نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشگاه صنعتی سهند تبریز/ دانشکده مهندسی پزشکی

2 کروه مخابرات سیستم، دانشکده مهندسی برق و کامپیوتر فناوری‌های پیشرفته، دانشگاه ارومیه، ارومیه

10.22041/ijbme.2022.534458.1707

چکیده

فیلتر کالمن گسترش‌یافته (EKF) نوعی چهارچوب بیزی غیرخطی شناخته‌شده است که تاکنون در زمینه‌های مختلف پردازش ECG بکار گرفته‌شده است. بااین‌حال، عملکرد این فیلتر در حذف نویزهای غیر ایستا همانند آرتیفکت‌ ماهیچه (MA) چندان رضایت‌بخش نیست. در این مقاله با ارائه‌ی یک مدل دینامیک ECG (EDM) اصلاح‌شده و یک فرمولاسیون جدید برای پیاده‌سازی EKF، عملکرد آن در محیط‌های غیر ایستا بهبود داده‌شده است . در EDM جدید، مدل اندازه‌گیری طوری اصلاح‌شده که علاوه بر نویزهای گوسی، نویزهای غیر ایستای غیر گوسی را نیز در نظر بگیرد. همچنین، فرمولاسیون پیشنهادی در این مقاله برای الگوریتم EKF آن را قادر می‌سازد تا عملکرد بهتری نسبت به EKF استاندارد در حذف نویزهای غیر ایستا داشته باشد. فیلتر پیشنهادی مشخصات بالینی سیگنال‌های ECG را نیز بهتر از EKF استاندارد حفظ می‌کند. به‌منظور نمایش اثربخشی الگوریتم EKF پیشنهادی، عملکرد نویز زدایی آن روی سیگنال‌های مستخرج از پایگاه داده‌ی ریتم سینوس نرمال MIT-BIH (NSRDB) در حضور دو نوع نویز غیر ایستای مختلف (نویز صورتی مصنوعی و نویز آرتیفکت ماهیچه واقعی) ارزیابی شد. نتایج ارزیابی‌ها نشان دادند که از منظر معیارهای بهبود SNR و MSEWPRD، چهارچوب EKF پیشنهادی در این مقاله عملکرد بهتری نسبت به چهارچوب EKF استاندارد در محیط‌های غیر ایستا دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

An Improved Model-Based Bayesian Framework for ECG Processing in Non-Stationary Environments

نویسندگان [English]

  • Hamed Danandeh Hesar 1
  • Amin Danandeh Hesar 2

1 Faculty of Biomedical Engineering/,Sahand University of Technology, Tabriz, Iran

2 مخابرات سیستم، دانشکده مهندسی برق و کامپیوتر فناوری‌های پیشرفته، دانشگاه ارومیه، ارومیه

چکیده [English]

Extended Kalman filter (EKF) is a well-known nonlinear Bayesian framework that has been deployed in various fields of ECG processing. However, it’s not very effective in removing non-stationary noises such as muscle artifacts (MA) which are common in ECG recordings. This paper addresses this issue by proposing a new ECG dynamic model (EDM) and a novel formulation for EKF which improves its performance in non-stationary environments. In the new EDM, the measurement model is modified to include non-Gaussian, non-stationary additive noises as well as stationary ones. The proposed formulation for EKF algorithm in this paper enables it to perform better than standard EKF in removing non-stationary contaminants. The proposed filter also preserves the clinical characteristics of ECG signals better than standard EKF. In order to show the effectiveness of the proposed EKF algorithm, its denoising performance was evaluated on MIT-BIH Normal Sinus Rhythm database (NSRDB) in the presence of two different types of non-stationary contaminants; synthetic pink noise and real muscle artifact noise. The results showed that the proposed EKF framework in this paper has a significant outperformance over the standard EKF framework in non-stationary environments from both SNR improvement and MSEWPRD viewpoints.

کلیدواژه‌ها [English]

  • Extended Kalman Filter
  • ECG denoising
  • Model-Based ECG processing
  • MSEWPRD