1- مقدمه هرگاه روند تغییرات یک پدیده یا یک کمیت را در
طول زمان مورد مطالعه قرار دهیم، در واقع با یک سیگنال روبرو هستیم. در علم پردازش
سیگنالهای حیاتی با سيگنالهايي كه توسط ارگانهاي بدن توليد ميشوند و در واقع
منشا بیولوژیکی سر و کار خواهیم داشت. این سیگنالها میتوانند نظیر سیگنال
الکتروکاردیوگرافی (ECG) نتيجة دپلاريزاسيون سلول هاي ماهيچة قلب باشند و منشا
الکتروشیمیایی داشته باشند و یا همچون صداي توليد شده توسط دريچههاي قلب که به
وسیله سمع صدای قلب قابل ثبت و ضبط میباشد و به Auscultation Signal یاHeart Sound شهرت دارد، منشا مكانيكي داشته باشند. امروزه در
مهندسی پزشکی، روند استفاده از این سيگنالهاي حياتي براي تشخيص و تحقيقات بالینی
به شدت دارای نرخ صعودی است. بدون شک استفاده از پیشرفت چشمگیر سرعت محاسبات
کامپیوتری نقش سرنوشت سازی در این زمینه دارد. 2- مراحل
پردازش سیگنال در مهندسی پزشکی مسلما اولین و شاید مهمترین گام در این زمینه
همان ثبت دادههای بالینی میباشد که در اصطلاح داده برداری یا data acquisition گفته
میشود. امروزه با وجود پیشرفتهای شگرف در ساختار تجهیزات پزشکی و سنسورهای با
دقت بالا، ثبت سیگنالهای مهندسی پزشکی با بالاترین کیفیت
صورت میپذیرد. در اين مرحله سيگنالهاي مكانيكي يا اکتروشيميايي به سيگنالهاي
الكتريكي تبديل ميشوند و
پس از تقویت معمولا به صورت فایلهای با پسوندهای با فرمت dat، txt، csv، xls، wav، mat و
... بسته به نرم افزار ثبت دادهها قابل تغییر میباشد. 3- پیش پردازش
سیگنالهای حیاتی این مرحله معمولا شامل مراحل زیر است: 1- فراخوانی دادههای ثبت شده و آماده سازی آنها برای مراحل
بعدی، 2- کاهش فرکانس نمونه برداری (Down-sampling) در
صورت نیاز 3- حذف نویز از سیگنال که در مورد سیگنالهای حیاتی از اهمیت
ویژهای برخوردار است. در مورد روشهای حذف/کاهش نویز چند روش را به
صورت اجمالی مرور خواهیم کرد. به عنوان مثال در هنگام ثبت سیگنال ECG
نویزهای متفاوتی بر روی آن اثر میگذارند و یا آن را آلوده میسازند که شامل موارد
زیر میباشند. 1)
تغییرات در پایه سیگنال (Baseline Wandering) که معمولا به صورت
نویزهایی با فرکانس پایین مدل میشود. 2)
آرتیفکت یا تداخل نویز با فرکانس 50-60 هرتز ناشی از خطوط انتقال برق شهری. 3)
تداخل با سیگنال الکترومایوگرافی (EMG) که سیگنالی الکتریکی است و از فعالیت عضلات دیگر اطراف قلب و
نزدیک به الکترودها ناشی میشود. 4)
نویز ایجاد شده به خاطر تکان خوردنهای الکترود روی پوست و در نتیجه تغییر امپدانس
اتصال الکترود که در زمان ثبت سیگنال معمولا اجتناب ناپذیر است. از جمله نویزهایی که بر روی سیگنال EEG که
دیگر سیگنال مهم درمیان سیگنالهای حیاتی است نیز میتوان به آرتیفکتهای ناشی از
پلک زدن فرد اشاره نمود. همچنین اثرات ECG نیز
بر روی سیگنال EEG معمولا مشاهده میشود و باید با استفاده از روشهای حذف نویز به
تخمین و سپس حذف آن پرداخت. سادهترین روش برای حذف/کاهش نویز از سیگنالهای
حیاتی استفاده از فیلترها است که میتوان آنها را به فیلترهای پایینگذر، بالاگذر،
میانگذر و میاننگذر تقسیم بندی نمود. اما روشهای پیشرفتهتر دیگری نیز وجود
دارد. در این بین به دلیل غیرایستا (non-stationary) بودن سیگنالهای حیاتی،
استفاده از موجکها (Wavelets) برای حذف نویز و تحلیل
این دسته از سیگنالها در سالیان اخیر محبوبیت یافته است. با استفاده از تبدیل
موجک گسسته، سیگنال به یک سیگنال تقریب (Approximation) و
یک سیگنال جزییات (Detail) تجزیه میشود و میتوان
سیگنال تقریب را مجدد با استفاده از تبدیل موجک به دو بخش تجزیه کرد و این روند را
برای تعداد مراحل موردنظر ادامه داد، در انتها مجموعهای از سیگنالهای جزییات و
سیگنالهای تقریب بدست میآید. حال برای حذف نویز از سیگنال اصلی، با آستانه گذاری
برای سیگنال جزییات در مراحل مختلف، میتوان جزییات ناخواسته سیگنال را که حذف
کرد. این پدیده خود میتواند با استفاده از روشهای بهینه سازی کلاسیک و یا روشهای
تکاملی نظیر الگوریتم ژنتیک (GA)، الگوریتم ازدحام ذرات (PSO)،
شبیه سازی تبرید (SA)، جستجوی هارمونی (HS)، جهش قورباغه (SFLA)، زنبور عسل (ABC)، کلونی مورچگان (ACO) و ... بصورت یک مساله بهینه سازی در آمده و تابع هدف در آن بصورت
مقدار نویز باقیمانده در سیگنال تعریف شود. پس از این آستانهگذاری، با تبدیل موجک
معکوس سیگنالهای جزییات و تقریب را مرحله به مرحله ترکیب کرد و در نهایت به
سیگنال بدون نویز دست یافت. اخیرا استفاده از روش تجزیه به مدهای تجربی یا Empirical Mode
Decomposition (EMD) نیز مورد توجه قرار گرفته است و تعداد مقالات زیادی در زمینههای
مختلف وجود دارد که از این روش دامنه نویز را کاهش دادهاند. 4- استخراج
ویژگی از سیگنال در این مرحله پس از ثبت دادهها و انجام پیش پردازش، پارامترهاي مناسب
معنادار كه ويژگيهاي سيگنال ناميده مي شوند استخراج مي شوند. نتايج حاصل از اين
مرحله براي فرايند تصميم گيري در مرحلة بعد مورد استفاده قرار ميگيرد. اهمیت این
مرحله به قدری زیاد است که شاید بتوان آن را مهمترین مرحله در پردازش سیگنالها
بخصوص در مورد سیگنالهای مهندسی پزشکی دانست. به طور کلی هدف این مرحله استخراج
ویژگیهایی است که به خوبی تمایز در میان بیماریهای مختلف، ناهنجاریها، نارساییها
و ... را هم در میان خود آنها و هم در مقایسه با افراد سالم را برجسته نمایند. روشهای
گوناگونی در زمینه استخراج ویژگی وجود دارد و هر روز نیز با توجه به پیشرفته روشهای
دادهکاوی بر تعداد آنها افزوده میشود. در ادامه برخی از این روشها را مرور مینماییم.
-
استخراج ویژگیهای آماری علم آمار، علم فراهم کردن دادههای کمّی و
تحلیل آنها به منظور به دست آورن نتایجی که اگرچه احتمالی است، اما در خور اعتماد
است. از جمله مهمترین اهداف آمار، میتوان تولید بهترین
اطّلاعات از دادههای موجود و سپس استخراج دانش از آن اطّلاعات را ذکر کرد. به
همین سبب است که برخی از منابع، آمار را شاخهای از نظریه تصمیمها به شمار میآورند.
در مباحث پردازش سیگنال نیز از دیرباز استفاده از روشهای مبتنی بر آمار برای
استخراج ویژگی کاربرد فراوان داشته است. ویژگیهایی همچون بیشینه، کمینه، میانگین،
انحراف معیار، چولگی (ممان سوم)، میانه و سایر ویژگیهای برگرفته از نمودار
هیستوگرام (فراوانی) را میتوان از جمله این ویژگیها دانست. در برخی موارد از این
ویژگیها به عنوان ویژگیهای حوزه زمان (Time Domain) نیز
نام برده میشود. در برخی موارد میتوان خصوصا در مورد سیگنال EEG
ویژگیهایی نظیر تعداد دفعات قطع کردن محور صفر (Zero Crossing) را
نیز به ویژگیهای قبلی افزود. -
استخراج ویژگیهای فرکانسی هرچند استفاده از ویژگیهای آماری میتواند در برخی اوقات مفید واقع
شود، ولی نقص بزرگ این ویژگیها که تابع زمان بودن سیگنال را هرگز در نظر نمیگیرند.
این دلیل، باعث شده که اقبال برای استفاده از ویژگیهای مبتنی بر تحلیل فرکانسی که
برخی اوقات تحلیل طیفی نیز خوانده میشود، روز افزون شود. این ویژگیها عموما برای
سیگنالهای دیجیتال که امروزه اکثر قریب به اتفاق سیگنالهای حیاتی را شامل میشوند،
بر اساس تبدیل فوریه سریع (FFT) بدست میآیند. ویژگیهایی نذیر دامنه بیشینه، فرکانس دارای دامنه
بیشینه، توان سیگنال در بازه فرکانسی مشخص و ... همگی برگرفته از تحلیل فرکانسی میباشند.
-
استخراج ویژگی با استفاده از تبدیل ویولت هنگاميكه به تبديل فوريه يك سيگنال نگاه ميكنيم، غير ممكن است تشخيص
دهيم يك اتفاق خاص در چه زماني رخ داده است. در كوششي براي رفع اين نقیصه، دنيس
گابور تبديل فوريه را براي تحليل بخش كوچكي از يك سيگنال (در زمان محدودي) تنظيم
كرد. تكنيكي كه پنجره سيگنال ناميده ميشود. تنظيم گابور كه تبديل فوريه زمان –
كوتاه (STFT) ناميده مي شود، سيگنال را به صورت تابعي دوبعدي از زمان و فركانس
رسم ميكند. مصالحه STFT مابين اطلاعات زمان و فركانس، هميشه كارا نيست چرا كه هنگام
انتخاب اندازه ي مشخص براي زمان پنجره، آن پنجره براي تمام فركانسها مشابه مي باشد
و اين موضوع عيب عمده روش STFT ميباشد. اما تبدیل موجک
با رزولوشن همزمان فرکانسی – زمانی این مشکل را حل می نماید. اهمیت تبدیل ویولت در
آن است که فضای سه بعدی كه اين تبديل از سيگنال ارائه میدهد باعث آشكار شدن
ويژگيهای خاصی از سيگنال می شود كه با ديگر ابزارهای پردازش سيگنال قابل دسترسی
نيستند. از طرفی در بسياری از پديدههای قدرت كه ماهيتی گذرا دارند، ناپيوستگی ها،
تغييرات ناگهانی و موضعی، تمركز انرژی در قسمت كوچكی از سيگنال و بسياری از
خصوصيات ديگر ديده میشوند كه در حال حاضر یکی از بهترين راه های پردازش آنها
استفاده از تبديل Wavelet میباشد. تبدیل ویولت گسسته همانگونه که پیش از این در مبحث نویززدایی از
سیگنال به آن اشاره شد، با در اختیار داشتن سیگنال و انتخاب یک ویولت مادر که
عمدتا از توابع Haar، Symlets و یا Daubechies انتخاب میشود، در هر
مرحله یک سیگنال حاوی فرکانسهای بالا (جزئیات/اطلاعات سیگنال) و یک سیگنال حاوی
فرکانسهای پایین (تقریب سیگنال اولیه) تحویل میدهد. تحلیل درخت ویولت (Wavelet Tree)
اجازه میدهد از هر کدام از سیگنالهای جزئیات یا تقریب مجددا سیگنالهای جزئیات
یا تقریب مرحله بعد را استخراج کرد ولی معمولا در تبدیل ویولت گسسته این سیگنال
تقریب است که در هر مرحله برای بوجود آوردن سیگنالهای Detail و Approximate
مرحله بعد مورد استفاده قرار میگیرد. حال فراموش نکنیم که در اینجا، مراد استفاده از تبدیل ویولت استخراج
ویژگیهای مناسب از سیگنال است. پس از در اختیار داشتن تجزیههای Detail و Approximate سیگنال اصلی، یکی از راهکارهای استخراج ویژگی در اینجا، بدست
آوردن ویژگیهای آماری و فرکانسی هر یک از این مولفهها است. یعنی در واقع ویژگیهای
سیگنال به جای آنکه از سیگنال اصلی استخراج شوند از سیگنالهای خروجی تبدیل ویولت
استخراج خواهند شد. در کنار مزیتهایی که این روش دارد که میتوان پررنگ کردن
تفاوتهای جزئی و یا کلی میان سیگنالهای استخراج شده از بیماریهای مختلف یا به
طور کلی کلاسهای مختلف در طبقه بندی نهایی است، نقیصه این روش بالا رفتن بیش از
حد تعداد ویژگیها و یا ابعاد سیستم تشخیص است. عمدتا پس از طی این مراحل، به
منظور کاهش تعداد ویژگیها و انتخاب ویژگیهای برتر از روشهای کاهش ابعاد نظیر PCA، ICA، LDA، FDA، Mutual Information و
... استفاده میشود که توضیحات هر یک از اینها در این مبحث نمیگنجد. -
استخراج ویژگی با استفاده از روشهای
مدلسازی یکی از روشهای مهم در زمینه استخراج ویژگی از سیگنالها مربوط است به
روشی که در آن ابتدا با استفاده از مدلهای ریاضی (که بیشتر در مبحث شناسایی سیستم
از آنها یاد میشود نظیر AR، ARMA، ARMAX در حالتهای خطی و غیرخطی (Nonlinear)) و
یا مدلهای آماری نظیر مدل مخفی مارکوف (Hidden Markov Model)
سیگنال را مدلسازی میکنند و در آخر ضرایب این مدلها را به عنوان ویژگیهای
استخراج شده از سیگنال مد نظر قرار میدهند. استفاده از این روش خصوصا در زمینههای
پردازش صوت و گفتار، پردازش سیگنال EEG، پردازش سیگنال تغييرات نرخ ضربان قلب معروف به HRV، و
پردازش سیگنالهای مربوط به تعادل افراد بر روی صفحه نیرو (Force Plate) در
سالیان اخیر در مقالات زیادی به چشم میخورد و مزایای زیادی از جمله مقاومت بالا
به دادههای پرت و نویز را میتوان از جمله مشخصه های آن دانست. در برخی موارد به
این ویژگیها، ویژگیهای مبتنی بر تحلیل سری زمانی نیز اتلاق میشود. 5- طبقه بندی
سیگنالها یا تشخیص پس از استخراج ویژگی مرحله آخر استفاده از مباحث یادگیری ماشین به
منظور تکمیل نمودن چرخه تشخیص در پردازش سیگنال مطرح خواهد شد. این طبقه بندی (Classification) بر
اساس ویژگیهای استخراج شده و شکاره کلاس مربوط به دادهها انجام میپذیرد و البته
برحسب اینکه کلاس دادهها به عنوان خروجی در دسترس باشد یا نباشد معمولا با نامهای
کلاسه بندی و خوشه بندی تفکیک میشود. روشهای شبکه عصبی MLP،
شبکه عصبی خودسازمانده SOM، ماشین بردار پشتیبان SVM،
شبکه فازی عصبی ANFIS، درخت تصمیمگیری و ... همه و همه میتوانند در این قسمت بسته به
نوع کار مورد استفاده قرار گیرند. |