Biyolojik işaretlerin temel tanım ve zarf fonksiyonları ile modellenmesi
Modelling biological signals via signature and envelope functions
- Tez No: 152293
- Danışmanlar: PROF.DR. ALİ NUR GÖNÜLEREN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2004
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 131
Özet
BİYOLOJİK İŞARETLERİN TEMEL TANIM VE ZARF FONKSİYONLARI İLE MODELLENMESİ ÖZET Biyolojik işaretler (ElektroKardiyoGram-EKG, ElektroEnsefaloGratn-EEG, ElektroMiyoGram-EMG gibi), veri depolaması uygulamalarında, gezici kayıt sistemlerinde, GSM veya haberleşme ağlan üzerinden iletilmesi uygulamalarında, hastalıklara uygun tam ve tedavinin belirlenmesi uygulamalarında yaygın olarak kullanılmaktadır. Biyolojik işaretlerin oldukça büyük miktarlarda veri içermesi nedeniyle biyolojik işaretlerin depolanması, iletimi ve yeniden oluşturulması uygulamalarında önemli sınırlamalar ortaya çıkmaktadır. Bu problemi aşmanın bir yolu biyolojik işaretleri içerdiği önemli verileri kaybetmeden sıkıştırmaktır. Bununla birlikte, biyolojik işaretler (EKG, EEG gibi), hastalıkların izlenme sürecinde sürekli kaydedilerek değerlendirilmeleri, uygun tam ve tedavinin belirlenmesi ve uygulanan tedavinin izlenmesi, oluşabilecek anormalliklerin ve komplikasyonlann belirlenmesi açılarından oldukça önem taşımaktadır. Bu nedenle işaretlerin kabul edilebilir bir hata ile sıkıştırılması kaçınılmazdır. Özellikle EKG, EEG ve EMG işaretlerinin tamlama açısından önemli veriler kaybedilmemek şartı ile sıkıştırılması gereklidir. Biyolojik işaretlerin sıkıştırılması ve hızlı iletimi az sayıda parametre ile birlikte uygun bir modelin oluşturulması ile gerçekleştirilebilir. Bu durumda, EKG, EEG ve EMG işaretleri seçilen modelin parametreleri cinsinden tanımlanabilir. Bu çalışmanın amacı, biyolojik işaretlerin verimli bir biçimde sıkıştırılması, modellenmesi ve yeniden oluşturulması için yeni bir yöntem oluşturmaktır. Bu çalışmada, biyolojik işaretlerinin (EKG, EEG, EMG gibi) Temel Tanım ve Zarf Fonksiyonları ile modellenmesine yönelik olarak yeni bir yöntem sunulmaktadır. Sunulan yöntem, her hangi bir biyolojik işarete ilişkin X,{f) çerçeve fonksiyonunu xt(t) = CıaK(t)ıt(f), Temel Tanım Fonksiyonu olarak adlandırılmakta ve bir Q katsayısı ile özgün işarete ilişkin Xt çerçeve vektörünün en yüksek enerjisini taşımaktadır, arft), Zarf Fonksiyonu olarak adlandırılmakta ve özgün işaretin çerçeve vektörünün zarfım oluşturmaktadır. C, katsayısı da Çerçeve Ölçekleme Katsayısı olarak adlandırılmaktadır. Gösterildiği üzere ®={#v(0} ve A={aıXf)} bankaları herhangi bir biyolojik işareti modellemek için Temel Tanım ve Zarf Vektör Bankası 'm oluşturur. Bu çalışmada çok sayıda biyolojik işaret incelenmiş ve binlerce çerçeve vektörü analiz edilmiştir. Bu incelemenin sonuda gerek tanım vektörlerinin gerek ise zarf vektörlerinin tekrarlanır özellik gösterdiği gözlenmiştir. Bu nedenle, birbirine benzer örnekler algoritma- 1 kullanılarak elenebilir ve“Temel Tanım Vektör Bankası {ç)r(n);r = 1,2,3,...,Np}”ile“Zarf Vektör Bankası {ak(n) k = 1,2,3,..., Na}”olarak adlandırılan iki banka oluşturulabilir. Algoritma-2 kullanılarak, herhangi bir i. çerçeve için, özgün çerçeve vektörünü en küçük kareler anlamında en iyi biçimde temsil edecek zarf vektörü ve temel tanım vektörü bir Ct katsayısı ile beraber xıbelirlenir. Sonuç olarak, herhangi bir biyolojik işarete ilişkin özgün çerçeve vektörü Xi, temel tanım ç>R(f) ve zarf a^f) fonksiyonları ile, bir Q katsayısının çarpımı biçiminde temsil edilebilir veya yeniden oluşturulabilir {xi{t) = CiaK{t)çR{t)). Bir başka deyişle, bir biyolojik işaretin her bir çerçevesi, Temel Tanım ve Zarf Vektör Bankasının R ve K indisleri ile bir çerçeve ölçekleme katsayısı cinsinden ifade edilebilir. Gösterileceği üzere önerilen yeni yöntem oldukça önemli bir sıkıştırma oram da gerçekleştirmektedir. Ayrıca, Temel Tanım ve Zarf Fonksiyonları iletim bandının herbir düğümüne yerleştirilerek biyolojik işaretin iletimi, Temel Tanım ve Zarf Vektör Bankasının“K”ve“R”indislerinin ve C; Çerçeve Ölçekleme Katsayısının iletimine indirgenmiş olur. Ayrıca, Matlab platformu üzerinde kullanıcı etkileşimli bir yazılım geliştirilmiştir. Geliştirilen ara yüz, kullanıcılara yeni yönteme ilişkin matematiksel detayları bilmeden biyolojik işaretlerin (özellikle EKG, EEG ve EMG) modellenmesine, sıkıştırılmasına ve yeniden oluşturulmasına imkan tanımaktadır. xıı
Özet (Çeviri)
MODELLING BIOLOGICAL SIGNALS VIA SIGNATURE AND ENVELOPE FUNCTIONS SUMMARY Biological signals (ElectroCardioGram-ECG, ElectroEncephaloGram-EEG, ElectroMyoGram-EMG etc.) are widespread in long time data storage, ambulatory recording systems, transmission over the GSM or telecommunication systems, diagnosis and therapy of many diseases. However, since such signals comprise huge amounts of data, the storage, transfer and reconstruction of biological signals create certain limitations. One way to overcome this problem is the compression of the signals, provided that the information covered by the signal is not lost. Moreover, such signals have to be repeatedly received and evaluated during the course of the illness in order to verify the diagnosis, determine the treatment methods and allow follow up of the therapy to avoid abnormal patterns and complications. Therefore, compression of signals with acceptable loss is inevitable. Especially, compression of the ECG, EEG, and EMG signals are necessary so that the clinical features preserved in the reconstructed signal. Diagnosis, compression and speedy transmission of the biological signals may be achieved by means of appropriate models with least number of parameters. In this case, the measured ECG, EEG, and EMG data may be described in terms of the parameters of the selected model. The objective of this work is to propose a novel method which enable very efficient compression and representation of the biological signals. In this paper, a new method to model biological signals by means of“Signature and Envelope Functions”is presented. In this work, on a frame basis, any biological signal Xi(t) is modeled by the form of xt(t) = CiaK(t)çR(t), In this model, (pdf) is defined as the Signature Function since it carries almost maximum energy of the frame vector Xt with a constant Ct. a^t) is referred to as.Envelope Function since it matches the envelope of CtÇR(t) to the original frame vector Xt; and Ct is called the Frame-Sealing Coefficient. It has been demonstrated that the sets 0>={r(ri);r = 1,2,3,..., N }“ respectively with reduced envelope and signature sequences. By evaluating the algorithm 2, for any given frame ”/“, the frame sequence Xt can be approximated by pulling an appropriate signature vector and envelope vector from Signature Bank and Envelope Bank with a constant C”in the least mean square sense respectively. Finally, any biological signal frame Xt can be represented in terms of the multiplication of envelope a^t) and signature çr(İ) xiufunctions with a constant Ct or xt (t) = ClaK (t)cpR (t). Thus, biological signal for each frame is described in terms of the two indices“R”and“K”of Signature and Envelope Functional Bank and the frame-scaling coefficient Ct. It has been shown that the new method of modeling provides significant data compression. Furthermore, once Signature and Envelope Functional Bank are stored on each communication node, transmission of biological signals reduces to the transmission of indexes“K”and“R”of Signature and Envelope Functional Bank and the coefficients Q, which also result in considerable saving in the transmission band. Furthermore, a computer program was designed that incorporate the new compression and modelling technique in user-friendly software which enable the user to easily compress and reconstruct biological (especially ECG, EEG, and EMG) signal through a simple graphic interface. This interface allows the user to model, compress and reconstruct any biological signal without knowledge of the mathematical details of the new modelling technique. XIV
Benzer Tezler
- Mikrodalga temelli klinik öncesi deneysel ortopedik görüntüleme sisteminin geliştirilmesi
Development of a microwave-based pre-clinical experimental orthopedical imaging system
ERCAN MENGÜÇ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK HELHEL
- 12 standart derivasyonlu bir EKG biopotansiyel simülatörünün dizaynı ve gerçekleştirilmesi
The Design and application of an ECG biopotantial simulator with 12 standart derivations
RAŞİT KÖKER
Yüksek Lisans
Türkçe
1996
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF.DR. İHSAN GÖK
- Biyomedikal işaretlerin Markov rastgele alanları kullanılarak işlenmesi
Biomedical signal processing using Markov random fields
NİYAZİ KILIÇ
Yüksek Lisans
Türkçe
2003
Tıbbi Biyolojiİstanbul ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN NURİ UÇAN
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Erken ventriküler kasılmalarda ysa tabanlı bir sınıflandırıcının FPGA ile gerçekleştirilmesi
An FPGA implementation of ann-based premature ventricular contraction classifier
AHMET TURAN ÖZDEMİR
Doktora
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. KENAN DANIŞMAN