فصل نامه علمی پژوهشی مهندسی پزشکی زیستی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اخبار و اعلانات

پیاده‌سازی فیلتر ذره‌ای-‌حاشیه‌ای کالمن گسترش‌یافته به‌صورت مجذور مربعات در پردازش سیگنال ECG

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه‌نصیرالدین طوسی، تهران

2 استادیار، گروه بیوالکتریک، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه‌نصیرالدین طوسی، تهران

چکیده

فیلتر ذره‌ای-‌حاشیه‌ای کالمن گسترش‌یافته (MP-EKF)، از جمله روش‌های نوین در پردازش سیگنال الکتروکاردیوگرام (ECG) است که با استفاده از مزیت­های دو نوع فیلتر بیزی ذره‌ای و کالمن گسترش‌یافته (EKF)، می‌تواند با محاسبات کمتری نسبت به فیلترهای ذره­ای متداول، برای تخمین مدل‌های دینامیکی غیرخطی ECG مورد استفاده قرار گیرد. برتری این روش در حذف نویزهای ایستان و غیر ایستان، در مقایسه با سایر روش‌های بیزی مدل­پایه، هم‌چون فیلترهای کالمن گسترش‌یافته و  نرم‌کننده‌ی کالمن گسترش‌یافته (EKS)، اثبات شده است. فیلتر MP-EKF این ظرفیت را دارد که بتوان از آن در سایر مدل‌های دینامیکی ECG که قبلا برای کاربردهایی هم‌چون قطعه‌بندی سیگنال ECG به‌کاررفته‌اند، استفاده شود. اما وجود معادلات کالمن داخل این فیلتر، سبب می‌شود که مشکلات عددی و خطاهای گردسازی معادلات فیلتر کالمن در سیستم‌هایی که دقت و رزولوشن محاسباتی محدودی دارند، گریبان‌گیر MP-EKF نیز بشود. فیلترهای کالمن مجذور مربعات، در مقایسه با فیلترهای کالمن معمولی، مقاومت بیشتری نسبت به خطاهای گردسازی دارند. در این مقاله با الهام گرفتن از این‌گونه فیلترها، برای بالا بردن مقاومت MP-EKF نسبت به خطاهای گردسازی و مشکلات عددی، پیشنهاد می‌شود که MP-EKF به‌صورت مجذور مربعات پیاده شود. اما به دلیل وجود عمل‌گرهای تفریق در برخی از معادلات MP-EKF، نمی‌توان از روش‌های متداول در پیاده‌سازی مجذور مربعات فیلتر کالمن برای فیلتر MP-EKF استفاده نمود. روشی که در این مقاله پیشنهاد می‌شود، روش جدیدی است که با الهام گرفتن از تجزیه‌ی  می‌تواند معادلات MP-EKF را به‌صورت مجذور مربعات پیاده‌سازی کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Square Root Implementation of Marginalized Particle Extended Kalman Filter with an Application in ECG Processing

نویسندگان [English]

  • Hamed Danandeh Hesar 1
  • Maryam Mohebbi 2

1 Ph.D Student, Department of Biomedical Engineering, K. N. Toosi University of Technology, Tehran, Iran

2 Assistant Professor, Department of Biomedical Engineering, K. N. Toosi University of Technology, Tehran, Iran

چکیده [English]

Marginalized particle extended Kalman filter (MP-EKF) takes advantage of both extended Kalman filter and particle filter frameworks to estimate nonlinear ECG dynamic models (EDMs) with reduced number of calculations in comparison to typical particle filters. However, due to existence of Kalman filter framework inside MP-EKF, some limitations are introduced in implementation of MP-EKF especially in embedded systems with finite numerical accuracies. In this paper, for the first time, we propose a square root filtering strategy for MP-EKF which alleviates these restrictions using  factorization. Typical  or other square-root Kalman filters cannot be employed inside MP-EKF due to presence of minus operations in some equations of MP-EKF. However, our method can be implemented in MP-EKF structure. The proposed method can be used in any EDM previously used by EKF based frameworks in the field of ECG processing. 

کلیدواژه‌ها [English]

  • ECG Processing
  • MP-EKF
  • QR Factorization
  • Extended Kalman Filter
مراجع
[1]     R. Sameni, M. B. Shamsollahi, and C. Jutten, "Model-based Bayesian filtering of cardiac contaminants from biomedical recordings," Physiological Measurement, vol. 29,  no. 5, pp. 595-613, May 2008.
[2]     R. Sameni, M. B. Shamsollahi, C. Jutten, and G. D. Clifford, "A nonlinear Bayesian filtering framework for ECG denoising," IEEE Transactions on Biomedical Engineering, vol. 54,  no. 12, pp. 2172-2185, 2007.
[3]     O. Sayadi and M. B. Shamsollahi, "ECG denoising and compression using a modified extended Kalman filter structure," IEEE Transactions on Biomedical Engineering, vol. 55,  no. 9, pp. 2240-2248, 2008.
[4]     P. E. McSharry, G. D. Clifford, L. Tarassenko, and L. A. Smith, "A dynamical model for generating synthetic electrocardiogram signals," IEEE Transactions on Biomedical Engineering, vol. 50,  no. 3, pp. 289-294, 2003.
[5]     H. Hesar and M. Mohebbi, "ECG Denoising Using Marginalized Particle Extended Kalman Filter with an Automatic Particle Weighting Strategy," IEEE Journal of Biomedical and Health Informatics, vol. 21,  no. 3, pp. 635-644, 2016.
[6]     D. Simon, Optimal state estimation: Kalman, H infinity, and nonlinear approaches: John Wiley & Sons, 2006.
[7]     G. Girija, J. Raol, R. A. Raj, and S. Kashyap, "Tracking filter and multi-sensor data fusion," SADHANA-BANGALORE-, vol. 25,  no. 2, pp. 159-168, 2000.
[8]     T. Kailath, A. H. Sayed, and B. Hassibi, Linear estimation vol. 1: Prentice Hall Upper Saddle River, NJ, 2000.
[9]     M. L. Psiaki, "Square-root information filtering and fixed-interval smoothing with singularities," in Proc. American Control Conference, 1998. Proceedings of the 1998, 1998, pp. 2744-2748.
[10] H. D. Hesar and M. Mohebbi, "An Adaptive Particle Weighting Strategy for ECG Denoising Using Marginalized Particle Extended Kalman Filter: an Evaluation in Arrhythmia Contexts," IEEE Journal of Biomedical and Health Informatics, vol. 21,  no. 6, pp. 1581-1592, 2017.
[11] R. Sameni, M. B. Shamsollahi, C. Jutten, and G. D. Clifford, "A nonlinear Bayesian filtering framework for ECG denoising," IEEE Trans. Biomedical Engineering, vol. 54,  no. 12, pp. 2172-2185, 2007.
[12] M. Akhbari, M. B. Shamsollahi, C. Jutten, A. A. Armoundas, and O. Sayadi, "ECG denoising and fiducial point extraction using an extended Kalman filtering framework with linear and nonlinear phase observations," Physiological measurement, vol. 37,  no. 2, p. 203, 2016.
[13] G. Clifford, A. Shoeb, P. McSharry, and B. Janz, "Model-based filtering, compression and classification of the ECG," International Journal of Bioelectromagnetism, vol. 7,  no. 1, pp. 158-161, 2005.
[14] O. Sayadi and M. Shamsollahi, "A model-based Bayesian framework for ECG beat segmentation," Physiological Measurement, vol. 30,  no. 3, pp. 335-352, 2009.
[15] T. Schon, F. Gustafsson, and P.-J. Nordlund, "Marginalized particle filters for mixed linear/nonlinear state-space models," IEEE Transactions on Signal Processing, vol. 53,  no. 7, pp. 2279-2289, 2005.
[16] G. H. Golub and C. F. Van Loan, Matrix computations vol. 3: JHU Press, 2012.
[17] S. Gibson and B. Ninness, "Robust maximum-likelihood estimation of multivariable dynamic systems," Automatica, vol. 41,  no. 10, pp. 1667-1682, 2005.
[18] The MIT-BIH Normal Sinus Rhythm Database. PhysioNet,Cambridge,MA[Online]. Available:http://www.physionet.org/physiobank/data-base/nsrdb/
[19] The MT-BIH Noise Stress Test Database. PhysioNet, Cambridge, MA [Online]. Available:http://www.physionet.org/physiobank/data-base/nstdb/
[20] M. S. Manikandan and S. Dandapat, "Multiscale entropy-based weighted distortion measure for ECG coding," Signal Processing Letters, IEEE, vol. 15,  pp. 829-832, 2008.
[21] M. Antonini, M. Barlaud, P. Mathieu, and I. Daubechies, "Image coding using wavelet transform," IEEE Transactions on Image Processing, vol. 1,  no. 2, pp. 205-220, 1992.
فصل نامه علمی پژوهشی مهندسی پزشکی زیستی
دوره 11، شماره 4
بهمن 1396
صفحه 275-289
فایل ها
سابقه مقاله
  • تاریخ دریافت: 12 دی 1396
  • تاریخ بازنگری: 25 اردیبهشت 1397
  • تاریخ پذیرش: 17 خرداد 1397
  • تاریخ اولین انتشار: 17 خرداد 1397
اشتراک گذاری
ارجاع به این مقاله
آمار