实时采集和分析PCG和PPG信号外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

实时采集和分析PCG和PPG信号

Akash Kumar Bhoi, Karma Sonam Sherpa, Jitendra Singh Tamang, Devakishore Phurailatpam, Akhilesh Kumar Gupta

摘要：

光电容积脉搏波描记（PPG）和心电图（PCG）是监测心血管诊断生理参数的两种重要的非侵入性技术。PCG信号通过工作心脏引起的振动揭露了关于心脏功能的信息。PPG测量靠近皮肤的血管中的相对血容量变化。本文重点介绍了借助NIELVIS II DAQ从同一主体同时采集PCG和PPG信号，并将信号导入MATLAB进行进一步处理。从发现的独特的信号中提取心率。处理这些信号的分析方法可用于分析心率变异率，其广泛用于量化神经心脏控制和低变异性，尤其可预测心肌梗死患者的死亡率。

索引关键词：心音描记法，光电容积描记法，噪声消除，基线漂移消除，信号分析，数据采集，matlab

一、介绍

心音被确定为与瓣膜闭合相关的复合振荡，心脏杂音似乎来自于瓣膜功能障碍或隔膜壁异常孔[2]。脉搏波分析有助于研究糖尿病和关节炎，它对每个人都是独一无二的，因此它也可以作为生物识别[1]。“ 图1“显示ECG和PCG之间的关系，其中，S 1在ECG信号的QRS复合波开始后约0.05秒发生低频振动。S2在ECG的T波结束约0.03-0.05秒后开始。S3在第二心音开始后以0.12-0.18秒开始，并且第四心音（S4）在ECG信号的P波开始后约0.12-0.18秒开始。

图一：Wiggers图，显示一个心脏周期内心脏左侧的压力和流量，以及它们与电气（ECG）和机械（PCG）活动的关系。

脉冲血氧计信号的快速傅里叶变换（FFT）分析已被证明可以减少运动伪影，交替血红蛋白状态和低血容量的负面影响。然而，FFT分析显示对于准周期数据集表现不佳[10]。PCG信号的不同特征如强度，频率含量，分裂信息，时间关系等有助于检测心脏瓣膜疾病（如果有的话）和心脏功能的状态[3]。Ian Cather提出了人工神经网络（ANN）作为一种判别模型，通过基于小波的特征提取技术对来自9个不同受试者的48个记录的五种不同心音进行分类[4]。Olmez等人。已经给出了一种分类技术，该技术利用Daubechies-2小波细节系数在第二分解水平上对使用ANN [5]从28名受试者收集的七种不同心音进行分类。Reed et等人。基于Coifman四阶小波核[6]和Ari等，利用七级小波分解描述了五种不同病理病例的计算机辅助诊断机制。在一项工作中，提出了一种关于心音的二元决策，无论病理是否在基于数字信号处理器的系统中是推荐的[7]。Choi提出了一种利用小波包分解和带有五阶多项式核函数的支持向量机检测瓣膜心音正常或病理的技术[8]。PPG的实际应用也可以在步态分析加速度的信号处理[9]，数字通信和许多其他方面找到。Chrysa D. Papadaniil等。已经提出了一种有效的心音分割（HSS）方法，该方法自动检测第一（S1）和第二（S2）心音的位置，并从心脏听诊原始数据中提取它们。通过使用集合经验模式分解（EEMD）结合峰度特征来分析心脏心音图，以定位S 1，S2的存在，并从记录的数据中提取它们，形成所提出的HSS方案，即HSS-EEMD / K [11] ]。Ana Gavrovska等。代表了使用心音图和多重分形分析自动检测最常见的病理综合征之一，即所谓的二尖瓣脱垂（MVP）[12]。Mohamed Elgendi讨论了添加到PPG信号中的不同类型的伪像，PPG波形的特征特征以及评估诊断的现有指标[13]。识别早期动脉硬化的能力在预防心血管疾病方面具有相当大的价值。根据二阶导数光电容积描记（SDPPG）波形计算的“老化指数”（AGI）已被用作动脉僵硬度估计和心血管衰老评估的一种方法[14]。

当听诊结果异常时，通常会进行超声心动图检查。然而，普通听诊缺乏可靠性以及超声心动图的费用和笨拙使得开发更实用，便宜，可靠，非侵入性的听诊方法成为可取的，这种方法也可以适用于连续监测[19] - [ 20] [21] [22] [23]。本文介绍了一种用于同时采集和处理PCG和PPG信号以确定心率的方法，这肯定有助于另一种方法（心电图除外）监测心率。第二节解释了方法论。第三节表示结果分析。结论在第IV节中提到。

二、方法

信号采集和分析需要使用多个数据传感和处理设备。这项工作在SMIT的生物医学仪器实验室使用Phonocardiograph（ST-2356）和Photoplethysmograph（ST-2357）进行来分别生成PCG 图6 和PPG 图5信号。NI ELVIS-II 用作DAQ来将这些设备与PC桥接以获取这些信号，并将信号输出到MA TLAB工作区进行进一步处理。图2描绘了所提出的方法的框图。NI ELVIS-II DAQ可以同时采集这些信号并进一步分析。现在使用几种分析方法来对患者的健康做出诊断建议。这种方法的优点是评估基本的心脏变化，即来自PPG和PCG等辅助信号的心率。

图2。拟议方法的方框图

A.移动平均滤波器去除基线漂移

它可以用作低通滤波器来衰减许多类型波形中固有的噪声，或者用作高通滤波器以消除高频信号的漂移基线。算法程序用于确定过滤量涉及使用平滑因子。通过软件控制的平滑因子可以增加或减少，以指定超越移动平均值的实际波形数据点或样本的数量。任何周期性波形都可以被认为是长字符串或数据点集合。该算法通过从采集的波形中取两个或多个这些数据点来实现移动平均值，将它们相加，将它们的总和除以所添加的数据点的总数，用刚刚计算的平均值替换波形的第一个数据点，并使用第二个，第三个等数据点重复这些步骤，直到达到数据结束。结果是第二个或由平均数据组成生成的波形，并且具有与原始波形相同数量的点数[16]。波形的移动平均值（1）可以通过以下公式计算：

其中：a =平均值n =数据点位置s =平滑因子y =实际数据点值。

• 跨度必须是奇数。
• 平滑的数据点必须位于跨度的中心。
• 跨度调整为不能容纳任一侧指定数量的邻居的数据点。
• 由于无法定义跨度，因此不会平滑端点。[15]

在这种情况下，应用“平滑”功能来执行平滑操作，以从PPG和PCG信号中去除基线漂移。7-10。

B.通过离散小波变换消除噪声

离散小波变换（DWT）使用滤波器组来构造多分辨率时频平面。

过滤器组

滤波器组由滤波器组成，滤波器将信号分成频带[17]。双通道滤波器组的一个例子如图3所示。离散时间信号x [n]进入分析库并由滤波器滤波H1(z)和H0(z)它在相等宽度的频带中分离输入信号的频率成分。因此过滤器H1(z)和H0(z)分别是低通和高通滤波器。滤波器的输出每个包含频率内容的一半，但是作为输入信号的样本量相等。两个输出一起包含与输入信号相同的频率内容，但是数据量翻了一番。因此，下采样因子为2，表示为darr;2，应用于过滤器组分析库中过滤器的输出。

使用合成滤波器组[17]，[18]可以重建原始信号。在合成组中，信号被上采(uarr;2)并通过过滤器G0(z)和G1(z)。合成库中的过滤器基于分析库中的过滤器。将合成组中的滤波器的输出相加，得到重构信号y [n]。分析滤波器组的不同输出信号称为子带，滤波器组技术也称为子带编码[18]。

图3。双通道滤波器组

图4。db4小波

分析滤波器组的不同输出信号称为子带，滤波器组技术也称为子带编码[18]。通过使用db4小波实现1D PPG和PCG的“ddencmp“和“wdencmp”功能来执行软硬阈值处理。性能评价在以下部分（即结果分析）和“图8-10“表示PPG和PCG信号的滤波性能。

三、结果分析

图5。获取2秒持续时间的噪声PPG信号。

图6。获取2秒持续时间的嘈杂PCG信号。

图7。同时绘制获得的噪声PPG和PCG信号。

图8。使用小波db4和MAF，无噪声和基线漂移消除了PPG信号

图9。无噪声和基线漂移使用小波db4和MAF去除了PCG信号

图10。使用小波db4和MAF，无噪声和基线漂移的并行绘图消除了PPG和PCG信号

心率检测

经滤波的信号通过阈值技术被施加，并且识别和计数幅度大于阈值的信号中的最大采样数。该峰值检测对于心跳的计算是必需的。

• 使用以下等式计算心跳计数（2）：

其中，N =信号的总长度 即样本总数

和Fs =采样频率。

对于受影响的信号（即PPG和PCG），发现心率为90bpm。

四、结论

该分析将有助于同时关联PCG和PPG信号的不同特征。此外，这些信号的出现是由心脏功能引起的，并且当进行并发分析时也可以识别诸如时间间隔的基本变化。在这里，我们从年轻健康的受试者获得信号，其心率被发现相似，即90 bpm。MAF和DWT显着地执行预处理工作，即基线漂移消除和噪声消除。进一步的研究涉及这些信号的特征提取和与不同心血管问题相关的相关分析。

文献引用

[I] M.H.Sherebin, R.Z. Sherebin, 'Frequency Analysis of Peripheral Pulse Wave Detected in the Finger with Photoplethysmograph'.JEEETransaction on Biomedical Engineering, VoI.37No.3, March 1999.

1. A. L. Goldberger. Fractal mechanisms in the electrophysiology of the heart. iEEE Eng Med Bioi Mag, 26:47-52, 1992.
2. Rangayyan, R. M. 'Biomedical signal analysis'. iEEE Press, John Wiley amp; Sons inc.. pp. 34-38. 2002.
3. Cathers Ian 'Neural network assisted cardiac auscultation'. Artificial intelligence in Medicine, 7, 53-66. 1995.
4. Olmez, T., amp; Dokur, Z. 'Classification of heart sounds using an artificial neural network'. Pattern Recognition Letters, 24, 617-629. 2003.
5. Reed, T. R., Reed, N. E., amp; Fritzson, P. 'Heart sound analysis for symptom detection and computer-aided diagnosis'. Simulation Modeling Practice and Theory, 12, 129-146. 2004.
6. Ari, S., amp; Saha, G. 'On a robust algorithm for heart sound segmentation'.Journal of Mechanics in Medicine and Biology, 7(2), 129-150. 2007.

[8] Choi S. 'Detection of valvular heart disorders using wavelet packet decomposition and support vector machine'. Expert Systems with Application, 35, 1679-1687. 2008.

1. Michael, 'Wavelet and Wavelet Packet Compression of Electrocardiograms,' IEEE Transaction on BioM

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[18792]，资料为PDF文档或Word文档，PDF文档可免费转换为Word