استخراج سیگنال قلب جنین از ثبت‌های شکمی با استفاده از نمایش‌های تُنک سیگنال‌های الکتروکاردیوگرام
الموضوعات :پریا طاوسی 1 , قاسم عازمی 2 , پگاه زرجام 3
1 - برق و کامپیوتر
2 - برق و کامپیوتر
3 - برق و کامپیوتر
الکلمات المفتاحية: آنالیز سریع مؤلفه مستقلحسگری فشردهسیگنال الکتروکاردیوگرام جنینتبدیل کسینوسی گسستهتبدیل موجک گسسته,
ملخص المقالة :
یکی از شایع‌ترین دلایل مرگ و میر در هنگام تولد نوزاد نقص قلبی است. تشخیص بیماری قلبی نیازمند مشاهده فعالیت قلب است و یکی از مطمئن‌ترین روش‌ها برای بررسی سلامت قلب، استخراج فعالیت‌های الکتریکی قلب یا استخراج الکتروکاردیوگرام است. اما در شرایط خاص مکانی جنین قبل از تولد، استخراج غیر تهاجمی سیگنال الکتروکاردیوگرام چالش‌برانگیز شده است چرا که علاوه بر قلب جنین، منابع دیگری از قبیل قلب مادر، فعالیت ماهیچه‌ای مادر و جنین، فعالیت مغزی جنین و نویزهای محیط نیز تأثیر دارند که باعث مخدوش‌شدن سیگنال قلب جنین می‌شوند و تحلیل آن را دشوار می‌کنند. سیگنال قلب مادر به دلیل دامنه زیاد بیشترین تأثیر و سیگنال مغز جنین به دلیل دامنه کم، کمترین تأثیر را در مخدوش‌شدن سیگنال قلب جنین دارند. این مقاله، روشی جدید برای استخراج الکتروکاردیوگرام جنین از ثبت‌های شکمی مادر ارائه می‌دهد. روش پیشنهادی به منظور کاهش پیچیدگی محاسباتی از روش حسگری فشرده و برای تخمین منابع از روش آنالیز سریع مؤلفه مستقل و همچنین برای نمایش تُنک سیگنال‌ها از دو دیکشنری تبدیل کسینوسی گسسته و تبدیل موجک گسسته استفاده می‌کند. عملکرد پیاده‌سازی روش پیشنهادی روی پایگاه داده موجود در چالش 2013 فیزیونت ارزیابی و نتایج به دست آمده با بهترین روش‌های موجود مقایسه شده است. نتایج به دست آمده نشان می‌دهد که روش معرفی‌شده در این مقاله، با میانگین مربعات خطای 65/171، با دقت بیشتری نسبت به سایر روش‌های موجود قادر به استخراج سیگنال‌های قلب جنین می‌باشد.
[1] G. Camps-Valls, et al., "Foetal ECG recovery using dynamic neural networks," Artificial Intelligence in Medicine, vol. 31, no. 3, pp. 197-209, Jul. 2004.
[2] I. Silva, et al., "Noninvasive fetal ECG: the PhysioNet/computing in cardiology challenge 2013," Computing in Cardiology, vol. 35, no. 8, pp. 149-152, Sept. 2013.
[3] R. Sameni and G. D. Clifford, "A review of fetal ECG signal processing; issues and promising directions," The Open Pacing, Electrophysiology & Therapy J., vol. 3, no. 1, pp. 4-20, Jan. 2010.
[4] M. G. Jafari and J. A. Chambers, "Fetal electrocardiogram extraction by sequential source separation in the wavelet domain," IEEE Trans. on Biomedical Engineering, vol. 52, no. 3, pp. 390-400, Mar. 2005.
[5] L. De Lathauwer, B. De Moor, and J. Vandewalle, "Fetal electrocardiogram extraction by blind source subspace separation," IEEE Trans. on Biomedical Engineering, vol. 47, no. 5, pp. 567-572, May 2000.
[6] V. Zarzoso and A. K. Nandi, "Noninvasive fetal electrocardiogram extraction: blind separation versus adaptive noise cancellation," IEEE Trans. on Biomedical Engineering, vol. 48, no. 1, pp. 12-18, Jan. 2001.
[7] R. Martinek, et al., "Comparative effectiveness of ICA and PCA in extraction of fetal ECG from abdominal signals: towards non-invasive fetal monitoring," Frontiers in Physiology, vol. 9, pp. 1-25, May 2018.
[8] A. K. Rahmati, S. Setarehdan, and B. Araabi, "A PCA/ICA based fetal ECG extraction from mother abdominal recordings by means of a novel data-driven approach to fetal ECG quality assessment," J. of Biomedical Physics & Engineering, vol. 7, no. 1, pp. 37-50, Mar. 2017.
[9] J. Behar, A. Johnson, J. Oster, and G. Clifford, "An echo state neural network for foetal ECG extraction optimised by random search," in Proc. Adv. Neural Inf. Process. Syst., 5 pp., 2013.
[10] J. S. Lee, M. Seo, S. W. Kim, and M. Choi, "Fetal QRS detection based on convolutional neural networks in noninvasive fetal electrocardiogram," in Proc. 4th Int. Conf. on Frontiers of Signal Processing, ICFSP'18, pp. 75-78, Poitiers, France, 15-18 Sept. 2018.
[11] R. Sameni, M. B. Shamsollahi, C. Jutten, and G. D. Clifford, "A nonlinear Bayesian filtering framework for ECG denoising," IEEE Trans. on Biomedical Engineering, vol. 54, no. 12, pp. 2172-2185, Dec. 2007.
[12] R. Singh and R. Dewan, "Extraction of fetus ECG using adaptive filters: a new approach," IJECCE, vol. 4, no. 5, pp. 1349-1351, 2013.
[13] S. G. Lingala and M. Jacob, "Blind compressive sensing dynamic MRI," IEEE Trans. on Medical Imaging, vol. 32, no. 6, pp. 1132-1145, Jun. 2013.
[14] M. Lustig, D. L. Donoho, J. M. Santos, and J. M. Pauly, "Compressed sensing MRI," IEEE Signal Processing Magazine, vol. 25, no. 2, pp. 72-82, Mar. 2008.
[15] C. Quinsac, A. Basarab, J. M. Girault, and D. Kouame, "Compressed sensing of ultrasound images: sampling of spatial and frequency domains," in Proc. IEEE Workshop on Signal Processing Systems, pp. 231-236, San Francisco, CA, USA, 6-8 Oct. 2010.
[16] G. H. Chen, P. Theriault-Lauzier, J. Tang, B. Nett, S. Leng, J. Zambelli, et al., "Time-resolved interventional cardiac c-arm cone-beam CT: an application of the PICCS algorithm," IEEE Trans. on Medical Imaging, vol. 31, no. 4, pp. 907-923, Apr. 2012.
[17] Y. C. Eldar and G. Kutyniok, Compressed Sensing: Theory and Applications, Cambridge University Press, 2012.
[18] M. M. Abo-Zahhad, A. I. Hussein, and A. M. Mohamed, "Compression of ECG signal based on compressive sensing and the extraction of significant features," International J. of Communications, Network and System Sciences, vol. 8, no. 5, pp. 97-117, May 2015.
[19] J. A. Tropp and A. C. Gilbert, "Signal recovery from random measurements via orthogonal matching pursuit," IEEE Trans. on Information Theory, vol. 53, no. 12, pp. 4655-4666, Dec. 2007.
[20] Z. Zhang and B. D. Rao, "Extension of SBL algorithms for the recovery of block sparse signals with intra-block correlation," IEEE Trans. on Signal Processing, vol. 61, no. 8, pp. 2009-2015, Apr. 2013.
[21] H. Mohimani, M. Babaie-Zadeh, and C. Jutten, "A fast approach for overcomplete sparse decomposition based on smoothed L0 norm," IEEE Trans. on Signal Processing, vol. 57, no. 1, pp. 289-301, Jan. 2008.
[22] A. Hyvarinen and E. Oja, "Independent component analysis: algorithms and applications," Neural Networks, vol. 13, no. 4, pp. 411-430, Jun. 2000.
[23] M. Varanini, G. Tartarisco, L. Billeci, A. Macerata, G. Pioggia, and R. Balocchi, "A multi-step approach for non-invasive fetal ECG analysis," Computing in Cardiology, vol. 35, no. 8, pp. 281-284, Sept. 2013.
[24] I. Silva, et al., "Noninvasive fetal ECG: the PhysioNet/computing in cardiology challenge 2013," Sept. 2013. [Online]. Available:https://archive.physionet.org/challenge/2013/sources/
[25] P. Podziemski and J. Gieraltowski, "Fetal heart rate discovery: algorithm for detection of fetal heart rate from noisy, noninvasive fetal ECG recordings," Computing in Cardiology, vol. 35, no. 8, pp. 333-336, Jul. 2013.
[26] C. Liu, P. Li, C. Di Maria, L. Zhao, H. Zhang, and Z. Chen, "A multi-step method with signal quality assessment and fine-tuning procedure to locate maternal and fetal QRS complexes from abdominal ECG recordings," Physiological Measurement, vol. 35, no. 8, pp. 1665-1683, Jul. 2014.
[27] L. Y. Di Marco, A. Marzo, and A. Frangi, "Multichannel foetal heartbeat detection by combining source cancellation with expectation-weighted estimation of fiducial points," Computing in Cardiology, vol. 40, no. 8, pp. 329-332, Sept. 2013.
[28] J. Kuzilek and L. Lhotska, "Advanced signal processing techniques for fetal ECG analysis," Computing in Cardiology, vol. 40, no. 8, pp. 177-180, Sept. 2013.
