ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ АЛГОРИТМІВ ФІЛЬТРАЦІЇ БІОМЕДИЧНИХ СИГНАЛІВ У РЕАЛЬНОМУ ЧАСІ
DOI:
https://doi.org/10.36994/2788-5518-2024-02-08-07Ключові слова:
фотоплетизмографія (ФПГ), фільтрація біомедичних сигналів, носимі пристрої, фільтр Калмана, фільтр низьких частот, ковзне середнє, середньозважений фільтр, медичний моніторингАнотація
Якість біомедичних сигналів, зібраних натільними пристроями, має вирішальне значення для точного фізіологічного моніторингу та виявлення потенційних відхилень. У цьому дослідженні оцінено ефективність різних алгоритмів фільтрації фотоплетизмографічних (ФПГ) сигналів, включаючи фільтри низьких частот, ковзного середнього, середньозваженого та Калмана, для визначення оптимального методу зменшення шуму у разі збереження ключових параметрів, таких як частота серцевих скорочень (ЧСС) та насичення крові киснем (SpO2). Дані були зібрані за допомогою мікроконтролера ESP32 і датчика MAX30102 в умовах стаціонару і руху. Рівні шуму були проаналізовані протягом 20-секундних інтервалів з високим вмістом артефактів. Результати показують, що фільтр Калмана досягає найкращого балансу між придушенням шуму і цілісністю сигналу, зберігаючи пікові компоненти і забезпечуючи точні фізіологічні показники (ЧСС: 87,06 уд/хв, SpO2: 85,37%). На противагу цьому, фільтр низьких частот надмірно згладжує піки, що впливає на точність, тоді як фільтри ковзного та середньозваженого середнього забезпечують помірне зменшення шуму з різною адаптивністю. Отримані результати підкреслюють важливість вибору відповідних методів фільтрації на основі обчислювальних обмежень і рівнів шуму. Фільтр Калмана є кращим для моніторингу в реальному часі в динамічних умовах, тоді як простіші фільтри можуть бути достатніми у середовищах з низьким рівнем шуму. Порівняння фільтрів показало, що комбінація фільтра Калмана та середньозваженого фільтра забезпечує найвищу точність та надійність. Така фільтрація була використана у створеній інтегрованій системі для домашнього використання, яка відстежує та прогнозує дихальні патології пацієнтів за межами клінік і дозволяє їм самостійно контролювати стан здоров’я. Система забезпечує підтримку лікарів у діагностиці дихальних розладів через віддалений доступ до інформації про пацієнтів. У подальших дослідженнях можна було б вивчити адаптивну фільтрацію на основі машинного навчання для підвищення точності діагностики та медичних застосувань у реальному часі.
Посилання
Shovlin, Alex & Ghen, Mike & Simpson, Peter & Mehta, Khanjan (2013). Challenges facing medical data digitization in low-resource contexts. Proceedings of the 3rd IEEE Global Humanitarian Technology Conference, GHTC 2013. 365–371. 10.1109/GHTC.2013.6713713.
Kawala-Janik, Aleksandra, Pelc, Mariusz, Podpora, Michal (2015). Method for EEG signals pattern recognition in embedded systems. Elektronika ir Elektrotechnika, 2015, 21.3: 3–9.
Aziz, Rabia & Jawed, Firdaus & Khan, Sohrab & Sundus, Habiba (2024). Wearable IoT Devices in Rehabilitation: Enabling Personalized Precision Medicine. 10.4018/979-8-3693-2105-8.ch018.
Ferdi, Youcef (2011). Fractional order calculus-based filters for biomedical signal processing. In: 2011 1st Middle East conference on biomedical engineering. IEEE, p. 73–76.
Lazazzera, Remo, Belhaj, Yassir, Carrault, Guy (2019). A new wearable device for blood pressure estimation using photoplethysmogram. Sensors, 19.11: 2557.
Anderson, Brian Do, Moore, John B. (2005). Optimal filtering. Courier Corporation.
Smith, Steven W. (1997). The Scientist and Engineer’s Guide to Digital Signal Processing. 1st ed, California Technical Publishing.
Gao, Y., Tian, D., Wang, Y. (2020). Fuzzy Self-tuning Tracking Differentiator for Motion Measurement Sensors and Application in Wide-Bandwidth High-accuracy Servo Control. Sensors, 20, 948. https://doi.org/10.3390/s20030948.
Proakis, J. G. & Manolakis, Dimitris (1992). Digital Signal Processing.
Chen, Yan & Li, Dan & Li, Yanhai & Ma, Xiaoyuan & Wei, Jianming (2016). Use Moving Average Filter to Reduce Noises in Wearable PPG During Continuous Monitoring. 181. 193–203. 10.1007/978-3-319-49655-9_26.
Lyons, Richard (2001). Understanding Digital Signal Processing’s Frequency Domain. RF Design Magazine.
Lee, Junyeon. (2014). Motion artifacts reduction from PPG using cyclic moving average filter. Technology and health care: official journal of the European Society for Engineering and Medicine. 22. 10.3233/THC-140798.
Eilers, Paul (2003). A Perfect Smoother. Analytical chemistry, 75. 3631–6. 10.1021/ac034173t.
Tamura, Toshiyo & Maeda, Yuka & Sekine, Masaki & Yoshida, Masaki (2014). Wearable Photoplethysmographic Sensors – Past and Present. Electronics, 3. 10.3390/electronics3020282.
Kawala-janik, Aleksandra, Pelc, Mariusz, Podpora, Michal. (2015). Method for EEG signals pattern recognition in embedded systems. Elektronika ir Elektrotechnika, 21.3: 3–9.
Wang, Yu-Jen, et al. (2018). Estimation of blood pressure in the radial artery using strain-based pulse wave and photoplethysmography sensors. Micromachines, 9.11: 556.
Lee, Y.-K., Jo, J., Lee, Y., Shin, H.-S., Kwon, O.-W. (2012). Particle filter-based noise reduction of PPG signals for robust emotion recognition. In Proceedings of the IEEE International Conference on Consumer Electronics (ICCE), Las Vegas, NV, USA, 13–16 January 2012, pp. 598–599.
Lee, B., Han, J., Baek, H.-J., Shin, J.-H., Park, K.-W., Yi, W.-J. (2010). Improved estimation of motion artifacts from a photoplethysmographic signal using a Kalman smoother with simultaneous accelerometry. Physiol. Meas. 31, 1585–1603.
