ارتقا و حذف نویز از سیگنال قلبی با استفاده از فیلتر تطبیقی کالمن

زمینه و هدف: سیگنال الکتروکاردیوگرام (ecg) نمایشی گرافیکی از فعالیت قلبی است. پردازش و تحلیل تغییرات مورفولوژیکی آن می تواند به تشخیص بصری بسیاری از بیماری های قلبی کمک کند. با این وجود، انواع نویز واغتشاش در سیگنال ecg تشخیص بصری و استخراج ویژگی از آن را به شدت تحت تاثیر قرار می دهد. هدف از این پژوهش، حذف نویزهای مختلف سیگنال ecg و بهبود کیفیت آن می باشد.مواد و روش ها: در این پژوهش، فیلتر تطبیقی کالمن بر اساس مدل بیزین استنتاج شد. با در نظر گرفتن ساده سازی های صورت گرفته و توزیع گوسی برای نویز اندازه گیری، روابط ریاضی پیچیده به روابط ساده تبدیل شد و در نتیجه پیاده سازی آسان گشت.یافته ها: در این مقاله، نسبت سیگنال به نویز (snr) با استفاده از طراحی فیلتر تطبیقی کالمن به میزان 21.46db افزایش یافت. فیلتر تطبیقی کالمن با استنتاج از چارچوب بیزین قادر است تغییرات دینامیکی سیگنال ecg را با استفاده از تخمین ماتریس کوواریانس نویز اندازه گیری مدل سازی کند.نتیجه گیری: برخلاف فیلترهای کالمنی که سیگنال ecg را بر اساس توابع پارامتری مدل سازی می کنند، فیلتر تطبیقی کالمن ارائه شده در این مقاله، ثبت های ecg واقعی را برای مدل سازی به کارگرفته است. توابع پارامتری که بتوانند تغییرات دینامیکی ecg را مدل سازی کنند نیازمند تعداد زیادی توابع تحلیلی هستند و این باعث کندشدن فرایند فیلترینگ می گردد. اما فیلتر تطبیقی کالمن ارائه شده در این پژوهش از سرعت بالایی برخوردار بوده و می تواند در کاربردهای زمان واقعی به کار گرفته شود.

Enhancement and Denoising of ECG Signals using Adaptive Kalman Filter

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, complicated 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.