ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПОДАВЛЕНИЯ ВЫСОКОЧАСТОТНЫХ ПОМЕХ
В ЭЛЕКТРОКАРДИОСИГНАЛАХ

Кривоногов Леонид Юрьевич, кандидат технических наук, доцент кафедры медицинских информационных систем и технологий, Пензенский государственный университет, leonidkrivonogov@yandex.ru
Папшев Дмитрий Викторович, студент, Пензенский государственный университет, roVer_d@mail.ru

 53.088.7, 612.172.4

Рассмотрены вопросы подавления помех в электрокардиосигналах (ЭКС) на основе эмпирической модовой декомпозиции (EMD). Обосновано применение адаптивного базиса для анализа ЭКС. Описан алгоритм эмпирической модовой декомпозиции. Предложен усеченный алгоритм EMD. Рассмотрены задачи нелинейной пороговой обработки эмпирических мод ЭКС. Ключевой параметр нелинейной пороговой обработки – определение значения порога дискриминации, от него зависит эффективность подавления помех в ЭКС. Рассмотрены известные робастные оценки масштаба. Выбрана Q-оценка для вычисления параметра уровня шума в отдельных эмпирических модах. Разработан алгоритм определения порога дискриминации при подавлении высокочастотных помех в ЭКС на основе усеченной EMD.

Ключевые слова

электрокардиосигналы, подавление помех, разложение на эмпирические моды, нелинейная пороговая обработка, робастная оценка масштаба.

 Скачать статью в формате PDF

1. Дроздов, Д. В. Влияние фильтрации на диагностические свойства биосигналов / Д. В. Дроздов // Функциональная диагностика. – 2011. – № 3. – С. 75–78.
2. Huang, N. E. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis / N.E. Huang, Z. Shen, S. R. Long //Proc. R. Soc. Lond. A. 1998. Vol. 454. – P. 903–995.
3. Huang, N. E. The Hilbert–Huang Transform and Its Applications / N. E. Huang, S. S. P. Shen // World Scientific Publishing Co. Pte. Ltd. – Singapore, 2005. – 526 р.
4. Кривоногов, Л. Ю. Подавление помех в электрокардиосигналах на основе разложения по эмпирическим модам / Л. Ю. Кривоногов, А. Ю. Тычков // Известия ЮФУ. Технические науки. Тематический выпуск «Медицинские информационные системы». – 2010. – № 8 (109). – С. 127–132.
5. Кривоногов, Л. Ю. Перспективы применения преобразования Гильберта–Хуанга для автоматизированной обработки электрокардиосигналов / Л. Ю. Кривоногов, А. Ю. Тычков // Биотехносфера. – 2011. – № 5–6 (17–18). – С. 41–48.
6. Breiman, L. Better Subset Regression Using the Nonnegative Garrote / L. Breiman // Technometrics. – 1995. – № 37 (4). – P. 373–384.
7. Хьюбер, П. Робастность в статистике / П. Хьюбер. – М. : Мир, 1984. – 303 с.
8. Rousseeuw, P. J. Alternatives to the Median Absolute Deviation / P. J. Rousseeuw, C. Croux // Journal of the American Statistical Association. – 1993. – Vol. 88, № 424. – Р. 1273–1283.