مرور نظام‌مند و تحليل مقايسه‌اي مبتني بر شبيه‌سازي روش‌هاي يادگيري عميق براي بهبود كيفيت سيگنال ECG در شبكه‌هاي ناحيه بدن بي‌سيم (WBANs)

اصفهان : دانشگاه صنعتي اصفهان

مهندسي پزشكي

كارشناسي ارشد

پايش الكتروكارديوگرام (ECG) در شبكه‌هاي ناحيه بدن بي‌سيم (WBAN) و سامانه‌هاي پوشيدني، هم تحت تأثير آرتيفكت‌هاي ناشي از الكترود و هم كانال بي‌سيم دچار افت كيفيت مي‌شود؛ بااين‌حال، روش‌هاي حذف نويز مبتني بر يادگيري عميق گزارش‌شده در مطالعات پيشين، تقريباً به‌طور انحصاري با نويز جمع‌شونده مصنوعي آموزش داده شده‌اند و به‌ندرت بر روي كانال انتقال يا هزينه اجراي آن‌ها بر روي دستگاه ارزيابي شده‌اند. اين پايان‌نامه يك مرور نظام‌مند از روش‌هاي حذف نويز عميق ECG و يك تحليل مقايسه‌اي كنترل‌شده و مبتني بر شبيه‌سازي را ارائه مي‌دهد كه تحت يك مدل تخريب شبيه‌سازي‌شده WBAN مبتني بر كانال انجام شده است. يك مولد پنج‌مرحله‌اي شامل افت مسير همراه با سايه‌زني لگاريتمي-نرمال (ضرايب مشتق‌شده از CM3 استاندارد IEEE 802.15.6)، محوشدگي رايسين همراه با داپلر وابسته به حركت، نويز AWGN گيرنده، كوانتيزه‌سازي 8 بيتي و ازدست‌رفتن مستقل بسته در هر فريم، داده‌هاي جفت‌شده (داده پاك، داده تخريب‌شده توسط كانال) را از مجموعه‌داده MIT-BIH (مرجع اصلي) و زيرمجموعه PTB-XL موجود به‌صورت محلي توليد مي‌كند كه در سطح بيمار تفكيك شده‌اند. سه رژيم تخريب با يكديگر مقايسه شدند: رژيم A (نويز سنتزشده پارامتريك مطابق با طبقه‌بندي NSTDB)، رژيم B (كانال شبيه‌سازي‌شده WBAN) و رژيم C (آموزش بر روي A و آزمون بر روي B). يك شبكه عصبي كانولوشني يك‌بعدي 6 لايه (1D CNN)، يك خودرمزگذار حذف نويز كانولوشني، يك U-Net يك‌بعدي (1D U-Net) و يك روش پايه موجك/NLMS، تحت يك پروتكل واحد و در گستره SNR ورودي از −10 تا +20 dB آموزش داده شدند. همچنين، دو مطالعه ثانويه شامل شرطي‌سازي آگاه از كانال و مطالعه حذف مرحله‌اي و نيز ارزيابي تأخير/محاسبات بر روي يك پلتفرم جانشين Raspberry Pi 4 انجام شد. سيگنال تخريب شبيه‌سازي‌شده، در چارچوب شبيه‌سازي پيشنهادي، در مقايسه با نويز سفيد با توان برابر، هم‌بسته، نايستا و از نظر طيفي غيريكنواخت نشان داده شد (24/24 بررسي). در رژيم B، مدل‌هاي يادگيري‌شده در سراسر گستره مورد بررسي، بهبود مثبت SNR را حفظ كردند و معيارهاي ارزيابي‌شده مورفولوژي QRS/ST را حفظ كردند، درحالي‌كه خطاي آن‌ها تقريباً نصف خطاي روش پايه بود. انتقال مدلي كه بر روي رژيم A آموزش ديده بود به رژيم B، منجر به ايجاد شكاف تعميم منفي شد كه با پاك‌تر شدن ورودي افزايش يافت: براي DAE در 0 dB، مقدار كلي اين شكاف -3.26 dB بود و در +20 dB به −9.94 dB براي DAE و −9.61 dB براي U-Net رسيد. در مطالعات انجام‌شده با پروتكل كاهش‌يافته، شرطي‌سازي آگاه از كانال نسبت به DAE بدون آگاهي از كانال، بهبود +1.178 dB ايجاد كرد و حذف كوانتيزه‌سازي و ازدست‌رفتن بسته، مراحلي بودند كه حذف آن‌ها بيشترين تغيير را در SNR بازيابي‌شده ايجاد كرد. بر روي پلتفرم جانشين - Raspberry Pi 4، هر سه مدل يادگيري‌شده يك گذر رو به جلو را براي هر قطعه 8 s در كمتر از 3 ms تكميل كردند. نتايج نشان مي‌دهند كه در اين شبيه‌سازي، مدل تخريبي مورد استفاده براي آموزش دست‌كم به اندازه معماري اهميت دارد و بر ضرورت طراحي روش‌هاي حذف نويز آگاه از كانال و ملاحظات سخت‌افزاري تأكيد مي‌كنند. اين مطالعه به ارزيابي صرفاً شبيه‌سازي‌شده، پارامترهاي كانالي اتخاذشده از پيكربندي (و نه به‌صورت مستقل راستي‌آزمايي‌شده)، معيارهاي مورفولوژي مبتني بر يك ليد منفرد به‌عنوان جانشين و يك پلتفرم سخت‌افزاري جانشين بدون اندازه‌گيري انرژي روي دستگاه محدود مي‌شود.

238397

بيوالكتريك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان