ms.
Zbirni_impuls se sa izlaza ILI kola dovodi do Generatora finalnog impulsa koji vrši detekciju
rastuće ivice Zbirnog_impulsa i generiše signalizacioni impuls Indikator QRS kompleksa koji traje
20 ms, Slika 5.9. Ovo kolo je dizajnirano tako da se Indikator QRS kompleksa generiše samo ako
je od prethodnog Zbirnog_impulsa koji dolazi na ulaz kola proteklo više od 200 ms, koliko traje
fiziološki minimum za pojavu uzastopnih QRS kompleksa. Ovo kolo, na rastućoj ivici
Zbirnog_impulsa, generiše i Kratki_impuls koji traje jedan ciklus sistemskog takta. Kratki_impuls
se dovodi do ulaza Kalkulatora RRI-a i SP-a.
5.3.1.3 Sistem za računanje RR intervala i srčanog pulsa
Kalkulator RRI-a i SP-a sadrži četiri brojača (B1, B2, B3, B4), dva leč registra i jedan množač,
Slika 5.17. Ovo kolo počinje sa radom nakon izlaska kola za detekciju QRS kompleksa iz stanja
adaptacije, kada je signal Počni_mjerenje u visokom naponskom stanju. Kolo na svom izlazu RRI
daje binarni ekvivalent RR intervala EKG signala, a na izlazu SP iz EKG-a daje vrijednost srčanog
pulsa. Nakon računanja RRI-a i SP-a iz EKG-a, kolo na svojim izlazima Novi RRI i Novi SP iz EKG-a
generiše impulse koji traju jedan ciklus sistemskog takta i signaliziraju da su izvršena nova
mjerenja. Digitalni brojači B1 i B2 se koriste za računanje RRI, a B3 i B4 se koriste za mjerenje SP-
a.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
82
Kalkulator RRI-a i SP-a
B1 B2
B3 B4
prek. takt
Le
č
reg
ista
r
Le
č
reg
ista
r
1 ms
10 s
takt
čitanje
čitanje
Kratki impuls
Takt
QRS-ovi
RRI
Novi RRI
x6SP iz EKG-a
Novi SP iz EKG-a
Počni mjerenje
prek.
Nms
Nim
Slika 5.17 Blok dijagram kola za računanje RR intervala i srčanog pulsa
Perioda brojanja brojača B1 je TB1=NB1/ftakt=1 ms i ona za frekvenciju sistemskog takta ftakt=50
MHz obuhvata NB1=50000 ciklusa takta. Nakon svakog prekoračenja (prek.) vrijednosti NB1, B1
počinje da broji od nule. Brojač B2 se taktuje svake milisekunde, pomoću prekoračenja B1.
Trenutna vrijednost na izlazu brojača B2 je Nms i ona predstavlja broj proteklih milisekundi. Kada
se na ulazu kola pojavi Kratki impuls, leč registar memoriše vrijednost Nms, a nakon toga se B1 i
B2 resetuju. Nms predstavlja broj proteklih milisekundi između detekcije dva uzastopna QRS
kompleksa, tj. RR interval, RRI=Nms [ms].
Za računanje SP-a su iskorišćeni B3 i B4. Brojač B3 ima periodu brojanja TB3=NB3/ftakt=10 s,
gdje je, za ftakt=50 MHz, broj ciklusa takta u periodi brojača NB3=5x108. Brojač B4 je taktovan
Kratkim impulsom i na svom izlazu daje trenutni broj Kratkih impulsa, Nim, koji su se pojavili na
ulazu kola i koji signaliziraju da je detektovan QRS kompleks. Srčani puls se procjenjuje
množenjem broja impulsa Nim u toku intervala koji traje 10 sekundi sa brojem 6. Nim se
memoriše u izlaznom registru u trenutku prekoračenja brojača B3. Digitalna reprezentacija
srčanog pulsa, SP=Nimx6, se prosljeđuje na izlaz SP iz EKG-a. Tada se brojači B3 i B4 resetuju.
Prva vrijednost SP-a postaje dostupna 15 sekundi nakon uključenja digitalnog sistema, što je
zapravo interval u kojem se vrši proces adaptacije QRS detektora i računanje prve vrijednosti SP-
a. Osvježavanje vrijednosti SP na izlazu kola se vrši posle svakih 10 sekundi rada sistema.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
83
5.3.2 Arhitektura sistema za obradu PPG signala
Za obradu PPG signala se koriste algoritmi koji su zasnovani na DWT i operaciji diferenciranja.
Detekcija vrha PPG signala se vrši na način koji je primjenjen u detekciji QRS kompleksa EKG
signala. Nagibi PPG signala se detektuju pomoću algoritamskih koraka prikazanih na Slici 5.18.
Na koeficijentima aproksimacija, A1(n), A2(n) i A3(n), dobijenim wavelet transformacijom PPG
signala, se vrše operacije diferenciranja. Signali dobijeni diferenciranjem imaju lokalne
maksimalne vrijednosti u tačkama koje odgovaraju najvećim nagibima PPG-a. Nakon detekcije
lokalnih maksimuma prvih izvoda, u algoritamskom koraku zaduženom za odlučivanje se
generiše signal za indikaciju uspješne detekcije najvećeg nagiba PPG signala. Detekcija se vrši
paralelno na tri nivoa aproksimacija, kako bi se omogućila pouzdana detekcija tačke najvećeg
nagiba PPG-a.
Računanje A1(n)
DWT
koeficijenata
Računanje A2(n)
DWT
koeficijenata
Računanje A3(n)
DWT
koeficijenata
Diferenciranje Diferenciranje Diferenciranje
Detekcija
maksimuma
prvog izvoda
Detekcija
maksimuma
prvog izvoda
Detekcija
maksimuma
prvog izvoda
Odlučivanje u
detekciji i
indikacija
detekcije nagiba
PPG-signala
Slika 5.18 Algoritam za detekciju najvećeg nagiba PPG signala koji je implementiran na FPGA
čipu
Obradu PPG signala vrši kolo koje je projektovano za detekciju vrha i maksimalnog nagiba
PPG signala, i ekstrakciju SP-a iz PPG signala, Slika 5.19. Izlazi kola su: impulsi Indikator nagiba
PPG-a i Indikator vrha PPG-a koji signaliziraju izvršene detekcije, SP iz PPG-a, binarni ekvivalent
SP-a, i Novi SP iz PPG-a, impuls koji daje informaciju da je izvršena nova procjena SP-a. Kolo
sadrži više modula, a njihova funkcija je opisana u nastavku teksta.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
84
Odbirci PPG signala, PPGp(n)[11..0], dolaze do kola za računanje DWT, primjenjujući DST, koje
vrši dekompoziciju PPG signala do petog nivoa. Koeficijenti aproksimacija A1(n)[11..0],
A2(n)[11..0] i A3(n)[11..0] su iskorišćeni za detekciju tačke maksimalnog nagiba PPG signala.
Koeficijenti aproksimacija su iskorišćeni jer su oni izlazni odbirci nisko-propusnih filtera, što
doprinosi uklanjanju šumova iz ulaznih odbiraka PPGp(n)[11..0] i uspješnijoj detekciji tačke
najvećeg nagiba. A1(n)[11..0], A2(n)[11..0] i A3(n)[11..0] se dovode do ulaza diferencijatora.
Signali na izlazu diferencijatora, Dif1(n)[11..0], Dif2(n)[11..0] i Dif3(n)[11..0] imaju lokalne
maksimalne vrijednosti u tačkama koje odgovaraju maksimalnim nagibima PPG signala, kao na
Slici 2.9. Diferencijatori su realizovani implementirajući jednačinu Difi(nT)[11..0]=Ai(nT)[11..0]-
Ai(nT-2T)[11..0], gdje je Difi(nt)[11..0] odbirak na izlazu diferencijatora, Ai(nT)[11..0] trenutni
odbirak na ulazu diferencijatora, a T perioda odabiranja PPG signala.
Takt
Reset
Takt
Reset
Takt
Reset
Diferencijator
za A1
Diferencijator
za A2
Diferencijator
za A3
Dif1(n)[11..0]
Dif2(n)[11..0]
Dif3(n)[11..0]
Novi_dif
Novi_dif
Novi_dif
Maks.
detektor 1
Maks_detektovan_3
Maks.
detektor 2
Maks.
detektor 3
Takt
Takt
Takt
Reset
Reset
Reset
Mašina
stanja za
detekciju
nagiba
Takt
Reset
Maks_detektovan_2
Maks_detektovan_1
Indikator
nagiba PPG-a
Takt
Reset
DWTA3(n)[11..0]
D3(n)[11..0]
A4(n)[11..0]
D4(n)[11..0]
A5(n)[11..0]
D5(n)[11..0]
Koef_spreman_3
Koef_spreman_4
Koef_spreman_5
Takt
Reset Lokal_min.,
Lokal_maks. i PN
detektor za D3
Lokal_min.,
Lokal_maks. i PN
detektor za D4
Lokal_min.,
Lokal_maks. i PN
detektor za D6
Takt
Takt
Reset
Reset
Impuls_3
Impuls_4
Impuls_5
Počni_mjerenje
Počni_mjerenje
Počni_mjerenje
ILI
Generator
finalnog
impulsa
Takt
Reset
Indikator vrha
PPG-a
Kratki impuls
Takt
Reset
Novi SP iz PPG-aKalkulator
SP-a
SP iz PPG-a
Zbirni_impuls
PPGp(n)[11..0]
Novi_ppg_odbp
A1(n)[11..0]
D1(n)[11..0]
A2(n)[11..0]
Koef_spreman_1
D2(n)[11..0]
Koef_spreman_2
Sistem za obradu PPG
signala
Slika 5.19 Arhitektura FPGA sistema za obradu PPG signala
Odbirci Dif1(n)[11..0], Dif2(n)[11..0] i Dif3(n)[11..0] se dovode do ulaza kola za detekciju
tačaka u kojim prvi izvod ima lokalnu maksimalnu vrijednost, Maks. detektor 1, Maks. detektor 2
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
85
i Maks. detektor 3. Ova tri kola vrše detekciju i memorisanje Difi(n)[11..0] odbiraka sa svog ulaza
za koje je utvrđeno da su maksimalni u toku 1 s, unutar analiziranih nizova Dif1[BK1..1][11..0],
Dif2[BK2..1][11..0], i Dif3[BK3..1][11..0], BK1=400, BK2=200, BK3=100. Pi (i=1..3) je adaptivni prag
za detekciju lokalnih maksimalnih vrijednosti signala dobijenih diferenciranjem, koji se računa
kao:
(5.6)
gdje je AVi (i=1..3) srednja vrijednost dva Difi(n)[11..0] odbirka za koje je utvrđeno da su najveći
po vrijednosti unutar dva uzastopna Difi[BKi...1][11...0] niza,
∑ ( [ ][ ][ ])
(5.7)
AVi se računa za maksimalne Difi(n)[11..0] odbirke koji su memorisani u toku zadnje dvije
sekunde rada sistema. Svake sekunde se memoriše jedan novi Difi(n)[11..0] odbirak i osvježava
se vrijednost adaptivnog praga Pi .
Za detekciju tačke u kojoj prvi izvod PPG signala ima najveću vrijednost, kola Maks. detektor
1, Maks. detektor 2 i Maks. detektor 3 koriste pravilo odlučivanja:
(( ( )[ ] ( )[ ]) ( ( )[ ]
) ( ( )[ ] ( )[ ]))
( )[ ]
(5.8)
Navedeno pravilo odlučivanja znači da je lokalni maksimum prvog izvoda onaj odbirak koji je po
vrijednosti veći od izračunatog adaptivnog praga Pi, od prethodnog i narednog odbiraka. Maks.
detektor 1, Maks. detektor 2 i Maks. detektor 3 imaju jedinice za odlučivanje koje memorišu tri
uzastopna odbirka, Difi(n-2)[11..0], Difi(n-1)[11..0], Difi(n)[11..0], sa izlaza diferencijatora. U
trenutku detekcije maksimuma prvog izvoda, signali Maks_detektovan_1, Maks_detektovan_2 i
Maks_detektovan_3 dobijaju visok naponski nivo. Ovi impulsni signali se dovode do
kombinacionih ulaza mašine stanja za odlučivanje u detekciji nagiba PPG signala. Mašina stanja
za detekciju nagiba, nakon detekcije impulsa na bar jednom od svoja tri kombinaciona ulaza,
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
86
generiše impulsni signal Indikator nagiba PPG-a koji signalizira da je detektovana tačka
maksimalnog nagiba PPG signala.
Dijagram mašine stanja za detekciju najvećeg nagiba PPG-a je prikazan na Slici 5.20. Rad ove
mašine stanja počinje stanjem početne adaptacije koje traje pet sekundi, koliko traje i proces
adaptacije QRS detektora i u njemu se ne vrši provjera naponskih nivoa na ulazima mašine
stanja. U tom periodu se vrši početno prilagođenje adaptivnih pragova Pi. Nakon isteka
početnog stanja, mašina prelazi u stanje detekcije impulsa u kojem se vrši provjera naponskih
nivoa na ulazima mašine. Ako se na bar jednom od ulaza mašine stanja detektuje visoko
naponsko stanje, onda mašina prelazi u stanje stanje generisanja impulsa. Indikator nagiba PPG-
a se generiše na sinhronom izlazu mašine stanja i traje 20 ms, koliko traje i stanje generisanja
impulsa. Nakon isteka stanja generisanja impulsa, mašina stanja prelazi u stanje čekanja koje
traje 180 ms. Stanje generisanja impulsa i stanje čekanja ukupno traju 200 ms, a to je vrijeme u
kojem se ne očekuje detekcija nove tačke nagiba PPG-a, jer je 200 ms fiziološki minimum za dva
uzastopna otkucaja srca. Nakon isteka stanja čekanja, mašina stanja se vraća u stanje u kojem
se vrši provjera naponskih stanja na ulazima mašine, stanje-detekcija impulsa. Povratak u
početno stanje je moguć u slučaju resetovanja mašine stanja, što se može desiti samo u slučaju
resetovanja čitavog digitalnog sistema.
Početna
adaptacija
Generisanje
impulsa
Stanje
čekanja
Detekcija
impulsa
Uključenje
ili reset
Maks_detektovan_1='1' ili
Maks_detektovan_2='1'
ili Maks_detektovan_3='1'
Indikator nagiba PPG-a='0'
Indikator nagiba PPG-a='0'
Indikator nagiba PPG-a='0'
Indikator nagiba PPG-a='1'
Slika 5.20 Mašina stanja za detekciju najvećeg nagiba PPG signala
Detekcija tačke na vrhu PPG signala se vrši na principu rada detektora QRS kompleksa EKG
signala, opisanom u poglavlju 5.3.1. Hardverska realizacija detektora vrha PPG signala ima samo
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
87
nekoliko implementacionih razlika. Prva razlika u odnosu na QRS detektor se ogleda u tome što
su u proces detekcije uključeni koeficijenti D3(n)[11..0], D4(n)[11..0] i D5(n)[11..0], dobijeni
dekompozicijom PPG signala. S obzirom na to, Lokal_maks. detektori i Lokal_min. detektori
pretražuju nizove koeficijenata od BK3=100 koeficijenata za treći nivo, BK4=50 koeficijenta za
četvrtu nivo i BK5=25 koeficijenata za peti nivo. Adaptivni pragovi za detekciju, Ppi i Pni se
računaju kao:
,
(5.9)
gdje su i srednje vrijednosti dva uzastopna maksimalna/minimalna odbirka iz nizova
sastavljenih od BK3, BK4 i BK5 koeficijenata detalja. I u ovom slučaju se, nakon detekcije lokalnog
minimuma, lokalnog maksimuma i PN-a, generišu signali Impuls_i, a nakon toga se na izlazu ILI
kola generiše Zbirni_impuls. Pojedinačno trajanje signala Impuls_3, Impuls_4 i Impuls_5 je 150
ms, a takvo trajanje je odabrano zbog vremenskog pomjeraja trenutaka detekcije
karakterističnih tačaka DWT u nizovima koeficijenata D3(n)[11..0], D4(n)[11..0] i D5(n)[11..0].
Zbirni impuls se dovodi do Generatora finalnog impulsa, koji prvo vrši detekciju njegove rastuće
ivice. Na rastućoj ivici Zbirnog impulsa se generiše finalni signalizacioni impuls Indikator vrha
PPG-a koji traje 20 ms. U intervalu od 200 ms, Generator finalnog impulsa može da generiše
samo jedan Indikator vrha PPG-a. Kratki impuls se dovodi do Kalkulatora SP-a, koji generiše
binarni ekvivalent SP-a, SP iz PPG-a. Kalkulator SP-a broji Kratke impulse sa svog ulaza u toku
deset sekundi, a zatim izračunava SP iz PPG-a, kao SP=Nimx6.
5.3.3 Sistem za računanje PTT intervala
Ulazni signali PTT kalkulatora su Indikator QRS kompleksa koji generiše detektor QRS talasa
EKG signala i Indikator nagiba PPG-a sa izlaza sistema za obradu PPG signala, Slika 5.21. PTT
kalkulator izračunava PTT intervale i prosljeđuje ih na svoj izlazni port PTTI. Trajanje PTT
intervala se izražava u milisekundama.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
88
PTT Kalkulator
B5 B6prek. takt
Le
č
reg
ista
r
1 ms
čitanje
Indikator QRS kompleksa
Takt PTTI
Novi PTTI
Nms
Indikator nagiba PPG-aKontrolna logika za
uključenje i isključenje
Signal za
uključenje
Signal za
uključenje
Slika 5.21 Blok dijagram sistema za računanje PTT intervala
PTT kalkulator vrši detekciju rastućih ivica Indikatora QRS kompleksa i Indikatora nagiba PPG-
a. Kolo je dizajnirano tako da računanje PTTI počinje u trenutku pojave Indikatora QRS
kompleksa. Kada se na ulazu za Indikator QRS kompleksa pojavi visoko naponsko stanje dolazi
do uključenja brojača B5 i B6 koji služe za računanje PTTI intervala. Prekoračenje brojača B5, koji
broji periode sistemskog takta frekvencije ftakt=50 MHz, se dešava nakon TB5=NB5/ftakt=1 ms, gdje
je NB5=50000 broj ciklusa takta. Izlazna vrijednost brojača B6, Nms, se povećava u trenutku
prekoračenja brojača B5. Nms je zapravo broj proteklih milisekundi od pojave Indikatora QRS
kompleksa. Brojači B5 i B6 rade sve do pojave Indikatora nagiba PPG-a. Tada se na izlaz PTT
kalkulatora, PTTI, prosljeđuje vrijednost PTTI=Nms [ms], tj. trenutna vrijednost Nms koju je
dostigao brojač B6, koja ujedno predstavlja PTT interval. Na izlazu Novi PTTI se generiše impuls
koji daje indikaciju da je izračunat novi PTT interval. Impuls Novi PTTI traje jedan ciklus
sistemskog takta. Brojači B5 i B6 se ponovo uključuju kada se pojavi novi Indikator QRS
kompleksa.
5.4 Sistem za biranje pacijenata i multipleksiranje parametara
Multipleksiranje signala koje generišu Ekstraktori parametara je izvršeno pomoću kola za
multipleksiranje koje ima 45 ulaza za ekstraktovane parametre, jedan selekcioni ulaz i devet
izlaza. Grupe signala, koje su sastavljene od devet signala za svakog od pet pacijenata, su na Slici
5.22 predstavljene podebljanim strelicama: Pac. 1., Pac. 2., Pac. 3., Pac. 4., Pac. 5. Do ulaza kola
za multipleksiranje su dovedeni signali sa izlaza svih pet Ekstraktora parametara, a u jednom
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
89
trenutku se na njegove izlaze prosljeđuju samo signali koji su generisani za jednog pacijenta.
Izbor pacijenta, za koga se vrši prikaz i slanje vrijednosti izračunatih vitalnih parametara, se vrši
pomoću tastera T1 koji je povezan sa ulaznim pinom FPGA čipa. Signal sa T1 se dovodi do Kola
za biranje pacijenta koje je u suštini mašina stanja koja na svom izlazu generiše 3-bitni selekcioni
signal koji predstavlja binarni ekvivalent rednog broja pacijenta.
Kolo za
multipleksiranje
Kolo za
biranje
pacijenta
SP iz
EKG-a
SP iz
PPG-a
Indikator QRS kompleksa
Indikator nagiba PPG-a
Indikator vrha PPG-a
RRI
Selekcioni
ulaz
Pac. 1.
Pac. 2.
Pac. 3.
Pac. 4.
Pac. 5.
PTTI
Novi RRI
Novi PTTI
Signal sa
tastera T1 Selekcioni
signal
7-seg.
kontroler
Signali za 7-
seg. ekran
Slika 5.22 Sistem za biranje i multipleksiranje pacijenata
Iskorišćena mašina stanja ima pet stanja, Slika 5.23, a svako od njih odgovara jednom od pet
pacijenata. Obrada svih deset BM signala se vrši u toku čitavog perioda rada sistema, ali se u
jednom trenutku na izlazne portove FPGA sistema prosljeđuju vitalni parametri za samo jednog
pacijenta. Npr., kada je mašina stanja u stanju Pac. 1., koje je početno stanje u radu sistema,
može se vršiti vizuelno praćenje parametara za samo prvog pacijenta, iako se tada obrađuju i
BM signali ostalih pacijenata. Mašina stanja mijenja stanje na opadajućoj ivici signala sa tastera
T1. Selekcioni signal se dovodi do selekcionog ulaza kola za multipleksiranje koje ga koristi za
odabir jedne od grupa signala sa ulaza, Pac. 1., Pac. 2., Pac. 3., Pac. 4. i Pac. 5., koja se propušta
na izlaze kola. Selekcioni signal se dovodi i do kontrolera 7-segmentnog ekrana, realizovanog u
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
90
formi dekodera, čiji su izlazi povezani sa pinovima FPGA čipa. Ovi pinovi FPGA čipa su spojeni sa
sedmosegmentnim ekranom koji prikazuje redni broj pacijenta čije se nadgledanje trenutno
vrši.
Pac. 3.Pac. 2.Pac. 1.
Pac. 5. Pac. 4.
Uključenje
ili reset
selekcioni signal="000" selekcioni signal="001" selekcioni signal="010"
selekcioni signal="100"selekcioni signal="011"
T1 pritisnut T1 pritisnut
T1 pritisnut
T1 pritisnut
T1 pritisnut
Slika 5.23 Mašina stanja za biranje pacijenta
5.5 Prikazivanje i prenos vitalnih parametara
Nakon multipleksiranja parametara koji se dobijaju u toku paralelnog praćenja pet pacijenata
i odabira pacijenta čije stanje treba vizuelno pratiti, na sedmosegmentnim ekranima se vrši
prikazivanje SP-a pacijenta, a preko RS232 porta koji je povezan sa FPGA čipom se prenose RRI
ili PTTI.
Na sedmosegmentnim ekranima se može prikazivati vrijednost SP-a koja je ekstraktovana iz
EKG-a ili iz PPG-a. Zbog toga se na Muks-u vrši multipleksiranje binarnih vrijednosti SP-a iz EKG-a
i SP-a iz PPG-a, a odabir vrijednosti koja se prikazuje se vrši pomoću prekidača P2 koji je
povezan sa pinom FPGA čipa, Slika 5.24. Signal sa P2 se dovodi do selekcionog ulaza Muks-a.
Ako na pin koji je povezan sa P2 dolazi signal niskog naponskog stanja, onda se na izlaz Muks-a
prosljeđuje signal SP-a iz EKG-a, a ako je na pinu prisutno visoko naponsko stanje onda se vrši
prikazivanje brojne vrijednosti SP-a iz PPG-a.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
91
Muks
Kontroler
7-seg.
ekrana
SP iz
EKG-a
SP iz
PPG-a
Signal sa
prekidača P2
Signali za tri 7-
segmentna ekrana
Konvertor
binarnih brojeva
u BCD cifre
Deko-
der
Deko-
der
Deko-
der
BCD BCD BCD
selekcioni
ulaz
Slika 5.24 Sistem za prikazivanje vrijednosti srčanog pulsa
Za prikazivanje brojne vrijednosti SP-a su iskorišćena tri sedmosegmentna indikatora, tj. tri
cifre. Binarni izlaz multipleksera SP-a se dovodi do kontrolera sedmosegmentnih ekrana. Ovaj
kontroler je sastavljen od konvertora binarnih brojeva u BCD cifre i tri dekodera BCD cifara čiji su
izlazi povezani sa digitalnim pinovima koji napajaju sedmosegmentne ekrane. Za konverziju 9-
bitnih binarnih vrijednosti SP-a, u BCD cifre, implementiran je double dabble algoritam [91]. Kao
rezultat konverzije se dobijaju tri 4-bitne BCD cifre. Ugrađeni dekoderi u kontroleru
sedmosegmentnih ekrana dekodiraju BCD cifre i definišu naponska stanja za 24 pina koja su
povezana sa sedmosegmentnim indikatorima. Osvježavanje prikazanih vrijednosti SP-a na
indikatorima se vrši svakih deset sekundi, a izbor izvora SP-a (EKG ili PPG), pomoću P2, je
trenutan.
Binarne vrijednosti RRI i PTTI se dovode do ulaza Muks kola, kola za multipleksiranje signala,
čiji je selekcioni ulaz preko pina FPGA čipa povezan sa prekidačem P1, Slika 5.25. Prekidač P1
služi za odabir intervala koji će se prosljeđivati na RS232 port, a to, u jednom trenutku, može biti
samo RRI ili samo PTTI. Do Muks kola se dovode i impulsi koji signaliziraju da su nove vrijednosti
RRI i PTTI izračunate, Novi RRI i Novi PTTI. Odabrani intervali se šalju na ulaz Konvertora u ASCII,
koji je kolo dizajnirano za konverziju binarnih brojeva u ASCII karaktere. Konvertor u ASCII prvo
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
92
vrši konverziju binarnih brojeva u BCD cifre, koristeći double dabble algoritam, a zatim
konverziju BCD cifara u ASCII karaktere. Nakon obavljene konverzije, kolo na svoj izlaz šalje ASCII
karaktere, tako što se prvo šalje karakter koji predstavlja cifru najveće težine. Nakon slanja svih
cifara, kolo šalje karaktere koji označavaju prelaz u novi red i pozicioniranje na početak reda.
Jedan ASCII karakter se šalje u jednom ciklusu sistemskog takta.
Muks
koloKonvertor u
ASCII UART
RRIPTTINovi RRI
Novi PTTI
Signal
za TX
pin
Selekcioni ulaz povezan sa prekidačem P1
Slika 5.25 Sistem za prenos vrijednosti RR i PTT intervala
Izlazni signali Konvertora u ASCII se dovode do kontrolera za serijsku komunikaciju, UART-a.
Za realizaciju UART sistema je iskorišćeno pojednostavljeno i modifikovano Alterino RS232-
UART jezgro iz Alterinog Univerzitetskog Programa [90]. Serijska komunikacija se vrši brzinom
115200 bita u sekundi i to samo u predajnom smjeru.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
93
Poglavlje 6.
6. Rezultati, testiranje i diskusija
U ovom poglavlju su dati rezultati testiranja dizajniranih sistema, sa analizom utroška
resursa, kao što su memorijski i logički resursi. Date su slike koje prikazuju oscilografe signala na
ulazima i izlazima sistema prilikom testiranja u realnom vremenu, a dati su i prikazi vrijednosti
izračunatih vitalnih parametara koje su slate preko RS232 porta i snimljene pomoću računara.
6.1 Rezultati i testiranje mikrokontrolerskog rješenja
Za potrebe mikrokontrolerske implementacije i testiranja, prikazani algoritmi za obradu EKG
signala i umanjenje šuma su razvijeni u C programskom jeziku pomoću IAR Embedded
Workbench kompajlera [92]. MSP430F169 čip je programiran kroz Olimex MSP430-P169
razvojnu ploču [93]. Provjera rada i potrebna mjerenja su izvedena pomoću seta koji se sastoji
od personalnog računara, Elvis II+ National Instruments (NI) platforme i digitalnog osciloskopa,
Slika 6.1. Dizajnirani LabVIEW [94] virtuelni instrument je čitao EKG signale iz odgovarajućih
MIT-BIH fajlova [95] ili PPG signale iz laboratorijskih fajlova i pretvarao ih u analogni oblik preko
Elvis II+ platforme [94].
MSP430 čip prihvata emulirane signale, računa DST i IST, vrši QRS detekciju ili umanjenje
šuma u realnom vremenu. MK vraća različite analogne ili digitalne signale na izlaznim pinovima,
zavisno o radu programa, a to su D4(n) i D3(n) u analognom obliku, RR intervali u impulsnom
(digitalnom) obliku i RR intervali u obliku ASCII stringova, kao i signal bez prisustva šuma. Ovi
signali su posmatrani osciloskopom ili preko računarskog terminala u slučaju serijskog RS232
prenosa. Na osnovu toga su izvršene kvalitativna i kvantitativna analiza sistema.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
94
PC NI ELVIS II+
MK ploča
ASCIIMIT-BIH baza
Osciloskop
Slika 6.1 Set uređaja korišćenih za testiranje rada mikrokontrolerskog sistema u realnom vremenu
Kvalitativna analiza je uglavnom obavljena mjerenjima na čipu. MK je konfigurisan za tri
načina rada, a to su wavelet dekompozicija, QRS detektor sa digitalnim izlazima i umanjenje
šuma.
Računanje DWT u realnom vremenu je testirano tako što je emulirani EKG signal doveden do
A1 ulaza A/D konvertora, digitalizovan i obrađen nakon čega su generisani analogni signali,
ekvivalenti D3(n) i D4(n), na D/A pinovima P6.6 i P6.7 (Slika 4.2). Istovremeno, talasni oblici
ulaznih i izlaznih signala su praćeni na digitalnom osciloskopu. Zatim, isti EKG signali su obrađeni
u MATLAB-u, a rezultati su posmatrani na graficima. Za ilustraciju, Slika 6.2 pokazuje snimke sa
osciloskopa za ulazni EKG signal i odgovarajuće D4(n) koeficijente i MATLAB grafik D4(n)
koeficijenata. Kao što se vidi, talasni oblici signala sa Slika 6.2 (b) i 6.2 (c) se poklapaju veoma
dobro. Treba primjetiti da su amplituda i vremenska podjela za snimke sa osciloskopa prikazani
u legendi, ispod signala, kao na primjer, CH1 200 mV/div, 200.0 ms/div.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
95
a) Original ECG signal
e) CD4 computed by MSP430
0 0.5 1 1.5 2-800
-600
-400
-200
0
200
400
600
800
t [s]
CD
4 [m
V]
d) CD4 computed by Matlab
(a)
(b)
(c)
D4[m
V]
Slika 6.2 DST izračunata u MATLAB-u i na MSP430F169 u realnom vremenu: (a) oscilograf originalog EKG signala; (b) D4(n) koeficijenti izračunati u MATLAB-u; (c) oscilograf D4(n)
koeficijenata, snimljenih na P6.7 pinu MK-a
U svrhu testiranja rada detektora QRS kompleksa, EKG signali su dovedeni do A/D pina A1,
(Slika 4.2). MK obavlja QRS detekciju u realnom vremenu i generiše impulse (pin P1.0), čije
pozicije odgovaraju QRS kompleksima u EKG signalu. Vremenski razmak između dva uzastopna
impulsa predstavlja RR interval u milisekundama. Slika 6.3 prikazuje snimak sa osciloskopa za
izvorni EKG signal (gore) i impulse koji signaliziraju detekciju QRS kompleksa (dolje). Na primjer,
udaljenost između 1. i 2. impulsa je oko 580 ms, a između 2. i 3. je oko 560 ms što odgovara
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
96
srčanom pulsu od 60/0.58=103 i 60/0.56=107 otkucaja u minutu. Kao što se može vidjeti,
generisani impulsi su vremenski pomaknuti, u odnosu na ulazni signal, za oko 50 ms.
Slika 6.3 EKG signal sa QRS kompleksima (gore) i impulsi koji signaliziraju detekciju QRS kompleksa u realnom vremenu (dolje)
Treći način testiranja se odnosi na sistem za umanjenje šuma u realnom vremenu (Slika 4.4).
Analogni EKG i PPG signali, zahvaćeni šumom 50 Hz ili bijelim šumom, su dovedeni do A/D ulaza
na pinu A1. MK digitalizuje signal, vrši umanjenje šuma i u realnom vremenu, generiše filtrirane
analogne signale na pinu P6.7 D/A konvertora. Slika 6.4 ilustruje situaciju sa EKG signalom
zahvaćenim šumom od 50 Hz, a Slika 6.5 pokazuje rezultat filtriranja signala zahvaćenog bijelim
šumom. Slika 6.6 prikazuje slučaj invertovanog PPG signala zahvaćenog šumom od 50 Hz.
Prilikom umanjenja šuma, frekvencija odabiranja signala je 762 Hz, a filtrirani signal je zakašnjen
za 40 ms. Kao što se može vidjeti, u svim slučajevima, ulazni signali su dobro filtrirani nakon
prolaska kroz mikrokontrolerski sistem za umanjenje šumova.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
97
Slika 6.4 EKG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon filtriranja u realnom vremenu (dolje)
Slika 6.5 EKG signal zahvaćen bijelim šumom (gore) i signal dobijen nakon filtriranja (dolje)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
98
Slika 6.6 Invertovani PPG signal zahvaćen šumom od 50 Hz (gore) i signal dobijen nakon filtriranja u realnom vremenu (dolje)
Osim kvalitativne analize, predloženi algoritmi su ocjenjeni na osnovu nekoliko kvantitativnih
kriterijuma: vrijeme računanja, zauzetost memorije, potrošnja energije, tačnost detekcije. U
svim slučajevima, MK je koristio takt od 0.75 MHz i napajan je sa 3.3 V.
Vrijeme računanja je posmatrano za direktnu i inverznu Haar transformaciju u zapisu sa
pomičnim zarezom i primjenjene cjelobrojne DST i IST. Tabela 6.1 prikazuje dobijene rezultate.
Očigledno je da je cjelobrojna implementacija više od dva puta brža za slučaj direktne
transformacije i više od tri puta brža u slučaju inverzne transformacije. Ova činjenica omogućuje
MK-u da u realnom vremenu vrši odabiranje i obradu signala sve do 800 Hz, do 4 nivoa
dekompozicije, što značajno poboljšava kvalitet akvizicije, kao i tačnost detekcije.
Broj nivoa DST
[u ms] IST
[u ms] Direktna HT
[u ms] Inverzna HT
[u ms]
4 2,35 2,23 5,82 6,90
5 3,96 4,37 11,86 13,99
6 6,93 8,63 23,91 28,14
7 12,64 17,10 47,99 56,41
Tabela 6.1 Vremena računanja DWT za cjelobrojne verzije i verzije sa pomičnim zarezom
Tabela 6.2 daje zauzetost memorijskih resursa za cjelobrojne implementacije i
implementacije sa pomičnim zarezom. I ovde, razlika je oko dva puta veća u korist cjelobrojne
implementacije. Valja napomenuti da cijeli QRS detektor zauzima ukupno 268 bajtova memorije
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
99
za podatke (eng. DATA memory), 39 bajtova memorije za konstante (eng. CONST memory) i
2022 bajtova programske memorije (eng. CODE memory). Za sistem za umanjenje šuma je
potrebno 335 bajtova memorije za podatke i 1902 bajtova programske memorije.
Broj nivoa DST
[u bajtovima] IST
[u bajtovima] Direktna HT
[u bajtovima] Inverzna HT
[u bajtovima]
4 74 74 138 138
5 138 138 266 266
6 266 266 522 522
7 522 522 1034 1034
Tabela 6.2 Zauzetost memorije za podatke kod cjelobrojne verzije DWT i verzije sa pomičnim zarezom
Po svojoj prirodi MSP430 je nisko-potrošni mikrokontroler. Osim toga, i cjelobrojna
optimizacija smanjuje potrošnju, ali ne previše. QRS detektor i filter, implementirani u ovoj
aritmetici, troše 319 μA i 315 μA što je oko 5 % manje nego u slučaju računanja sa pomičnim
zarezom, 336 μA, 332 μA.
U svrhu provjere tačnosti QRS detekcije, posmatrano je 11094 otkucaja srca unutar pet MIT-
BIH fajlova (snimci: 101, 103, 202, 230 i 234). Tačnost detekcije, TD, za svaki snimak je
definisana kao:
( ) (
) (6.1)
gdje je LD broj lažno detektovanih QRS kompleksa, PD broj propuštenih detekcija, a UO je
ukupan broj QRS kompleksa, tj. otkucaja srca. Prosječna tačnost detekcije, PTD, koja iznosi
99.06 %, je izračunata sa:
( )
∑ ( )
(6.2)
Rezultati testiranja za pet MIT-BIH snimaka EKG signala su dati u Tabeli 6.3.
Snimak UO LD PD TD(%)
101 1865 7 13 98.92
103 2084 3 15 99.13
202 2136 13 14 98.73
230 2256 20 7 98.80
234 2753 3 5 99.70
Tabela 6.3 Tačnost detekcije QRS kompleksa za pet EKG snimaka iz MIT-BIH baze
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
100
6.2 Rezultati i testiranje FPGA rješenja
Dizajniranje FPGA sistema za obradu BM signala je izvršeno u Alterinom Quartus II 9.1
razvojnom okruženju [90]. Quartus II je poslužio za razvoj, simulaciju i verifikaciju rada sistema.
Za automatizovano projektovanje digitalnih kola je korišćen VHDL. Sistem za mjerenje
biomedicinskih parametara je implementiran na Cyclone II EP2C70F896C6N FPGA čipu [90].
Prototipiranje i testiranje rada sistema u realnom vremenu je izvršeno pomoću Alterine DE2-
70 razvojne ploče [90], Slika 6.7. TLC2543 A/D konvertor je, preko pinova na DE2-70 ploči,
povezan sa FPGA čipom. Za realizaciju sistema su iskorišćeni FPGA čip, sedmosegmentni ekrani,
serijski RS232 port, prekidači i tasteri koji su ugrađeni na DE2-70 ploči.
Slika 6.7 Alterina razvojna ploča DE2-70
U procesu testiranja rada i procjene preciznosti realizovanog sistema, umjesto prikupljanja
signala sa ljudskih subjekata, korišćeni su simulirani signali iz računarskih fajlova. Fokus
testiranja je bio na utvrđivanju tačnosti u detekciji karakterističnih tačaka EKG i PPG signala, što
predstavlja glavni parametar performansa ovog sistema. BM signali su sumulirani pomoći NI
ELVIS II+ eksperimentalne ploče, Biomedical Workbench softvera [94] i napravljenog Labview
virtuelnog instrumenta. Za testiranje su upotrebljeni snimci iz MIT-BIH i Multiparameter
Intelligent Monitoring in Intensive Care (MIMIC) [96] baza fizioloških signala. ELVIS II+ ploča je
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
101
povezana sa personalnim računarom, a digitalni zapisi EKG i PPG signala su pretvoreni u
analogne signale koji su preuzimani sa analognih izlaza ELVIS II+ ploče. BM signali, u analognoj
formi, su dovedeni do ulaznih kanala TLC2543 A/D konvertora koji je vršio njihovu digitalizaciju.
U funkciju je stavljeno deset kanala A/D konvertora. Digitalne reprezentacije EKG i PPG signala
su sa digitalnog izlaza A/D konvertora, preko pina na DE2-70 ploči, dovedene do pina FPGA čipa.
FPGA čip je u realnom vremenu obrađivao pristigle BM signale i na svojim izlazima davao
rezultate paralelne obrade pet EKG i pet PPG signala. Vrijednosti srčanog pulsa su prikazivane na
sedmosegmentnim ekranima DE2-70 ploče, a RR i PTT intervali su preko RS232 porta slati
personalnom računaru koji je preko kabla za serijsku komunikaciju povezan sa DE2-70 pločom.
Računar je iskorišćen za snimanje pristiglih vrijednosti PTT i RR intervala u *.txt fajlove koji su u
kasnijim analizama poslužili za utvrđivanje tačnosti rada sistema. Digitalni impulsi, koji su
dobijeni na izlazima QRS detektora i detektora nagiba i vrha PPG signala, su pomoću osciloskopa
posmatrani paralelno sa EKG i PPG signalima.
Signali iz MIT-BIH i MIMIC baza signala su primjenjeni direktno na dizajnirani sistem, bez
prethodnih filtriranja zbog uklanjanja šumova ili stabilizovanja baznih linija signala. Jedino je
izvršeno pomjeranje nivoa svih BM signala na gore, jer korišćeni A/D konvertor nema
mogućnost digitalizacije negativnih dijelova signala.
Implementirani algoritmi za obradu BM signala su zasnovani na DWT. Dizajnirani sistem
računa DWT za EKG i PPG signale. U toku digitalizacije signala je korišćena frekvencija
odabiranja od 800 odbiraka u sekundi. Na Slici 6.8 je prikazan EKG signal sa graficima
koeficijenata detalja njegove DWT sa četiri nivoa dekompozicije, u formi DST. Prikazane
koeficijente detalja je izračunalo FPGA kolo dizajnirano za računanje DWT u realnom vremenu.
Koeficijenti su preko RS232 porta slati računaru i snimljeni su u fajlovima, a potom su upoređeni
sa rezultatima dobijenim u MATLAB-u. Na Slici 6.9 su prikazani koeficijenti detalja koji su
izračunati pomoću MATLAB-a za isti EKG signal. Poređenje Slika 6.8 i 6.9 potvrđuje izuzetno
dobro poklapanje koeficijenata izračunatih na FPGA čipu u realnom vremenu i koeficijenata
dobijenih u MATLAB-u. Slike 6.10 i 6.11 prikazuju koeficijente aproksimacija i detalja sa pet
nivoa dekompozicije DWT, za PPG signal.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
102
Slika 6.8 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati na FPGA čipu, u realnom vremenu
Slika 6.9 EKG signal i DST koeficijenti detalja sa četiri nivoa dekompozicije DWT, izračunati u MATLAB-u
0 500 1000 1500 2000 2500 3000 3500 4000 45000
500
1000
EK
G(n
)
odbirci(n)
0 500 1000 1500 2000
-100
0
100
D1
(n)
odbirci(n)
0 200 400 600 800 1000
-200
0
200
D2
(n)
odbirci(n)
0 100 200 300 400 500-500
0
500
D3
(n)
odbirci(n)
0 50 100 150 200 250
-500
0
500
D4
(n)
odbirci(n)
0 500 1000 1500 2000 2500 3000 3500 4000 45000
500
1000
EK
G(n
)
odbirci(n)
0 500 1000 1500 2000
-100
0
100
D1
(n)
odbirci(n)
0 200 400 600 800 1000
-200
0
200
D2
(n)
odbirci(n)
0 100 200 300 400 500-500
0
500
D3
(n)
odbirci(n)
0 50 100 150 200 250
-500
0
500
D4
(n)
odbirci(n)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
103
Slika 6.10 PPG signal i DST koeficijenti aproksimacija sa pet nivoa dekompozicije DWT, izračunati na FPGA čipu, u realnom vremenu
Slika 6.11 PPG signal i DST koeficijenti detalja sa pet nivoa dekompozicije, izračunati na FPGA čipu, u realnom vremenu
500 1000 1500 2000 2500 3000 3500 4000 45000
500
1000
PP
G(n
)
odbirci(n)
200 400 600 800 1000 1200 1400 1600 1800 2000 22000
500
1000
A1
(n)
odbirci(n)
100 200 300 400 500 600 700 800 900 1000 11000
500
1000
A2(n
)
odbirci(n)
50 100 150 200 250 300 350 400 450 500 5500
500
1000
A3(n
)
odbirci(n)
50 100 150 200 2500
500
1000
A4
(n)
odbirci(n)
20 40 60 80 100 120 1400
500
1000
A5
(n)
odbirci(n)
500 1000 1500 2000 2500 3000 3500 4000 45000
500
1000
PP
G(n
)
odbirci(n)
200 400 600 800 1000 1200 1400 1600 1800 2000 2200-20
0
20
D1(n
)
odbirci(n)
100 200 300 400 500 600 700 800 900 1000 1100
-200
20
D2(n
)
odbirci(n)
50 100 150 200 250 300 350 400 450 500 550-40-20
02040
D3
(n)
odbirci(n)
50 100 150 200 250
-500
50
D4
(n)
odbirci(n)
20 40 60 80 100 120 140
-1000
100
D5
(n)
odbirci(n)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
104
Detekcija maksimalnog nagiba PPG signala je vršena diferenciranjem signala sa prva tri nivoa
aproksimacija PPG signala. Signali dobijeni na izlazima diferencijatora su prikazani na Slici 6.12.
Lokalne maksimalne vrijednosti koje se javljaju u signalima dobijenim diferenciranjem
odgovaraju tački maksimalnog nagiba PPG signala.
Slika 6.12 PPG signal i signali dobijeni nakon diferenciranja DWT koeficijenata aproksimacija za PPG signal
Na Slici 6.13 su prikazani EKG signali i digitalni impulsi sa izlaza QRS detektora preuzeti sa
pina FPGA čipa. Signali su snimljeni pomoću osciloskopa. Digitalni impulsi signaliziraju uspješnu
detekciju QRS kompleksa. Slika 6.13 (b) prikazuje rezultat detekcije za signal koji je zahvaćen
šumom i kod kojeg dolazi do pomjeranja bazne linije. Dizajnirani QRS detektor ima mogućnost
uspješnog rada i u uslovima koji doprinose pojavi grešaka u detekciji.
500 1000 1500 2000 2500 3000 3500 4000 45000
500
1000
PP
G(n
)
odbirci(n)
200 400 600 800 1000 1200 1400 1600 1800 2000 2200
-50
0
50
Dif
1(n
)
odbirci(n)
100 200 300 400 500 600 700 800 900 1000 1100-100
0
100
Dif
2(n
)
odbirci(n)
50 100 150 200 250 300 350 400 450 500 550-200
0
200
Dif
3(n
)
odbirci(n)
50 100 150 200 250
-200
0
200
Dif
4(n
)
odbirci(n)
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
105
(a) (b)
Slika 6.13 EKG signali različitih talasnih oblika i impulsi koji signaliziraju detekcije QRS kompleksa u realnom vremenu
Na Slici 6.14 se može vidjeti da postoji određeno kašnjenje u detekciji QRS kompleksa. Pojava
prolaza koeficijenata detalja DWT za EKG signal kroz nultu vrijednost odgovara vrhu R talasa
EKG signala. Kašnjenje u detekciji QRS kompleksa se javlja prvenstveno zbog toga što algoritam
za detekciju, nakon detekcije prolaza koeficijenata kroz nultu vrijednost, mora da detektuje i
lokalni maksimum DWT. Na trajanje kašnjenja utiče i uspješnost detekcije QRS kompleksa na
pojedinačnim nivoima dekompozicije signala. Kašnjenje je manje, ako je detekcija uspješno
izvršena na prvom nivou dekompozicije, a ako je detekcija izvršena samo na trećem nivou, onda
je kašnjenje u detekciji najveće. Rezultat detekcije QRS kompleksa na tri nivoa dekompozicije je
prikazan na Slici 6.14 (a). Tri zasebna impulsa signaliziraju detekciju na različitim nivoima
dekompozicije. Prvi impuls nastaje kao rezultat detekcije na prvom nivou, drugi impuls se dobija
na drugom nivou, a treći nastaje na trećem nivou. Trajanje ovih impulsa je u finalnoj realizaciji
sistema povećano i podešeno tako da njihov prolaz kroz ILI logičko kolo dovodi do generisanja
jednog dužeg impulsa, kao što su impulsi sa Slike 6.13 ili Slike 6.14 (b). Kašnjenje u detekciji QRS
kompleksa za signal sa Slike 6.14 iznosi oko 16 ms.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
106
(a) (b)
Slika 6.14 QRS kompleks i (a) pojedinačni impulsi za indikaciju njegove detekcije na tri nivoa DWT, i (b) zbirni impuls za indikaciju QRS kompleksa
Rezultati detekcije QRS kompleksa za 10 polusatnih snimaka iz MIT-BIH Aritmija baze su
sumirani u Tabeli 6.4. Signali su reprodukovani pomoću NI-ovog softvera za generisanje
analognih EKG signala. Testiranje QRS detektora je trajalo pet časova. Testiranje je sprovedeno
na ukupno UO=22031 QRS segmenata. Broj lažno detektovanih QRS kompleksa je LD=105, a
broj propuštenih detekcija je PD=424. Prema dobijenim rezultatima, koristeći formulu 6.2,
izračunata je prosječna tačnost QRS detektora. Prosječna tačnost detektora QRS kompleksa
iznosi PTD=97.53 %. Može se primjetiti da rezultati detekcije variraju za različite signale.
Abnormalne zdravstvene pojave, koje se reflektuju u EKG signalima, i pojave artefakata kao što
su šumovi i pomjeranje bazne linije signala, mogu da negativno utiču na detekciju QRS
kompleksa. Ipak, implementirani algoritam za detekciju se pokazao pouzdanim i uspješnim u
detekciji QRS kompleksa različitih morfologija, amplituda i vremenskih parametara. Pred-
procesiranje EKG signala bi svakako doprinjelo povećanju tačnosti detektora.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
107
Snimak br. no.
UO LD PD TD (%) 100 2273 0 1 99.95 101 1865 4 9 99.30 102 2187 3 39 98.07 103 2084 0 3 99.85 104 2230 48 121 92.42 105 2572 19 15 98.67 106 2027 0 211 89.59 107 2137 8 14 98.97 109 2532 7 5 99.52 111 2124 16 6 98.96
Tabela 6.4 Rezultati detekcije QRS kompleksa pomoću dizajniranog FPGA sistema za deset EKG MIT-BIH snimaka
Testiranje je izvršeno na EKG signalima različitih srčanih ritmova i različitih vrijednosti srčanih
pulseva. To je veoma bitno jer je na taj način utvrđeno da dizajnirani sistem ima mogućnost
uspješne adaptacije. Implementirani QRS detektor je ostvario dobar rezultat na snimku broj
105. koji na nekim segmentima sadrži šum usled artefakata pokreta. Ograničenje minimalnog
vremena za pojavu QRS kompleksa na 200 ms je umanjilo broj lažno detektovanih QRS
kompleksa, pogotovo za snimak broj 102. Nekoliko sekundi signala ovog EKG snimka je
prikazano na Slici 6.15. Snimak 102. potiče od pacijenta sa ugrađenim pejsmejkerom i na Slici
6.15 je prikazan pejsovani ritam rada srca.
Slika 6.15 EKG signal sa pejsovanim ritmom i indikacija QRS kompleksa u realnom vremenu
Adaptivni pragovi za detekciju QRS kompleksa se računaju pomoću koeficijenata detalja DWT
nastalih transformacijom EKG signala. Koeficijenti detalja, koji su po vrijednosti najveći ili
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
108
najmanji u intervalu 1 sekunde, se memorišu i koriste za računanje pragova. Ovakvi koeficijenti
uglavnom nastaju wavelet transformacijom QRS kompleksa. Da ovo ne bi dovelo do propuštanja
detekcija QRS kompleksa, u situaciji kada se amplituda QRS kompleksa naglo smanji u odnosu
na prethodne QRS komplekse, adaptivni pragovi se računaju kao 5/8 dio srednje vrijednosti
memorisanih koeficijenata. U slučaju naglog povećanja amplitude QRS kompleksa, nema bojazni
od propuštene detekcije, bar u pogledu vrijednosti adaptivnog praga.
RR intervali, za svih deset reprodukovanih snimaka iz MIT-BIH Aritmija baze, su pomoću
računara snimljeni u *.txt fajlovima. Isti snimci su prethodno analizirani pomoću NI-ovog
Biomedical Workbench računarskog softvera. Poređenje rezultata dobijenih pomoću NI-ovog
softvera i rezultata koje je ostvario dizajnirani FPGA sistem, za snimak broj 103., je dato na Slici
6.16. Očigledno je da su dobijeni rezultati skoro sasvim identični. Propuštene detekcije QRS
kompleksa se na grafiku RR intervala koje je izmjerio FPGA čip mogu prepoznati kao produženi
intervali (Slika 6.16 (b)), tj. povećanja RR intervala u odnosu na odgovarajuće intervale sa grafika
rezultata NI-ovog softvera (Slika 6.16 (a)), koji je izuzetno precizan. Ostvarene lažne detekcije
QRS kompleksa, kojih za snimak 103. nema, bi se prepoznale po pojavi RR intervala čije su
vrijednosti manje od vrijednosti intervala izračunatih u računarskom softveru. Na Slici 6.17 je
prikazan histogram RR intervala, koji su izmjereni pomoću dizajniranog FPGA sistema, za EKG
snimak broj 103.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
109
0 200 400 600 800 1000 1200 1400 1600 1800 20000
500
1000
1500
2000
redni broj mjerenja
RR
in
terv
al [m
s]
0 200 400 600 800 1000 1200 1400 1600 1800 20000
500
1000
1500
2000
redni broj mjerenja
RR
in
terv
al [m
s]
RR intervali dobijeni pomocu NI-ovog softvera
RR intervali dobijeni pomocu FPGA sistema
(a)
(b)
Slika 6.16 Poređenje (a) vrijednosti RR intervala dobijenih u NI-ovom softveru i (b) vrijednosti dobijenih na FPGA čipu u realnom vremenu, za EKG MIT-BIH snimak br. 103.
Slika 6.17 Histogram RR intervala za EKG MIT-BIH snimak br. 103.
Vrijednosti srčanog pulsa koje je računao FPGA sistem su praćene i zabilježene zbog buduće
analize. U Tabeli 6.5 su date srednje vrijednosti SP-a, dobijene pomoću FPGA kola, i srednje
vrijednosti za SP-e koji su izračunati na osnovu RR intervala iz NI-ovog softvera, kao SP=60/RRI.
Za skoro sve testirane signale, dobijene srednje vrijednosti su veoma bliske, a jedino za signale
600 800 1000 1200 1400 1600 18000
10
20
30
40
50
60
RR intervali (ms)
His
tog
ram
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
110
104. i 106. postoji značajno odstupanje. Slika 6.18 prikazuje poređenje vrijednosti SP-a,
izračunatih na osnovu RR intervala dobijenih pomoću NI-ovog softvera, i SP vrijednosti dobijenih
u realnom vremenu pomoću FPGA kola za snimak broj 100. Dizajnirani FPGA sistem računa
vrijednosti SP-a množenjem broja detektovanih QRS kompleksa u toku 10 s sa 6. Zbog toga,
vrijednosti koje daje FPGA čip predstavljaju aproksimaciju vrijednosti SP-a izračunatih za svaki
RR interval unutar EKG signala. Primjenjeni način računanja SP-a doprinosi manjem uticaju
lažnih i propuštenih detekcija QRS kompleksa na tačnost rada sistema za računanje SP-a. S
obzirom da SP predstavlja broj otkucaja srca u minutu, uopšte nije potrebno računati SP za svaki
RR interval, tj. kao SP=60/RRI. Nagla povećanja i smanjenja RR intervala, npr. usled srčanih
aritmija, bi na taj način dovela do pogrešne procjene broja otkucaja srca u toku jednog minuta.
Broj snimka Srednja vrijednost SP-a
za NI-ov softver Srednja vrijednost SP-a
za FPGA sistem
100 70.32 69.25
101 61.92 61.37
102 72.64 71.90
103 69.43 70.24
104 65.86 71.86
105 87.70 85.74
106 69.14 58.98
107 69.95 69.76
109 84.26 84.80
111 70.68 70.09
Tabela 6.5 Srednje vrijednosti srčanog pulsa koje su izračunate za vrijednosti dobijene pomoću NI-ovog softvera i FPGA čipa
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
111
0 200 400 600 800 1000 1200 1400 1600 1800 2000
50
100
150
redni broj mjerenja
SP
Vrijednosti SP-a dobijene pomocu NI-ovog softvera
20 40 60 80 100 120 140 160
50
100
150
redni broj mjerenja
SP
Vrijednosti SP-a dobijene pomocu FPGA sistema
(a)
(b)
Slika 6.18 Poređenje (a) vrijednosti srčanog pulsa dobijenih pomoću NI-ovog softvera i (b) vrijednosti dobijenih na FPGA čipu
Detektori karakterističnih tačaka PPG signala su testirani na signalima iz MIMIC više-
parametarske baze BM signala. Uspješno ekstraktovanje parametara PPG signala zahtjeva da
signali nisu zahvaćeni prevelikim šumom i da u signalima nisu učestali artefakti pokreta. PPG
signali su izuzetno podložni uticaju pokreta pacijenata, što negativno utiče na analizu signala.
Artefakti pokreta su glavni uzročnici degradacije preciznosti detektora karakterističnih tačaka
PPG signala. Zbog toga je testiranje rađeno na PPG signalima, sa malim prisustvom artefakata
pokreta, smatrajući da je za ispravan rad realizovanih detektora potrebno koristiti signale
dobijene u toku stanja mirovanja pacijenata. Za testiranje su izabrani 10-minutni segmenti pet
različitih PPG snimaka iz MIMIC baze.
Slika 6.19 prikazuje segmente PPG signala iz MIMIC baze i impulse koji signaliziraju detekciju
maksimalnih nagiba PPG signala. Na Slici 6.20 su prikazani PPG signali i signali za indikaciju
vrhova PPG signala. Digitalni impulsi za signalizaciju su snimljeni na pinovima FPGA čipa.
Prikazani impulsi su dobijeni kao rezultat detekcije na tri nivoa wavelet dekompozicije PPG
signala. Naravno, i kod ovih detektora, kao kod detektora QRS kompleksa, postoji izvjesno
kašnjenje u detekciji, koje je neizbježno. Kašnjenje u detekciji vrhova PPG signala je veće od
kašnjenja u detekciji najvećih nagiba PPG signala.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
112
Slika 6.19 PPG signali i impulsi za indikaciju detekcija najvećih nagiba u PPG signalu
Slika 6.20 PPG signali i impulsi za indikaciju detekcija vrhova PPG signala
Tabele 6.6 i 6.7 prikazuju rezultate detekcije tačaka najvećeg nagiba i vrha za pet 10-
minutnih PPG signala. Prilikom testiranja su korišćeni čisti signali koji sadrže veoma malo
artefakata pokreta. Za svaki od signala je dat ukupan broj otkucaja srca, UO, koji odgovara broju
pulsnih talasa u PPG signalu, LD-broj lažnih detekcija, i PD-broj propuštenih detekcija. Prosječne
tačnosti detektora su izračunate prema formuli 6.2. Prosječna tačnost detektora tačke
maksimalnog nagiba PPG signala je PTD=97.09 %, a prosječna tačnost algoritma za detekciju
vrha PPG signala je PTD=94.52 %. Sprovedeni eksperimenti su pokazali da dizajnirani detektori
imaju veliki procenat tačnosti u obradi čistih PPG signala.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
113
Snimak br. no.
UO LD PD TD (%) 039 1320 15 16 97.65 041 1020 13 7 98.03 055 1009 4 1 99.50 211 877 23 25 94.52 471 710 14 16 95.77
Tabela 6.6 Rezultati detekcije tačaka najvećih nagiba za PPG signale iz MIMIC baze
Snimak br. no.
UO LD PD TD (%) 039 1320 2 17 98.56 041 1020 6 36 95.88 055 1009 1 15 98.41 211 877 41 55 89.05 471 710 24 42 90.70
Tabela 6.7 Rezultati detekcije vrhova PPG signala iz MIMIC baze
Dizajnirani detektori su podložni negativnim uticajima, kao što su artefakti pokreta. Ukoliko
se dizajnirani detektori koriste u situacijama kada je prisutna velika degradacija PPG signala,
npr. usled pokreta pacijenta, potrebno je koristiti kola za eliminaciju artefakata. Pojave poput
pomjeranja bazne linije i promjene u amplitudi signala nisu imale negativan uticaj na rad
detektora. To je postignuto zahvaljujući dovoljnoj stopi osvježavanja vrijednosti adaptivnih
pragova za detekciju.
Detekcija vrha PPG signala je iskorišćena za procjenu SP-a. Izvršena je obrada PPG signala i
EKG signala iz istih snimaka MIMIC baze. Na Slici 6.21 je dato poređenje dobijenih vrijednosti SP-
a iz EKG-a i PPG-a za snimak 039. iz MIMIC baze. Vrijednosti SP-a koje su ekstraktovane iz oba
signala se kreću u opsegu 120-145 otkucaja u minutu u čemu se dobijena mjerenja poklapaju.
Ipak, postoje određena odstupanja u dobijenim vrijednostima koja nastaju uglavnom zbog
grešaka u detekciji vrhova PPG signala.
Testiranje rada pod-sistema za mjerenje PTT intervala je izvršeno na snimcima iz MIMIC baze
fizioloških signala. Testiranje je sprovedeno tako što su na ulaze A/D konvertora dovedeni EKG i
PPG signal koji su snimljeni za iste srčane cikluse, a FPGA sistem je vršio obradu signala i
proračun PTT-a. PTT interval je računat kao vremenski interval između pojave R talasa EKG
signala i tačke maksimalnog nagiba PPG signala u jednom istom srčanom ciklusu. Primjer PTT
intervala, izračunatih pomoću FPGA sistema u realnom vremenu, za jedan segment snimka 041.
iz MIMIC baze je dat na Slici 6.22 (a). Slika 6.22 (b) prikazuje signal krvnog pritiska za isti snimak
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
114
iz MIMIC baze. Poređenjem Slika 6.22 (a) i 6.22 (b) se uočava inverzna korelacija između
sistolnog krvnog pritiska i PTT intervala.
Za precizno mjerenje PTT intervala je značajan efekat kašnjenja signala koji dolaze sa dva
različita senzora, u ovom slučaju sa EKG i PPG senzora. Zbog toga je potrebna sinhronizacija EKG
i PPG signala na ulazima A/D konvertora. Tačnost rada sistema za mjerenje PTT intervala
prvenstveno zavisi od uspješnosti algoritama za detekciju karakterističnih tačaka EKG i PPG
signala. Pogrešne i lažne detekcije karakterističnih tačaka prouzrokuju pogrešna mjerenja PTT
intervala. PTT interval se računa kao vremenska razlika u detekciji R talasa EKG-a i maksimalnog
nagiba PPG-a. Ovo dovodi do toga da loša sinhronizacija EKG i PPG signala ostvaruje negativan
uticaj na mjerenje PTT intervala.
5 10 15 20 25 30 35 40 45 50 5580
90
100
110
120
130
140
150
160
5 10 15 20 25 30 35 40 45 50 5580
90
100
110
120
130
140
150
160
(a)
broj mjerenja
broj mjerenja
(b)
SP
iz E
KG
-aS
P iz P
PG
-a
Slika 6.21 Poređenje (a) vrijednosti srčanog pulsa dobijenih iz EKG signala i (b) vrijednosti dobijenih iz PPG signala
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
115
broj intervala
broj odbiraka
Krv
ni p
ritisa
k (
mm
Hg)
PT
T (
ms)
0 50 100 150 200 250 300 350 400250
300
350
400
450
500
550
600
650
700
0 0.5 1 1.5 2 2.5 3
x 104
40
50
60
70
80
90
100
110
120
a)
b)
Slika 6.22 Korelacija (a) vrijednosti PTT intervala dobijenih na FPGA čipu i (b) signala krvnog pritiska
Pomoću Quartus II softvera je izvršena analiza zauzetosti logičkih resursa FPGA čipa za
dizajnirani FPGA sistem. Korišćeni Cyclone EP2C70F896C6N FPGA čip posjeduje 68416 logičkih
elemenata (LE). Cjelokupni FPGA sistem za obradu BM signala i praćenje vitalnih parametara pet
pacijenata, prikazan na Slici 5.1, zauzima 16139 LE-a čipa, što je 24 % ukupnih logičkih resursa
čipa. Jedan ekstraktor parametara BM signala, čija je arhitektura prikazana na Slici 5.6, zauzima
3275 LE-a. Za sistem za obradu EKG signala je potrebno 1459 LE-a, dok sistem za obradu PPG-a
zauzima 1770 LE-a.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
116
Poglavlje 7.
7. Zaključak
Ekspanzija digitalnih tehnologija daje veliku mogućnost za razvoj i implementaciju metoda i
algoritama za obradu BM signala, njihovo poboljšanje i ekstrakciju željenih karakteristika i
parametara. U radu su predstavljeni algoritmi za obradu EKG i PPG signala, koji su
implementirani na mikrokontrolerskoj i FPGA platformi, u realnom vremenu.
U osnovi realizovanih algoritama za obradu BM signala se nalazi DWT, koja je zadnjih godina
dobila veliku primjenu u biomedicinskom inženjeringu. Korišćena je cjelobrojna verzija Haar
transformacije, u formi S transformacije, koja daje sasvim dovoljno podataka, a jednostavna je
za implementaciju na programabilnim i rekonfigurabilnim platformama. DWT je pogodna za
primjenu u obradi BM signala, a optimizacije DWT omogućuju njenu laku implementaciju u
realnom vremenu. DWT se pokazuje kao odlično sredstvo za obradu BM signala, čak i u
uslovima šuma.
Predloženi su algoritmi za detekciju QRS kompleksa, koji je polazna tačka za mnoge analize
EKG signala. Algoritmi su implementirani i testirani u realnom vremenu, na MK i FPGA platformi.
DWT je iskorišćena za obradu EKG signala i transformaciju QRS kompleksa u dva maksimalna
modula sa suprotnim znacima, sa prolazom kroz nulu između njih. U fazi detekcije QRS
kompleksa se koriste adaptivni pragovi za prepoznavanje karakterističnih tačaka koje nastaju
transformacijom. Zbog adaptivnih pragova za detekciju, realizovani sistemi su prilagodljivi EKG
signalima različitih amplituda i talasnih oblika, što omogućuje njihovu široku primjenu, npr. kod
srčanih aritmija. Kod MK i FPGA realizacije, detekcija QRS kompleksa je iskorišćena za računanje
RR intervala, a kod FPGA realizacije, i za računanje srčanog pulsa. Dobijeni RR intervali se mogu
koristiti za analize varijabilnosti srčanog ritma. Predloženi algoritmi su testirani na polusatnim
snimcima EKG signala iz MIT-BIH Aritmija baze. Korišćeni EKG signali sadrže različite srčane
ritmove i artefakte koji se javljaju u svakodnevnoj kliničkoj praksi. FPGA sistem je testiran na
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
117
većem uzorku EKG signala, koji sadrže raznovrsne QRS morfologije i artefakte, u odnosu na MK
sistem koji je testiran na manjem uzorku. MK sistem vrši detekciju QRS kompleksa na samo
jednom nivou DWT, dok FPGA sistem koristi tri nivoa DWT, što, u hardverskom smislu, FPGA
sistem čini nadmoćnijim. Kod FPGA sistema je iskorišćen paralelizam, koji odlikuje ovu
tehnologiju, što je omogućilo, ne samo istovremenu analizu više nivoa DWT, već i paralelno
praćenje vitalnih parametara više pacijenata, čak pet. Oba sistema ostvaruju veoma visoku
tačnost u detekciji QRS kompleksa kod čistih signala, a čak i kod signala koji sadrže šum i druge
artefakte. MK sistem je ostvario prosječnu tačnost od 99.06 % nakon primjene na pet EKG
signala, uglavnom sa pravilnim oblicima, dok je FPGA sistem pokazao prosječnu tačnost od
97.53 %, za deset EKG signala, sa veoma promjenljivim morfologijama i mnogim artefaktima. U
radu je prikazano nekoliko rezultata koji su postignuti na EKG signalima, u vidu impulsa koji u
realnom vremenu signaliziraju detekciju QRS kompleksa.
Algoritmi za obradu PPG signala su implementirani na FPGA platformi. Predloženi algoritmi
su adaptivni, vrše detekciju tačaka na vrhu i najvećem nagibu PPG signala, i zasnivaju se na DWT
i operaciji diferenciranja PPG signala. Detekcija vrha PPG signala je iskorišćena za računanje
srčanog pulsa, a tačka najvećeg nagiba je iskorišćena za računanje PTT intervala. PTT interval je
jedan od potrebnih parametara za neinvazivno mjerenje krvnog pritiska, za šta se dizajnirani
sistem može koristiti. PTT interval je računat kao vremenski period između detekcije QRS
kompleksa EKG signala i detekcije tačke najvećeg nagiba u PPG signalu. Testiranje
implementiranih algoritama je izvršeno na snimcima iz MIMIC baze fizioloških signala. Kao veliki
problem u obradi PPG signala, pojavljuju se artefakti pokreta, koji mogu značajno umanjiti
tačnost detekcije. Zbog toga je sistem korišćen uglavnom na PPG snimcima koji sadrže malo
artefakata pokreta, što se i postavlja kao uslov za pravilan rad dizajniranog sistema. Dizajnirani
FPGA sistem ostvaruje visoku tačnost u detekciji kod čistih PPG signala. Testiranje je izvršeno na
pet PPG signala, postižući prosječnu tačnost od 94.52 % u detekciji vrhova signala, i 97.09 % u
slučaju detekcije tačke najvećeg nagiba.
Realizovan je MK sistem koji implementira algoritam za umanjenje šumova, takođe zasnovan
na DWT. Algoritam radi u realnom vremenu i testiran je na EKG i PPG signalima zahvaćenim
raznim tipovima šuma. Sudeći prema postignitim rezultatima, predstavljenim u radu, kvalitet
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
118
BM signala se znatno poboljšava nakon propuštanja kroz realizovani sistem, u mjeri da je šum
skoro sasvim uklonjen. Ovaj sistem se može primjenjivati i na drugim tipovima signala, ne samo
na BM signalima, tj. svugdje gdje je potrebno poboljšanje signala, u pogledu smanjenja nivoa
šuma.
Zbog postignute visoke tačnosti u radu, realizovani MK i FPGA sistemi mogu biti korišćeni za
praćenje zdravstvenog stanja i više vitalnih parametara, kao i za dijagnostikovanje oboljenja.
Tačnost detekcija značajnih tačaka EKG i PPG signala bi se mnogo povećala da je izvršeno
prethodno filtriranje signala, zbog uklanjanja raznih artefakata, a zatim njihova dalja obrada
pomoću predstavljenih sistema.
Dizajnirani sistemi su pogodni za upotrebu u ugrađenim sistemima i prenosivim medicinskim
uređajima. Korišćene tehnologije omogućuju realizaciju minijaturizovanih i nisko-potrošnih
uređaja, koji se napajaju pomoću baterija, što je slučaj sa mnogim uređajima dizajniranim za
medicinske svrhe. BM signali su digitalizovani koristeći frekvenciju odabiranja 800 Hz, u slučaju
detekcija karakterističnih tačaka u BM signalima, i 762 Hz kod umanjenja šumova. Ove
frekvencije odabiranja omogućuju reprezentativnu digitalizaciju svih brzo-promjenljivih dijelova
BM signala. Realizovani MK i FPGA sistemi podržavaju serijsku komunikaciju, što daje
mogućnost povezivanja sa drugim uređajima, npr. sa personalnim računarima, koji mogu služiti
za prikupljanje i analizu dijagnostičkih informacija. Paralelizam FPGA tehnologije je korišćen za
realizaciju svih dijelova FPGA sistema, a najveće prednosti upotrebljenog paralelizma se
ogledaju u primjeni pet realizovanih ekstraktora parametara, koji istovremeno obrađuju EKG i
PPG signale za pet pacijenata.
Smjernice za budući rad su:
Integracija dizajniranog mikrokontrolerskog i FPGA sistema u šire sisteme koji sadrže
senzore EKG i PPG signala, kako bi se realizovali kompletni sistemi za procjenu vitalnih
parametara, sasvim osposobljeni za rad u realnom vremenu i direktnu primjenu u
kliničkim uslovima.
Realizacija digitalnih filtera za BM signale, koji se u okviru realizovanih sistema mogu
koristiti nakon izvršene analogno-digitalne konverzije signala, prije početka faze
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
119
detekcije njihovih značajnih tačaka. Ovakvo poboljšanje bi značajno doprinijelo
povećanju tačnosti rada implementiranih algoritama za detekcije.
Realizacija sistema za automatsku kontrolu pojačanja BM signala. Realizacija sistema za
automatsku detekciju artefakata pokreta i isključenje nevalidnih vrijednosti vitalnih
parametara.
Realizacije algoritama za ekstrakciju parametara EKG i PPG signala, sa većim stepenom
paralelizma, namijenjenih mikrokontrolerskim platformama.
Hardverske realizacije DWT koristeći Quadratic Spline i Daubechies 4 wavelete i nihova
primjena na BM signale.
Realizacija i implementacija algoritama za obradu EEG signala.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
120
Prilog
Prilog radu je CD koji sadrži:
elektronsku verziju rada,
izvorne kodove.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
121
Literatura
[1] Adam Gacek, Witold Pedrycz, ECG Signal Processing, Classification and Interpretation: A
Comprehensive Framework of Computational Intelligence, Springer, 2011.
[2] John G. Webster, Design of Pulse Oximeters, Taylor & Francis, 1997.
[3] Metin Akay, Time Frequency and Wavelets in Biomedical Signal Processing, Wiley-IEEE Press,
1997.
[4] R. Bartholomä, F. Kesel, "Implementing Signal Processing Algorithms on FPGAs",
Radioelektronika 2003, Brno, Tschechien, 2003.
[5] Uwe Meyer-Baese, Digital Signal Processing with Field Programmable Gate Arrays, Springer,
2001.
[6] Leif Sörnmo, Pablo Laguna, Bioelectrical Signal Processing in Cardiac and Neurological
Applications, Academic Press, 2005.
[7] Nicholle Brock, Principles of ALS Care, Jones & Bartlett Learning, 2010.
[8] U. Rajendra Acharya, K. Paul Joseph, N. Kannathal, C.M. Lim, J.S. Suri, ‘’Heart rate variability:
a review’’, Med. Biol. Eng. Comput., Vol. 44, pp. 1031-1051, 2006.
[9] G.M. Friesen, T.C. Jannett, M.A. Jadallah, S.L. Yates, S.R. Quint, H.T. Nagle, ‘’A comparison of
the noise sensitivity of nine QRS detection algorithms’’, IEEE Trans. Biomed. Eng, Vol. 37, pp.
85-98, 1990.
[10] N. Kumaravel, A. Senthil, K.S. Sridhar, N. Nithiyanandam, ‘’Integrating the ECG power-line
interference removal methods with rule-based system’’, Biomed. Sci. Instrum., Vol. 31, pp.
115-120, 1995.
[11] P.S. Hamilton, ‘’A comparison of adaptive and nonadaptive filters for reduction of power
line interference in the ECG’’, IEEE Trans. Biomed. Eng., Vol. 43, No. 1, pp. 105-109, 1996.
[12] E. Cramer, C.D. McManus, D. Neubert, ‘’Estimation and removal of power line interference
in the electrocardiogram: a comparison of digital approaches’’, Comput. Biomed. Res.,Vol.
20, No. 1, pp. 12-28, 1987.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
122
[13] A. V. Oppenheim, A. S. Willsky, S. H. Nawab, Signals and Systems, Prentice-Hall, New
Jersey, 1997.
[14] S. H. Liu, ‘’Motion Artifact Reduction in Electrocardiogram Using Adaptive Filter’’, Medical
and Biological Engineering, Vol. 31, No. 1, pp. 67-72, 2009.
[15] M. Blanco-Velasco, B. Weng, K.E. Barner, ‘’ECG signal denoising and baseline wander
correction based on the empirical mode decomposition’’, Comput. Biol. Med., Vol. 38, pp. 1-
13, 2008.
[16] O. Sayadi, M. B. Shamsollahi, ‘’ECG Denoising and Compression Using a Modified Extended
Kalman Filter Structure’’, IEEE Trans. Biomed. Eng., Vol. 55, No. 9, pp. 2240-2248, 2008.
[17] N. V. Thakor, Y.S. Zhu, ‘’Applications of adaptive filtering to ECG analysis: noise cancellation
and arrhythmia detection’’, IEEE Transactions on Biomedical Engineering, Vol. 38, No. 8, pp.
785-794, 1991.
[18] S. Poornachandra, ‘’Wavelet-based denoising using subband dependent threshold for ECG
signals’’, Digital signal processing, Vol.18, pp. 49-55, 2008.
[19] B.U. Köhler, C. Hennig, R. Orglmeister, ‘’The principles of software QRS detection’’, IEEE
Enginering in Medicine and Biology, Vol. 21, pp. 42-57, 2002.
[20] P.S. Hamilton, W.J. Tompkins, ‘’Quantitative investigation of QRS detection rules using the
MIT/BIH arrhythmiac database’’, IEEE Trans. Biomed. Eng., Vol. 33, pp. 1157-1165, 1986.
[21] J. Pan, W.J. Tompkins, ‘’A real-time QRS detection algorithm’’, IEEE Trans. Biomed. Eng.,
Vol. 32, pp. 230-236, 1985.
[22] M. Bahoura, M. Hassani, M. Hubin, ‘’DSP implementation of wavelet transform for real
time ECG wave forms detection and heart rate analysis’’, Comput. Methods Programs
Biomed., Vol. 52, No. 1, pp. 35-44, 1997.
[23] V. Di-Virgilio, C. Francaiancia, S. Lino, S. Cerutti, ‘’ECG fiducial points detection through
wavelet transform’’, IEEE Eng. Med. Biol. 17th Ann. Conf. 21st Canadian Med. Biol. Eng.
Conf., pp. 1051-1052, Montreal, Quebec, Canada, 1997.
[24] S. Kadambe, R. Murray, G.F.Boudreaux-Bartels, ‘’Wavelet transform-based QRS complex
detector’’, IEEE Trans. Biomed. Eng., Vol. 46, pp. 838-848, 1999.
[25] S. Mallat, W.L. Hwang, ‘’Singularity detection and processing with wavelets’’, IEEE Trans.
Inform. Theory, Vol. 38, pp. 617-643, 1992.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
123
[26] C. Li, C. Zheng, C. Tai, ‘’Detection of ECG characteristic points using wavelet transforms’’,
IEEE Trans. Biomed. Eng., Vol. 42, pp. 21-28, 1995.
[27] Y.H. Hu, W.J. Tompkins, J.L. Urrusti, V.X. Afonso, ‘’Applications of artificial neural networks
for ECG signal detection and classification’’, J. Electrocardiology, Vol. 26, pp. 66-73, 1993.
[28] G. Vijaya, V. Kumar, H.K. Verma, ‘’ANN-based QRS-complex analysis of ECG’’, J. Med. Eng.
Technol., Vol. 22, No. 4, pp. 160-167, 1998.
[29] P.E. Trahanias, ‘’An approach to QRS complex detection using mathematical morphology’’,
IEEE Trans. Biomed. Eng., Vol. 40, No. 2, pp. 201-205, 1993.
[30] C.H.H. Chu, E.J. Delp, ‘’Impulsive noise suppression and background normalization of
electrocardiogram signals using morphological operators’’, IEEE Trans. Biomed. Eng., Vol. 36,
pp. 262-273, 1989.
[31] C. Pavlatos, A. Dimopoulos, G. Manis, G. Papakonstantinou, ''Hardware implementation of
PAN & TOMPKINS QRS detection algorithm’’, EMBEC'05, Prague, Czech Republic, 2005.
[32] A. Ruha, S. Sallinen, S. Nissila, ‘’A real-time microprocessor QRS detector system with a 1-
ms timing accuracy for the measurement of ambulatory HRV’’, IEEE Trans. Biomed. Eng.,Vol.
44, pp. 159-167, 1997.
[33] S. Hoferichter, B. U. Köhler, C. Henning, R. Orglmeister, ‘’On-Line QRS Detection using the
TMS320C6701’’, Proc. 3rd. European DSP Education and Research Conference, 2000.
[34] M.W. Phyu, Y. Zheng, B. Zhao, X. Liu, Y.S. Wang, ‘’A Real-Time ECG QRS Detection ASIC
Based on Wavelet Multiscale Analysis’’, In Proceedings of the Solid-State Circuits Conference,
A-SSCC, pp. 293-296, 2009.
[35] T.T. Hoang, J.P. Son, Y.R. Kang, C.R. Kim, H.Y. Chung, S.W. Kim, ‘’A Low Complexity, Low
Power, Programmable QRS Detector Based on Wavelet Transform for Implantable
Pacemaker’’, In Proceedings of the 19th IEEE System on Chip Conference (SOCC), pp. 160-
163, Texas, USA, 2006.
[36] I.I. Chio, I.V. Mang, U.M. Peng, ‘’ECG QRS Complex Detection with Programmable
Hardware’’, In Proceedings of the 30th Annual International Conference of the IEEE
Engineering in Medicine and Biology Society, pp. 2920-2923, Vancouver, British Columbia,
Canada, 2008.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
124
[37] R. Stojanović, D. Karadaglić, M. Mirković, D. Milošević, ‘’A FPGA system for QRS complex
detection based on Integer Wavelet Transform’’, Measurement Science Review, Vol. 11,
Issue 4, pp. 131-138, 2011.
[38] M. Rudnicki, P. Strumillo, ‘’A Real-Time Adaptive Wavelet Transform-Based QRS Complex
Detector’’, In proceeding of 8th International Conference on Adaptive and Natural
Computing Algorithms, ICANNGA 2007, Proceedings, Part II, Warsaw, Poland, pp. 281-289,
2007.
[39] P. Kumar, M. Jain, S. Chandra, ‘’Low Cost, Low Power QRS Detection Module Using PIC’’, In
Proceedings of the 2011 International Conference on Communication Systems and Network
Technologies, Katra, Jammu, India, pp. 414-418, 2011.
[40] http://www.ti.com
[41] R.E. Kleiger, J.P. Miller, J.T. Bigger, A.J. Moss, ‘’Decreased heart rate variability and its
association with increased mortality after myocardial infarction‘’, Am. J. Cardiol., Vol. 59, pp.
256-262, 1987.
[42] Federico Lombardi, ‘’Spectral Analysis of Heart Rate Variability‘’, Cardiac Electrophysiology
Review, Vol. 1, Issue 3, pp. 335-337, 1997.
[43] M. Alnaeb, N. Alobaid, A. Seifalian, D. Mikhailidis, G. Hamilton, ‘’Optical Techniques in
the Assessment of Peripheral Arterial Disease’’, Curr Vasc Pharmacol, Vol. 5, pp. 53-59.
2007.
[44] A. Hertzman, ‘’The blood supply of various skin areas as estimated by the photoelectric
plethysmograph’’, Amer J Physiol., 1924:329-40, 1938.
[45] M. Elgendi, ‘’On the Analysis of Fingertip Photoplethysmogram Signals’’, Current Cardiology
Reviews, Vol. 8, No. 1, 2012.
[46] K.H. Shelley, ‘’Photoplethysmography: beyond the calculation of arterial oxygen saturation
and heart rate‘’, Anesthesia & Analgesia, Vol. 105, pp. S31-36, 2007.
[47] J. Dorlas, J. Nijboer, ‘’Photo-electric plethysmography as a monitoring device in
anaesthesia. Application and interpretation’’, British Journal of Anaesthesia, Vol. 57, pp.
524-30, 1985.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
125
[48] E. Chua, S. Redmond, G. McDarby, C. Heneghan, ‘’Towards using photo-plethysmogram
amplitude to measure blood pressure during sleep’’, Annals of Biomedical Engineering, Vol.
38, No. 3, pp. 945-54, 2010.
[49] S. Lu, H. Zaho, K. Ju, K. Shin, M. Lee, K. Shelly, et al., ‘’Can photoplethysmography variability
serve as an alternative approach to obtain heart rate variability information?’’, Journal
Clinical Monitoring and Computing, Vol. 22, No. 1, pp. 23-29, 2008.
[50] T.R. Dawber, H.E Jr Thomas, P.M. McNamara, ‘’Characteristics of the dicrotic notch of the
arterial pulse wave in coronary heart disease’’, Angiology, Vol. 24, pp. 244-255, 1973.
[51] B. Bates, A Guide to Physical Examination, 6th edition, J.B. Lippingcott Company,
Philadelphia, USA, 1995.
[52] H. Gesche, D. Grosskurth, G. Küchler, A. Patzak, ‘’Continuous blood pressure measurement
by using the pulse transit time: Comparison to a cuff-based method‘’, Eur. J. Appl. Physiol.,
Vol. 112, pp. 309-315, 2012.
[53] Soo-young Ye, Gi-Ryon Kim, Dong-Keun Jung, Seong-wan Baik, Gye-rok Jeon, ‘’Estimation of
Systolic and Diastolic Pressure using the Pulse Transit Time’’, World Academy of Science,
Engineering & Technology, Vol. 67, p726, 2010.
[54] T. Ma, Y.T. Zhang, ‘’A Correlation Study on the Variabilities in Pulse Transit Time, Blood
Pressure, and Heart Rate Recorded Simultaneously from Healthy Subjects’’, Proceeding of
the 27th Annual Conference of the IEEE Engineering in Medicine and Biology, Shanghai,
China, pp. 996-999, 2005.
[55] Lee Ju-Won, Nam Jae-Hyun, ‘’Design of Filter to Reject Motion Artifacts of PPG Signal by
Using Two Photosensors’’, International Journal of Information and Communication
Engineering, Vol. 10, Issue 1, pp. 91-95, 2012.
[56] E. Kunesch, F. Binkofski, H.J. Freund, ‘’Invariant temporal characteristics of manipulative
hand movements’’, Exp. Brain Res., Vol. 78, pp. 539-546, 1989.
[57] A. Jubran, ‘’Pulse oximetry’’, In: M.J. Tobin (ed), Principles and practice of intensive care
monitoring, McGraw-Hill, New York, pp. 261-287, 1998.
[58] C. Ahlstrom, A. Johansson, F. Uhlin, T. Lanne, P. Ask, ''Noninvasive Investigation of Blood
Pressure Changes Using the Pulse Wave Transit Time: a Novel Approach in the Monitoring of
Hemodialysis Patients'', The Japanese Society for Artificial Organs, Vol. 8, pp. 192-197, 2005.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
126
[59] S.H. Shin, Y.B. Park, H.W. Rhim, W.S. Yoo, Y.J. Park, D.H. Park, ‘’Multibody Dynamics in
Arterial System’’, Journal of Mechanical Science and Technology, Vol. 19, No. 1, pp. 343-349,
2005.
[60] Q. Zhang, Y. Shi, et al., ‘’Pulse transit time-based blood pressure estimation using hilbert-
huang transform’’, Conf Proc IEEE Eng Med Biol Soc 2009, pp. 1785-8, 2009.
[61] D.L. Li, Y. Pan, H. Chen, S.M. Ye, H. Yan, ‘’The Establishment of a Non-invasive Continuous
Blood Pressure Measure System based on Pulse Transit Time’’, The 2nd International
Conference on Bioin-formatics and Biomedical Engineering, Shanghai, China, May 16-18, pp.
1624-1627, 2008.
[62] K. Nakajima, T. Tamura, H. Miike, ‘’Monitoring of heart and respiratory rates by
photoplethysmography using a digital filtering technique’’, Med. Eng. Phys., Vol. 18, No. 5,
pp. 365-72, Jul. 1996.
[63] A. Johansson et al., ‘’Monitoring of Heart and Respiratory Rates in Newborn Infants Using a
New Photoplethysmographic Technique’’, J Clin Monit Comput., Vol.15, Isss. 7-8, pp. 461-
467, 1999.
[64] Y.S. Yan, C.C. Poon, Y.T. Zhang, ‘’Reduction of motion artifact in pulse oximetry by
smoothed pseudo Wigner–Ville distribution’’, J. Neuroeng. Rehabil., 2005.
[65] Tsu-Hsun Fu, Shing-Hong Liu, Kuo-Tai Tang, ‘’Heart rate extraction from the
photoplethysmogram waveform using wavelet multi-resolution analysis’’, Journal of Medical
and Biological Engineering, Vol. 28, No. 4, pp. 229-232, 2008.
[66] K. Takazawa, N. Tanaka, M. Fujita, O. Matsuoka, T. Saiki, M. Aikawa, et al. ‘’Assessment of
vasocative agents and vascular aging by the second derivative of photoplethysmogram
waveform’’, Hypertension, Vol. 32, pp. 365-370, 1998.
[67] S. Millasseau, R. Kelly, J. Ritter, P. Chowienczyk, ‘’Determination of age-related increases in
large artery stiffness by digital pulse contour analysis’’, Clinical Science., Vol. 103, pp. 371-
377, 2002.
[68] S.R. Alty, N. Angarita-Jaimes, S.C. Millasseau, P.J. Chowienczyk, ‘’Predicting Arterial
Stiffness From the Digital Volume Pulse Waveform’’, IEEE Transactions on Biomedical
Engineering, Vol. 54, No. 12, pp. 2268-75, 2007.
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
127
[69] M.Greve, E.Kviesis-Kipge, O.Rubenis, U.Rubins, V.Mecnika, A.Grabovskis, Z.Marcinkevics,
“Comparison of pulse rate variability derived from digital photoplethysmography over the
temporal artery with the heart rate variability derived from a polar heart rate monitor’’,
Proc. 7th ESGCO, Kazimierz Dolny, Poland, 2012.
[70] M. Elgendi, ‘’A and B waves detection in acceleration photoplethysmogram’’,
http://vixra.org.
[71] J.M. Graybeal, M.T. Petterson, ‘’Adaptive filtering and alternative calculations
revolutionizes pulse oximetry sensitivity and specificity during motion and low perfusion’’,
Engineering in Medicine and Biology Society, IEMBS '04. 26th Annual International
Conference of the IEEE, pp. 5363-5366, 2004.
[72] K.A. Reddy, et al., ‘’Motion Artifact Reduction and Data Compression of Photoplethysmo-
graphic Signals utilizing Cycle by Cycle Fourier Series Analysis’’, Instrumentation and
Measurement Technology Conference Proceedings, IMTC 2008. IEEE, pp. 176-179, 2008.
[73] B.S. Kim, S.K. Yoo, ‘’Motion artifact reduction in photoplethysmography using independent
component analysis’’, IEEE Trans. Biomed. Eng., Vol. 53, pp. 566-568, 2006.
[74] S. Kim, E.J. Hwang, D.W. Kim, ‘’Reduction of movement artifacts in photo- plethysmograph
using SFLC (scaled Fourier linear combiner)’’, IFMBE Proc., Vol. 15, pp. 427-430, 2007.
[75] K.W. Chan, Y.T. Zhang, ‘’Adaptive reduction of motion artifact from photo-
plethysmographic recordings using a variable step-size LMS filter’’, Conf. Proc. IEEE Sens. 2,
pp. 1343–1346, 2002.
[76] A.R. Relente, L.G. Sison, ‘’Characterization and adaptive filtering of motion artifacts in pulse
oximetry using accelerometers’’, IEEE Trans. Biomed. Eng., Vol. 48, pp. 452–461, 2001.
[77] J.Y.A. Foo, S.J. Wilson, ‘’A computational system to optimise noise rejection in
photoplethysmography signals during motion or poor perfusion states’’, Med. Biol. Eng.
Comput., Vol. 44, pp. 140-145, 2006.
[78] B. Lee, J. Han, H.J. Baek, J.H. Shin, K.S. Park, and W.J. Yi, ‘’Improved elimination of motion
artifacts from a photoplethysmographic signal using a Kalman smoother with simultaneous
accelerometry’’, Physiological Measurement, Vol. 31, pp. 1585-1603, 2010.
[79] R. Couceiro, P. Carvalho, R.P. Paiva, J. Henriques, ‘’Detection of motion artifacts in
photoplethysmographic signals based on time and period domain analysis’’, Annual
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
128
International Conference of the IEEE Engineering in Medicine and Biology Society, IEEE
Engineering in Medicine and Biology Society. Conference 08/2012, pp. 2603-6, 2012.
[80] R.J.E. Merry, ‘’Wavelet theory and applications: a literature study’’, Technische Universiteit
Eindhoven (Eindhoven), DCT 2005.053., 2005., [Online]. Available:
http://alexandria.tue.nl/repository/books/612762.pdf
[81] S.G. Mallat, ‘’A theory for multiresolution signal decomposition: the wavelet
representation’’, IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 11, No. 7, pp.
674-693, 1989.
[82] A.R. Calderbank, I. Daubechies, W. Sweldens, B.L. Yeod, ‘’Wavelet Transforms That Map
Integers to Integers’’, Applied and Computational Harmonic Analysis, Vol. 5, Issue 3, pp. 332-
369, 1998.
[83] C. Li, C. Zheng, C. Tai, ‘’Detection of ECG characteristic points using wavelet transforms’’,
IEEE Trans. Biomed. Eng., Vol. 42, pp. 21-8. 1995.
[84] L. Senhadji, G. Carrault, J.J Bellanger, G. Passariello, ‘’Comparing wavelet transforms for
recognizing cardiac patterns’’, IEEE Trans. Med. Biol., Vol. 13, pp. 167-73, 1995.
[85] J.S. Sahambi, S.M. Tandon, R.K.P. Bhatt, ‘’Using wavelet transforms for ECG
characterization: an on-line digital signal processing system’’, IEEE Eng. Med. Biol., Vol. 16,
pp. 77-83, 1997.
[86] D. Cvetkovic, E.D. Übeyli, Irena Cosic, ‘’Wavelet transform feature extraction from human
PPG, ECG, and EEG signal responses to ELF PEMF exposures: A pilot study’’, Digital Signal
Processing Vol. 18, No. 5, pp. 861-874, 2008.
[87] P. Manimegalai, A. Sahoo, Dr.K. Thanushkodi, ‘’Wavelet based cardiovascular parameters
estimation system using ECG and PPG signals’’, European Journal Of scientific Research, Vol.
65, Issue 4, December 2011.
[88] T. Nguyen, G. Strang. Wavelets and Filter Banks. Wellesley-Cambridge Press, 1996.
[89] G. Oppenheim, J.M. Poggi, M. Misiti, Y. Misiti. Wavelet Toolbox. The MathWorks, Inc.,
Natick, Massachusetts 01760, April 2001.
[90] http://www.altera.com
[91] http://en.wikipedia.org/wiki/Double_dabble
[92] http://www.iar.com
Saša Knežević, Razvoj i implementacija algoritama za obradu BM signala na MK i FPGA platformama
129
[93] https://www.olimex.com/
[94] http://see.ni.com/
[95] G.B. Moody, R.G. Mark, ‘’The impact of the MIT-BIH Arrhythmia Database‘’, IEEE Eng in
Med and Biol, Vol. 20, No. 3, pp. 45-50, 2001.
[96] G.B Moody,R.G. Mark, ‘’A Database to Support Development and Evaluation of Intelligent
Intensive Care Monitoring‘’, Computers in Cardiology, Vol. 23, pp. 657-660, 1996.