ارتقا و حذف نويز از سيگنال قلبي با استفاده از فيلتر تطبيقي كالمن

Enhancement and Denoising of ECG Signals using Adaptive Kalman Filter

زمينه و هدف: سيگنال الكتروكارديوگرام (ECG) نمايشي گرافيكي از فعاليت قلبي است. پردازش و تحليل تغييرات مورفولوژيكي آن مي‌تواند به تشخيص بصري بسياري از بيماري‌هاي قلبي كمك كند. با اين وجود، انواع نويز واغتشاش در سيگنال ECG تشخيص بصري و استخراج ويژگي از آن را به شدت تحت تاثير قرار مي‌دهد. هدف از اين پژوهش، حذف نويزهاي مختلف سيگنال ECG و بهبود كيفيت آن مي‌باشد. مواد و روش‌ها: در اين پژوهش، فيلتر تطبيقي كالمن بر اساس مدل بيزين استنتاج شد. با در نظر گرفتن ساده سازي‌هاي صورت گرفته و توزيع گوسي براي نويز اندازه‌گيري، روابط رياضي پيچيده به روابط ساده تبديل شد و در نتيجه پياده سازي آسان گشت. يافته‌ها: در اين مقاله، نسبت سيگنال به نويز (SNR) با استفاده از طراحي فيلتر تطبيقي كالمن به ميزان 21.46dB افزايش يافت. فيلتر تطبيقي كالمن با استنتاج از چارچوب بيزين قادر است تغييرات ديناميكي سيگنال ECG را با استفاده از تخمين ماتريس كوواريانس نويز اندازه‌گيري مدل سازي كند. نتيجه‌گيري: برخلاف فيلترهاي كالمني كه سيگنال ECG را بر اساس توابع پارامتري مدل سازي مي كنند، فيلتر تطبيقي كالمن ارايه شده در اين مقاله، ثبت‌هاي ECG واقعي را براي مدل سازي به كارگرفته است. توابع پارامتري كه بتوانند تغييرات ديناميكي ECG را مدل‌سازي كنند نيازمند تعداد زيادي توابع تحليلي هستند و اين باعث كندشدن فرايند فيلترينگ مي‌گردد. اما فيلتر تطبيقي كالمن ارايه شده در اين پژوهش از سرعت بالايي برخوردار بوده و مي‌تواند در كاربردهاي زمان واقعي به كار گرفته شود.

Background: Electrocardiogram signal (ECG) is a graphical representation of the heart activity. Processing and analysis of these morphological changes can result in visual diagnosing some cardiac diseases. However, various types of noises and disturbances in ECG influence the visual recognition and feature extraction from it. The aim of this research is to eliminate different noises from ECG and to enhance its quality. Materials and Methods: In this study, an adaptive Kalman filter is developed by using Bayesian model. Considering simplification and Gaussian distribution for measurement noise, complicate mathematical equations were converted to simple relations and therefore implementation was simplified. Results: In this paper, by designing an adaptive Kalman filter, the signal to noise ratio (SNR) has increased to 21.46dB. Adaptive Kalman filter based on Beyesian framework could model dynamic variations of ECG signal by estimating covariance matrix for measurement noise. Conclusion: In despite of Kalman filters that use parametric functions to model ECG signal, the adaptive Kalman filter introduced in this paper uses real ECG records for modeling. Parametric functions which could model dynamic variations of ECG need a lot of analytical functions and this decreases the time of filtering process but the adaptive Kalman filter proposed in this research has a high speed and could be used in real time applications.