andjelina konacno rev 06 04 - apeg.ac.me · zahvalnica na ovom mjestu želim da se posebno zahvalim...

SAŽETAK

Magistarska teza se bavi fonokardiografijom koja predstavlja tehniku praćenja i obrade srčanih zvukova i vibracija u cilju detekcije abnormalnih stanja. U tu svrhu primjenjuju se savremene kompjuterske tehnologije koje su predmet ovog rada.

Rad se sastoji od teorijskog i praktičnog dijela. U teorijskom dijelu elaboriraju se osnovni pojmovi vezani za srce i fonokardiografski signal sa akcentom na analizu zvukova i metode uklanjanja šumova koji se javljaju pri snimanju i obradi fonokardiografskog (PCG) signala. U tu svrhu upotrijebljeno je nekoliko tehnika baziranih na digitalnom filtriranju, IIR i FIR filtri, i spektralnoj analizi upotrebom Fourier‐ove, Wavelet i Short Time Fourier‐ove transformacije.

U okviru praktičnog rada predlaže se hardversko‐softversko rešenje za snimanje i obradu PCG signala sposobno da radi u "on‐line" i "off‐line" modu. Nakon opisa arhitekture sistema i njegovih component pojedinačno daju se rezultati testiranja koji obuhvataju ocjenu efikasnosti i uspješnosti primijenjenih filtera i transformacija za slučaj realnog fonokardiografskog signala. Simulacioni model i model testiranja su softverski implementirani u MATLABu.

Ključne riječi: Fonokardiogram, analogni filtri, digitalni filtri, vremenski domen, fre‐kventni domen.

ABSTRACT Master's thesis discusses phonocardiography, a technique of heart sounds and vibrations monitoring in order of detecting the abnormal conditions. For this purpose we use modern computer technologies that are the subject of this work.

The work consists of theoretical and practical parts. In the theoretical part we elaborate the basic concepts related to the heart and phonocardiography signal with emphasis on the heart sounds analysis and the methods to remove the noise that occur when recording and processing phonocardiography signal. For this purpose, we use svereal techniques based on digital filtering, IIR and FIR filters, and spectral analysis with use of Fourier, Wavelet and Short Time Fourier transform.

In the practical part of the work we propose hardware‐software solution for recording and processing phonocardiography signal that is able to work in the "on‐line" and "off‐line" mode. After the description of the architecture of the system and its individual components, we provide test results involving evaluation of efficiency and effectiveness of the filters and transformations applied for the case of the real phonocardiography signal. The simulation model and test model are software implemented in MATLAB.

Keywords: Phonocardiogram, analog filters, digital filters, time‐domain, frequency domain.

Magistarski rad FLEKSIBILNI SISTEM ZA FONOKARDIOGRAFIJU

Anđelina Jokić, br. 01/2009. 2

ZAHVALNICA

Na ovom mjestu želim da se posebno zahvalim onima koji su mi pomogli u realizaciji ovog rada. Prije svega mentoru, profesoru Dr Radovanu Stojanoviću, za nesebičnu pomoć tokom četiri godine rada. Zahvalnost dugujem i diplomiranom inženjeru Aleksandru Dediću koji mi je pružio značajnu pomoć pri izradi hardverskog dijela rada. Zahvaljujem se i profesoru Dr Milošu Dakoviću koji mi je dao korisne savjete i vrijedne primjedbe. Pomoć u radu sam dobila od članova laboratorije za primijenjenu elektroniku, a posebno od diplomiranog inženjera elektronike Jovana Kovačevića. Na kraju, zahvaljujem se svojoj porodici koja me podržavala svih godina moga školovanja.



SADRŽAJ:

UVOD ...................................................................................................................... 7

Struktura rada ......................................................................................................... 9

Doprinosi rada ...................................................................................................... 10

GLAVA 1: SRCE I PCG SIGNAL ................................................................................. 11

1.1 Srce ................................................................................................................. 11

1.2 Osnovni pojmovi vezani za Fonokardiografiju.................................................. 13

1.2.1 Srčani ciklus ................................................................................................ 13

1.2.2 Sistola i Dijastola .......................................................................................... 14

1.2.3 Auskultacija srca .......................................................................................... 16

1.3 Analiza zvukova srca ....................................................................................... 17

1.3.1 Normalni zvuci srca ...................................................................................... 17

1.3.2 Srčani šumovi ............................................................................................... 18

1.3.2.1 Aortna stenoza ................................................................................... 19

1.3.2.2 Mitralna regurgitacija ........................................................................ 19

1.3.2.3 Aortna regurgitacija ............................................................................ 19

1.3.2.4 Mitralna stenoza ................................................................................ 19

1.4 PCG signal i njegovi parametri ........................................................................ 20

1.4.1 Vremenska pozicija srčanih događaja PCG signala upoređena sa

talasima EKG signala .................................................................................... 21

1.4.2 Šum kod PCG signala ................................................................................... 22

GLAVA 2: POSTOJEĆI PCG SISTEMI ........................................................................ 24

2.1 Manuelne tehnike prepoznavanja zvukova srca ............................................. 24

2.2 Primjeri upotrebe računara i automatizovanih tehnika ................................... 26

GLAVA 3: PREDLOŽENO REŠENJE .......................................................................... 29

3.1 Uvod ................................................................................................................ 29

3.2 Hardversko rešenje predloženog PCG sistema ................................................. 30

3.2.1 Arhitektura sa pretpojačavačem .................................................................. 30

3.2.2 Arhitektura bez pretpojačavača ................................................................... 33

3.3 Softverska podrška .......................................................................................... 34

3.3.1 Monitoring u realnom vremenu ................................................................... 34

3.3.2 Monitoring na osnovu snimljenog zvuka ..................................................... 35

3.3.3 Predložene metode za uklanjanje i smanjenje šumova kod PCG signala.....35

3.3.4 Spektralna analiza ......................................................................................... 39



3.3.4.1 STFT................................................................................................... 39

3.3.4.2 WT ..................................................................................................... 40

3.3.4.3 Poređenje STFT i WT ......................................................................... 40

3.3.4.4 Predloženi algoritam za dobijanje spektra PCG signala i ekstrakcija

parametara ....................................................................................... 40

3.3.5 GUI za obradu PCG signala ......................................................................... 43

GLAVA 4: REZULTATI TESTIRANJA .......................................................................... 46

4.1 Odzivi u realnom vremenu .............................................................................. 46

4.2 Obrada snimljenih zvukova ............................................................................. 50

4.3 Poređenje odziva sa HPF i LPF ......................................................................... 51

4.4 Poređenje odziva ............................................................................................. 53

4.5 STFT u obradi PCG signala ................................................................................ 54

4.5.1 Poređenje rezultata STFT i WT .................................................................... 58

4.5.2 Zapažanja kod primjene spektrogramske metode ...................................... 59

4.5.3 Ocjene dosadašnjih algoritama i poređenje sa predloženim ...................... 60

GLAVA 5: Komentari i zaključak ............................................................................ 61

GLAVA 6: Budući rad ............................................................................................ 62

Prilog ..................................................................................................................... 62

Literatura .............................................................................................................. 63



Popis slika: Slika 1.1: Dijagram srca sa akcentom na zaliske od interesa ....................................... 12

Slika 1.2: Sistola i dijastola ........................................................................................... 14

Slika 1.3: Fokusi auskultacije ........................................................................................ 16

Slika 1.4: Parametri PCG signala .................................................................................. 20

Slika 1.5: Četiri osnovna zvuka srca predstavljena PCG signalom .............................. 21

Slika 1.6: Različiti događaji srčanog ciklusa i njihova vremenska pozicija

kod PCG signala upoređena sa EKG signalom .............................................. 22

Slika 1.7: Fonokardiogram normalnih i patoloških srčanih zvukova: a) normalni

otkucaji srca, b) aortna stenoza, c) mitralna regurgitacija, d) aortna

regurgitacija, e) mitralna stenoza ................................................................. 23

Slika 2.1: Klasične tehnike prepoznavanja zvukova srca ............................................ 24

Slika 2.2: Simultano snimanje PCG i EKG signala ......................................................... 25

Slika 2.3: Postojeće rešenje gdje se signal uzima iz slušalica stetoskopa

i snima u računar .......................................................................................... 26

Slika 3.1: Blok dijagram predloženog rešenja ............................................................. 29

Slika 3.2: Mikrofonski pretpojačavač .......................................................................... 31

Slika 3.3: Izgled eksperimentalne ploče realizovane za arhitekturu sa

pretpojačavačem .......................................................................................... 32

Slika 3.4: Izgled arhitekture sa pretpojačavačem ........................................................ 33

Slika 3.5: Izgled arhitekture bez pretpojačavača ......................................................... 33

Slika 3.6: Snimak iz laboratorije ................................................................................... 34

Slika 3.7: Grafički prikaz postupka nakon snimanja WAV formata .............................. 35

Slika 3.8: Predloženi blok dijagram primjene IIR i FIR filtera na PCG signal ................ 36

Slika 3.9: Predloženi algoritam baziran na digitalnom filtriranju ................................ 38

Slika 3.10: Poređenje STFT i WT ................................................................................... 40

Slika 3.11: Predloženi algoritam za dobijanje spektra PCG signala ............................. 41

Slika 3.12: Poruka koja se javlja nakon startovanja GUI‐a iz MATLAB‐a ..................... 43

Slika 3.13: Predloženi GUI za obradu PCG signala ...................................................... 44

Slika 4.1: Realni signal filtriran Chebyshev‐ljevim filterom Tipa I ................................ 47

Slika 4.2: Realni signal filtriran Chebyshev‐ljevim filterom Tipa II ............................... 47

Slika 4.3: Realni signal filtriran Butterworth‐ovim filterom (primjer 1) ...................... 47

Slika 4.4: Realni signal filtriran Butterworth‐ovim filterom (primjer 2) ...................... 48

Slika 4.5: Realni signal filtriran Bartlett‐ovom prozorskom funkcijom (primjer 1) ...... 48

Slika 4.6: Realni signal filtriran Bartlett‐ovom prozorskom funkcijom (primjer 2) ...... 48

Slika 4.7: Realni signal filtriran Blackman‐ovom prozorskom funkcijom ..................... 49

Slika 4.8: Realni signal filtriran Hamming‐ovom prozorskom funkcijom ..................... 49

Slika 4.9: Realni signal filtriran Hanning‐ovom prozorskom funkcijom ....................... 49



Slika 4.10: Realni rignal filtriran Kaiser‐ovom prozorskom funkcijom ......................... 50

Slika 4.11: Snimljeni signal filtriran Chebyshev‐ljevim i Butterworth‐ovim filterima iz

porodice IIR filtera i Barttlet prozorskom funkcijom iz por. FIR filtera ..... 51

Slika 4.12: Signal filtriran Idealnim Highpass filterom u real time .............................. 52

Slika 4.13: Signal filtriran Idealnim Lowhpass filterom u real time ............................. 52

Slika 4.14: Otkucaji srca u vremenskom domenu ........................................................ 54

Slika 4.15: Segmenti signala ......................................................................................... 55

Slika 4.16: Spektrogramski prikaz signala .................................................................... 56

Slika 4.17: Filtrirani spektar frekvencija ....................................................................... 56

Slika 4.18: Odmjer energija u filtriranom signalu ........................................................ 57

Slika 4.19: Dominantna energija (gornja slika) i

dominantna frekvencija (donja slika) ......................................................... 57

Slika 4.20: STFT prikaz za normalne otkucaje srca ...................................................... 58

Slika 4.21: WT prikaz za normalne otkucaje srca ........................................................ 58

Popis tabela: Tabela 1.1: Vrijednosti normalnog krvnog pritiska ...................................................... 15

Tabela 1.2: Sistolni i Dijastolni pritisak za različite uzraste.......................................... 15

Tabela 1.3: Tabelarni pregled normalnih zvukova srca gdje su

AV ventili odgovorni za Prvi zvuk, a SA ventili za Drugi zvuk .................... 17

Tabela 1.4: Sumirano porijeklo četiri osnovna zvuka srca ........................................... 18

Tabela 3.1: Primjena IIR filtera na PCG signal .............................................................. 37

Tabela 3.2: Primjena FIR filtera na PCG signal ............................................................. 37

Tabela 4.1: Poređenje karakterističnih parametara filtera koji su primijenjeni

na PCG signal ............................................................................................ 53

Tabela 4.2: Upoređene karakteristike prozorskih funkcija sa propusnim opsegom ... 54



UVOD

Svjetska zdravstvena organizacija navodi da su kardiovaskularna oboljenja najveći uzrok prerane smrti u svijetu i da uzrokuju više od 17 miliona smrtnih slučajeva godišnje. Stoga je blagovremeno otkrivanje srčanih problema od neprocjenjivog značaja. Provjerom rada srca, čak i kada problem nije njegovo oboljenje, mogu se dobiti informacije značajne za stanje ostalih vitalnih organa kao i cjelokupno zdravstveno stanje pacijenta. U ovom radu je proučavan fonokardiografski signal (PCG – phonocardiogram), koji predstavlja grafički prikaz zvukova i vibracija srca. Njegove morfološke karakteristike, od osnovnih srčanih zvukova preko srčanih šumova, mogu da ukažu na potencijalne kardiovaskularne tegobe. Analizom PCG signala dobijaju se dragocjene informacije o funkcionisanju srčanih zalizaka, o pulsu i njegovoj promjenljivosti, predinfarktnom stanju, insuficijenciji, itd. Rad se bavi detekcijom i digitalnom obradom PCG signala, što predstavlja složen problem iz više razloga:

Spektralne karakteristike signala zavise od fizioloških promjena i od samog pacijenta;

U kliničkom i svakodnevnom okruženju postoje mnogi izvori šuma koji degradiraju PCG signal, kao što su:

o pomjeranje stetoskopa; o pokretanje pacijenta; o neoptimalna lokacija za snimanje; o šum usled kontrakcije mišića i drugi unutrašnji šumovi; o buka iz okoline; o slabo čujan zvuk kod gojaznih pacijenata, i slično;

Većina istraživanja i komercijalnih proizvoda koristi softverski način obrade signala implementiran u "off‐line" modu. Savremeni prenosivi instrumenti koji su baterijski napajani, i imaju relativno ograničenu procesorsku snagu, zahtijevaju "on‐line" obradu PCG signala.

U ovom radu se PCG signal digitalno obrađuje u vremenskom, frekventnom i vremensko‐frekventnom domenu. Cilj je da se predloži sistem koji omogućava što tačniju detekciju parametara S1, S2, S3 i S4 (prvi, drugi, treći i četvrti signal), a koja se sastoji iz hardverske komponente za prikupljanje PCG signala i softverske komponente za njegovu obradu. U sklopu hardverskog rešenja prezentovani su projektovani elektronski stetoskopi koji se mogu prilključiti na kompjuterski audio (mikrofonski) ulaz. Softversko rešenje obuhvata "on‐line" akviziciju PCG signala



pomoću postojećeg zvučnog interfejsa, njegovo filtriranje primjenom različitih IIR i FIR filtera, kao i procesiranje primjenom Fourier‐ove i Wavelet transformacije. Izvršeno je poređenje datih filtera i transformacija, a cjelokupna softverska obrada je implementirana u sklopu MATLAB grafičkog korisničkog interfejsa (GUIa). Na kraju se daju zaključak, popis korištene literature i prilozi za koje procjenjujemo da mogu biti od koristi. Rezultati koji su dobijeni ovim istraživanjem pokazuju da se predloženi sistem može uspješno koristiti za prikupljanje i obradu PCG signala.



Struktura rada Rad se sastoji od šest Glava i organizovan je na sledeći način:

Glava 1: Srce i PCG signal U ovoj Glavi prikazan je način rada ljudskog srca i parametri koji definišu PCG signal. Navedeni su intervali bitni za obradu PCG signala, kao i načini registrovanja zvukova srca upotrebom stetoskopa. Opisan je srčani ciklus sa medicinskog stanovišta i njegov fonokardiografski prikaz sa fizičkim karakteristikama. Predstavljeni su fokusi auskultacije na kojima se postavlja stetoskop za slušanje zvukova srca, odnosno regioni na kojima se najbolje čuju otkucaji, kako bi se snimio što kvalitetniji PCG signal.

Glava 2: Postojeći PCG sistemi Glava počinje pregledom manuelnih tehnika prepoznavanja zvukova srca. Nastavlja pregledom postojećih rešenja i sistema za snimanje i obradu PCG signala baziranih na upotrebi računara. Takođe, sistematizuju se i postojeća softverska rešenja za obradu PCG signala.

Glava 3: Predloženo rešenje Predlaže se sopstveno rešenje za snimanje i obradu PCG signala i vrši opis njegovih hardverskih i softverskih komponenti koje omogućavaju monitoring PCG signala u realnom vremenu. Predlažu se metode za uklanjanje i smanjenje šumova bazirane na IIR i FIR filtriranju. Zatim se elaborira spektralna anlaliza PCG signala upotrebom Fourier‐ove i Wavelet transformacije. U svrhu obrade PCG signala projektovan je MATLAB GUI koji omogućava prikupljanje i snimanje signala kao i njegovu "on‐line" i "off‐line" obradu u vremenskom, frekventnom i vremensko‐frekventnom domenu.

Glava 4: Rezultati testiranja Na samom početku opisuju se dobijeni odzivi i parametri primjenom IIR i FIR filtera, sa akcentom na odzive dobijene u realnom vremenu i odzive dobijene obradom snimljenih zvukova. Vrši se poređenje ovih odziva. Zatim se elaborira STFT u obradi PCG signala i daju se zapažanja kod primjene STFT metode. Nastavlja se sa poređenjem rezultata STFT i Wavelet transformacije. Glava završava sa ocjenom dosadašnjih algoritama za detekciju PCG signala i poređenjem sa predloženim. Sva testiranja su implementirana u MATLABu.

Glava 5: Komentari i zaključak

U ovoj Glavi se komentarišu otvoreni problemi i navode zaključci rada.



Glava 6: Budući rad

Budući rad donosi smjernice i preporuke za budući razvoj i unapređenje predloženih metoda kao i projektovanog sistema.

Prilog: Uz rad je priložen CD koji je sastavni dio ove teze i na kojem se nalaze: elektronska verzija rada, kreirani programski kodovi, algoritmi, dobijeni zvučni signali srca snimljeni u WAV formatu i brojni grafovi zabilježeni na više studenata volontera koji su pristali da sarađuju u procesu testiranja. Zatim se daju ilustracije i ostali detalji za koje se procijenilo da bi bili od koristi.

Literatura: Na kraju rada nalazi se popis literature koja se koristila u višegodišnjem istraživanju.

Doprinosi rada

Rad donosi nekoliko stručnih doprinosa koji se mogu sažeti u sledeće:

Izvršen je pregled i sistematizacija znanja vezanih za detekciju karakterističnih parametara PCG signala.

Predložene su dvije hardverske verzije za snimanje PCG signala, sa pretpojačavačem i bez pretpojačavača, koje omogućavaju jednostavno unošenje signala u PC kompatibilne računare.

Razvijen je MATLAB bazirani GUI za prikupljanje, snimanje i obradu PCG signala.

Izvršeno je poređenje digitalnih filtera u pogledu uspješnosti detekcije S1, S2, S3 i S4 signala i predložena je optimalna filterska struktura.

Demonstrirana je upotreba Fourier‐ove i Wavelet transformacije u obradi PCG signala ukazano na karakteristične slučajeve gdje ovakva obrada može biti od koristi.

Ponuđena rešenja se mogu koristiti u naučne, stručne i u edukativne svrhe, kao i u drugim disciplinama gdje je potrebno vršiti analizu zvukova.

Komentarisani su otvoreni problemi i date smjernice za budući rad.

Izvršena je sistematizacija literature i resursa na datu temu.



GLAVA 1: 1. Srce i PCG signal Prije same obrade fonokardiografskog signala, veoma je važno shvatiti njegovu fiziološku osnovu, kako nastaje i zašto je njegova detekcija od velikog značaja. Zato će u ovoj Glavi biti objašnjeni način rada ljudskog srca, njegovi tonovi, PCG signal, parametri koji ga opisuju i na koji način se vrši njegova detekcija.

1.1 Srce

Srce je najvitalniji, najdinamičniji i najsnažniji organ u tijelu. Mehanički gledano predstavlja sistem dvije serijski povezane pumpe, jedne koja pumpa krv u pluća i druge koja pumpa krv u sva druga tkiva. U funkcionalnom smislu ima desnu i lijevu komoru, kojima je pridodata po jedna pojačavačka pumpa u obliku desne i lijeve pretkomore. Zato se u medicini često koristi izraz "desno" i "lijevo" srce. Desno srce je desna pretkomora i desna komora. Lijevo srce je lijeva pretkomora i lijeva komora. U desnu pretkomoru dolazi venska krv iz tijela, koja se kroz desnu komoru pumpa u pluća. Krv iz desnog srca u pluća vodi plućna arterija, u njoj se nalazi venska krv a zove se arterija, jer je pravilo da se svi krvni sudovi koji idu od srca prema periferiji zovu „arterije”. U plućima se iz krvi izdvaja ugljen dioksid, a krv se snabdijeva kiseonikom. Tako pročišćena krv je sada arterijska, te iz pluća dolazi u lijevu pretkomoru plućnim venama, iako sadrže arterijsku krv zovu se „vene” jer dolaze sa periferije u srce. Iz lijeve pretkomore arterijska krv dalje ide u lijevu komoru, pa u arteriju aortu koja je nosi u cijelo tijelo. Budući da lijevo srce pumpa arterijsku krv u cijelo tijelo, dok desno srce pumpa vensku krv samo u pluća, u lijevom srcu su pritisci tri puta veći i njegovi zidovi su deblji i jači. Zbog toga se lijevo srce često naziva "veliki krvotok", dok je drugi naziv za desno srce "mali krvotok". Latinski naziv za pretkomoru je atrija, komora je ventrikula, a zid koji dijeli desno i lijevo srce naziva



se septum. Zbog postojanja septuma nema kontakta između dvije pretkomore i dvije komore, u suprotnom bi došlo do miješanja venske i arterijske krvi. Između pretkomora i komora nalaze se zalisci (lat. valvule) i oni sprečavaju vraćanje krvi iz komora u pretkomore. Postoje: mitralni, trikuspidalni, aortni i plućni zalizak. Mitralni zalizak se otvara kada krv ide iz lijeve pretkomore u lijevu komoru, da bi iz lijeve komore preko aortnog zaliska otišla u aortu, a potom u sve druge organe. Trikuspidalni zalizak se otvara da bi krv prešla iz desne pretkomore u desnu komoru, a iz desne komore krv prolazi kroz plućni zalizak i ide u plućnu arteriju. Mitralni i trikuspidalni zalisci se zajedno nazivaju atrio‐ventrikularni ventili (AV), a aortni i plućni zalisci se jednim imenom zovu sinoatrijalni ventili (SA). Na Slici 1.1 prikazan je dijagram srca sa naznačenim zaliscima koji su od interesa.

Slika 1.1: Dijagram srca sa akcentom na zaliske od interesa

U toku jednog minuta kroz srce protekne 5 do 6 litara krvi, što predstavlja minutni volumen srca, a to je i ujedno ukupna količina krvi u organizmu. Zdravo srce ima 72 otkucaja u minuti. Razlika od 10 otkucaja se smatra normalnom. Otkucaj srca proizvodi dvije vrste zvukova:

„Prvi zvuk” se proizvodi tokom zatvaranja atrio‐ventrikularnih ventila;

„Drugi zvuk” se proizvodi tokom zatvaranja sinoatrijalnih ventila.

Na Slici 1.1 zelenom bojom su označeni zalisci koji proizvode „prvi zvuk”, dok su sa žutom bojom označeni zalisci koji proizvode „drugi zvuk” srca.

Sinoatrijalni ventili

Atrio‐ventrikularni ventili

Plućni zalizak

Trikuspidalni zalizak

Mitralni zalizak

Aortni zalizak



1.2 Osnovni pojmovi vezani za fonokardiografiju Zvuci srca su prirodni signali koji se koriste za detaljno praćenje zdravlja i medicinske dijagnoze stotinama godina. Danas ljekari, da bi otkrili dragocjene informacije o funkcionalnom integritetu srca, još uvijek koriste stetoskop kao jedini način za slušanje zvukova. Zbog toga se u poslednjih nekoliko godina značajna istraživanja sprovode na usavršavanju sistema za praćenje zvučnih signala srca i ostalih unutrašnjih organa. Upotrebom modernih softverskih tehnologija unaprijedio bi se postupak registrovanja srčanih problema i sredstva za zapis pokreta srčanih zalizaka, odnosno unaprijedila bi se oblast fonokardiografije, za čije bolje razumijevanje ćemo definisati osnovne pojmove: Srčani ciklus; Sistolu i Dijastolu i Auskultaciju srca.

1.2.1 Srčani ciklus Srčani ciklus je pojam koji se odnosi na sve ili bilo koje od događaja vezanih za protok krvi ili krvni pritisak. Na početku sistolnog perioda komore se kontrahuju i uzrokuju zаtvаrаnje

atrio‐ventrikularnih ventila i sinoatrijalnih ventila, koji ostaju zatvoreni u toku ove fаze. Ventrikularne šupljine su potpuno zаtvorene, a mišićne kontrаkcije su izometrijske.

Ovа kontrаkcijа povećаvа pritisаk krvi u komorama do otvаrаnja sino‐atrijalnih ventila. Nа početku krv je izbаčena velikom brzinom, a onda slijedi faza sporog izbacivanja.

Kаko se komore prаzne pritisаk se smаnjuje, а sinoatrijalni ventili se zаtvaraju. To je krаj sistolnog i početak dijаstolnog perioda.

Opet su ventrikularne komore potpuno zаtvorene, аli gotovo prаzne. To je faza izometrijske dekontrakcije.

Krv kojа je došlа u pretkomoru zа vrijeme sistolnog perioda od šupljih vena i plućnih vena, izаzivа otvаrаnje atrio‐ventrikularnih ventila i popunjаvа komore. To je faza brzog punjenja.

Zаtim se pretkomore kontrahuju i prestaju da izlivaju krv u komore, završavajući sistolni period pretkomore. Komore počinju da se kontrahuju, atrio‐ventrikularni ventili se zаtvaraju i ciklus počinje ponovo.

U prаksi, sistolni period trаje od zatvaranja atrio‐ventrikularnih ventila (kada se zatvaraju atrio‐ventrikularni ventili otvaraju se sinoatrijalni ventili – to je „prvi zvuk” srca), sve do zаtvаrаnjа sinoatrijalnih ventila (kada se zatvaraju sinoatrijalni ventili otvaraju se atrio‐ventrikularni ventili – to je „drugi zvuk” srca). Ostаtаk ciklusa predstavlja dijastolni period.



1.2.2 Sistola i Dijastola

Krvni pritisak je sila kojom cirkulišuća krv deluje na jedinicu površine krvnog suda, a koja nastaje usled kontrakcija srčane muskulature i potiskivanja krvi kroz kardiovaskularni sistem. Krvni sudovi su dio kardiovaskularnog sistema čija je funkcija prenošenje krvi kroz tijelo. Najvažniji krvni sudovi su arterije (aorta i grane aorte), koje odvode krv iz srca i vene koje vraćaju krv prema srcu. Sa aspekta fizike, visina krvnog pritiska (P) zavisi od udarnog volumena krvi lijeve komore srca (Q) i perifernog otpora u krvnim sudovima (R):

1.1

Pri svakom izbacivanju krvi iz lijeve srčane komore pritisak raste, dok isti polako opada u periodu između dvije kontrakcije, kada se krv ulijeva iz pretkomora u komore i srce priprema za novu kontrakciju. Iz tog razloga se određuju dvije vrijednosti:

Sistolni (gornji) i

Dijastolni (donji) krvni pritisak.

Sistolni pritisak je pritisak koji srce proizvodi dok ispumpava krv kroz arterije. Dijastolni pritisak je količina pritiska u arterijama kada se komore pune krvlju. Na Slici 1.2 data je skica sistole i dijastole.

a) b)

Slika 1.2: a) Sistola i b) Dijastola

Iako je danas dobro poznato da nema granice koja dijeli normalne vrijednosti od patoloških, crta koja odvaja normalnu od patološke vrijednosti je postavljena na osnovu dugogodišnjeg iskustva i praćenja bolesnika. Za normalnu vrijednost arteri‐jskog pritiska smatra se krvni pritisak oko 120/80mmHg1, a vrijednost koja se toleriše kao normalna je do 140/90mmHg.

1 milimetar živinog stuba, to je standardna jedinica kojom se izražava krvni pritisak

Trikuspidalni i Mitralni zalisci su zatvoreni

Aortni i Plućni zalisci su otvoreni

Mitralni i Trikuspidalni zalisci su otvoreni

Plućni i Aortni zalisci su zatvoreni



Međutim, ni ove vrijednosti nijesu stalne već se mijenjaju u zavisnosti od:

fizičke aktivnosti;

emotivnog stanja (stres utiče na povećanje krvnog pritiska);

doba dana (po pravilu, ujutru je arterijski pritisak veći nego uveče);

uzrasta (vrijednosti krvnog pritiska povećavaju se sa godinama starosti);

pola (muškarci ispod 50 godina imaju veći krvni pritisak od žena), itd.

Takođe, normalno je da se noću vrijednosti krvnog pritiska smanjuju za 10‐20%, a ujutru u prvih nekoliko sati nakon buđenja, ponovo rastu. Dešava se da kod nekih pacijenata ne dolazi do ovog smanjenja pritiska tokom noći što, prema riječima stručnjaka, povećava rizik za moždani i srčani udar. U Tabeli 1.1 date su vrijednosti normalnog krvnog pritiska.

Kategorije Sistolni pritisak (mmHg)

Dijastolni pritisak(mmHg)

Normalni pritisak 120‐129 60‐80

Pritisak koji se toleriše kao normalan 130‐140 80‐90

Tabela 1.1: Vrijednosti normalnog krvnog pritiska

Krvni pritisak je najčešče mjeren i najintenzivnije proučavan parametar u medicini. Jako je bitan za utvrđivanje stanja kardiovaskularnog sistema. U Tabeli 1.2 dati su neki od primjera mjerenja krvnog pritiska kod različitih uzrasta u bolnici u Beranama dana 22. juna 2011. godine.

Odojče (do 6 mjeseci) (mmHg)

Odrasli od 18 do 40 godina (mmHg)

Stariji preko 40 godina (mmHg)

95/65 120/60 140/80

140/80 preko 140/110

Tabela 1.2: Sistolni i dijastolni pritisak za različite uzraste

U praksi se vrlo često vrijednost arterijskog pritiska predstavlja kao srednji arterijski pritisak. Srednji arterijski pritisak je prosječna vrijednost svih pritisaka mjerenih u kratkim vremenskim intervalima tokom određenog perioda. On nije jednak sredini između sistolnog i dijastolnog pritiska, jer krvni pritisak tokom većeg dijela srčanog ciklusa ostaje bliži dijastolnom pritisku. Srednji pritisak je obično određen 60% dijastolnim i 40% sistolnim pritiskom. Njegova vrijednost se dobija izračunavanjem srednje vrijednosti pritiska iz sistolnog i dijastolnog putem sledeće formule:

2

3 1.2

Sada se može zaključiti da srčani ciklus započinje razdobljem širenja ventrikula, (dijastolom), a završava razdobljem kontrakcije i pražnjenjem ventrikula (sistolom).



1.2.3 Auskultacija srca

Auskultacija srca je tumačenje zvukova srca od strane ljekara. To je osnovna komponenta srčane dijagnoze. Tradicionalna auskultacija uključuje subjektivnu presudu ljekara koji predstavlja varijabilnost u percepciji i interpretaciji zvukova i time utiče na dijagnostičku tačnost. Zvuci i šumovi jаvljаju se nа svаkom nivou srčаnih ventilа i imаju mаksimаlni intenzitet u pojedinim prekordijalnim dijelovima koji se zovu fokusi аuskultаcije. Postoje četiri fokusa auskultacije: mitrаlni, trikuspidalni, aortni i plućni, (Slika 1.3).

Slika 1.3: Fokusi auskultacije

Mitrаlni fokus se nalazi u donjem lijevom uglu na 5° međurebаrnom prostoru, 8cm od sternuma2. Trikuspidalni fokus se nalazi, takođe, u donjem lijevom uglu na 5° međurebаrnom prostoru, uz sam sternum. Aortni fokus se nalazi u gornjem desnom uglu na 2° međurebаrnom prostoru, 2cm od sternuma. Plućni fokus se nalazi u gornjem lijevom uglu na 2° međurebаrnom prostoru, takođe 2cm od sternuma. Korisno je slušati ne samo prekordijalno područje, već i područje ispod ključne kosti kod lijevog pazuha, suprаsternаlne jаme i leđa. Na tim područjima se vrlo dobro čuje šum aorte. Šum atrijalnog septalnog defekta (ASD) čuje se ispod ključne kosti ili u sredini srca na 3° i 4° međurebarnom prostoru i sa lijeve i sa desne strаne grudne kosti, a čuje se i na leđima.

2 grudna kost koja povezuje rebra

Trikuspidalni fokus

Mitralni fokus

Plućni fokus

Aortni fokus



1.3 Analiza zvukova srca Energija koja se oslobađa u toku srčanog ciklusa uzrokuje vibracije krvi u srčanim šupljinama. Te vibracije se prenose na zid srca i okolne strukture, sve do zida grudnog koša i zovu se zvuci srca koji mogu biti:

Normalni zvuci srca i Srčani šumovi.

1.3.1 Normalni zvuci srca Normalni rad srca podrazumijeva dva zvuka:

Prvi zvuk srca i Drugi zvuk srca.

Sа kliničke tаčke gledištа, sistolni period počinje sa prvim zvukom i završava se sa drugim. Sve аkustične pojаve koje se javljaju u ovom intervalu, poznаtom kаo "mаla tišina" tаkođe su sistolne. Dijаstolni period počinje sа drugim zvukom i zаvršаvа se sа prvim zvukom. Sve аkustične pojаve u okviru ovog opsegа, poznаtog kаo "velika tišina" tаkođe su dijаstolne. Rаzlikovаnje "mаle tišine" i "velike tišine" je lаko kаda je srce sporo. Međutim, pri tаhikаrdiji sistolno trajanje se skrаćuje manje nego dijastolno tako da tada obadvije tišine imaju isto trajanje. Običаj je dа se koristi onomаtopejа zа normаlne zvuke srca. Na primjer, normalni zvuci i tišine se opisuju sa: TIK‐TAK – TIK‐TAK, gdje je TIK prvi zvuk, a TAK drugi zvuk, kratka crta "‐" je mala tišina, a duža crta "–" je velika tišina (Tabela 1.3).

ONOMATOPEJA ZVUKOVA SRCA

TIK

Prvi zvuk

Atrio‐ventrikularni ventili

“‐” mala tišina

Sistolni period

TAK

Drugi zvuk

Sinoatrijalni ventili

“–” velika tišina

Dijastolni period

Tabela 1.3: Tabelarni pregled normalnih zvukova srca gdje su AV ventili odgovorni za prvi zvuk, a SA ventili za drugi zvuk

Sa radom srca javljaju se i dodatni srčani tonovi, kao što su: Treći zvuk srca i

Četvrti zvuk srca.



Za treći i četvrti zvuk srca se vjeruje da potiču od vibracija lijeve komore i okolnih struktura. Ubrzanje protoka krvi stvara treći zvuk, dok usporenje protoka krvi stvara četvrti zvuk. U Tabeli 1.4 predstavljeno je porijeklo četiri osnovna zvuka srca:

ZVUK PORIJEKLO ZVUKA

Prvi zvuk

Zatvaranje mitralnih i trikuspidalnih ventila Otvaranje aortnih i plućnih ventila

Drugi zvuk

Otvaranje mitralnih i trikuspidalnih ventila Zatvaranje aortnih i plućnih ventila

Treći zvuk

Brzo punjenje komora u ranoj dijastoli

Četvrti zvuk

Kontrakcija atrija i ubacivanje krvi u ventrikule prije zatvaranja AV ventila

Tabela 1.4: Sumirano porijeklo četiri osnovna zvuka srca

Prvi i drugi srčani zvuk mogu da se čuju stetoskopom. Treći i četvrti obično se ne mogu čuti stetoskopom, ali se mogu registrovati fonokardiografom.

1.3.2 Srčani šumovi Srčani šumovi ili takozvani murmuri su vibracije nastale kao posledica turbulentnog protoka krvi kroz patološki promijenjene srčane strukture ili kao posledica promjene (povećanog ili smanjenog) protoka kroz normalne strukture. Srčani šum se na temelju svojih svojstava povezuje sa određenim patološkim stanjima i ne nastaje uvijek kao posledica bolesti srca, već može biti uzrokovan i poremećajima ostalih sistema. Auskultacijom srca moguće je otkriti srčane šumove i brojna patološka stanja, posebno bolesti srčanih zalizaka. Bolesti srčanih zalizaka su bolesti koje zahvataju jedan ili više zalizaka i one mogu biti:

urođene (kongenitalne) ili stečene (posledica neke bolesti).

Neke od urođenih bolesti su:

stenoza (suženje zalizaka); insuficijencija (regurgitacija) ili mogu biti miješane (i stenoza i insuficijencija).

Najčešći stečeni uzrok je reumatska groznica, dok se u ostale uzroke ubrajaju:

infektivni endokarditisi; tumori; autoimune bolesti, itd.

Svaka od određenih bolesti zalizaka može se manifestovati karakterističnim srčanim zvukovima.



1.3.2.1 Aortna stenoza Aortna stenoza je srčana mana uslovljena suženjem aortnog otvora, koje otežava izbacivanje krvi iz lijeve komore u aortu. Uzroci koji dovode do aortne stenoze su: reumatska groznica i ateromatozni proces kod starijih osoba. Ispoljava se u vidu: otežanog disanja, jakog lupanja srca, poremećaja vida i bolova u nogama. Bolesnici su blijedi, puls je mali i usporen a krvni pritisak je nizak uz smanjenje razlike između sistolnog i dijastolnog pritiska (konvergentni krvni pritisak).

1.3.2.2 Mitralna regurgitacija Mitralna regurgitacija ili mitralna insuficijencija je srčana mana nastala neadekvatnim zatvaranjem mitralnog otvora, zbog čega u sistoli dolazi do vraćanja – regurgitacije krvi u lijevu pretkomoru i pluća. Uzroci nastanka mitralne regurgitacije su: dugotrajno konzumiranje аlkohola, terapija zrаčenjem u predjelu grudnog koša, dejstva određenih ljekovа (npr. sulfonаmidi, hemoterаpijski ljekovi, fenotiаzini), infektivni endokarditis, mišićne distrofije i reumatska groznica. Često se dešava da nakon srčanog udara dođe do uvećanja srca pa se razvija mitralna insuficijencija. Nekada, mitralna insuficijencija može biti urođeno stanje. Simptomi su: nedostаtаk dаhа, hronični umor, malaksalost, iscrpljenost, bolovi u grudnom košu, a često je i prisustvo crvenila na licu.

1.3.2.3 Aortna regurgitacija Aortna regurgitacija ili aortna insuficijencija predstavlja poremećaj u protoku kroz aortni zalizak, kod kojeg se krv djelimično vraća u srce. Zalizak treba da pušta krv samo u jednom smjeru, ali zbog bolesti on popušta, tako da se krv vraća nazad u srce. Nastaje najčešće zbog: upale tokom reumatske groznice, drugih infekcija ili kao posledica degenerativnih procesa. Može biti uzrokovana infektivnim endokarditisom i traumom. Ispoljava se: visokim krvnim pritiskom koji brzo pada i napadima angine pektoris. Ovi bolesnici su, uglavnom, u teškom stanju (plućni edem) sa ozbiljnim hemodinamskim poremećajima (hipotenzija). Kod bolesnika sa hroničnom aortnom regurgitacijom dolazi do kompenzatorne dilatacije i hipertrofije lijeve komore.

1.3.2.4 Mitralna stenoza

Mitralna stenoza je mana nastala suženjem mitralnog otvora usled čega dolazi do otežanog pražnjenja lijeve pretkomore u lijevu komoru. Reumatski endokarditis je gotovo isključivo uzročnik mitralne stenoze. Izuzetno rijetko je mitralna stenoza rezultat urođene malformacije mitralnog zaliska. Ispoljava se u obliku: kašlja, promuklosti, otežanog disanja, crvenila na jagodicama i nabreklim vratnim venama. Kod ovih pacijenata modri su prsti, uši i nos, a dolazi i do uvećanja jetre.



1.4 PCG signal i njegovi parametri

PCG je digitalni zapis srčanih zvukova i srčanih šumova. Glavne audio komponente normalnog PCG signala su otkucaji srca koji su priznati kao primarni parametri:

Signal S1

Sistola

Signal S2

Dijastola

Signal S1 predstavlja prvi zvuk srca, dok signal S2 označava drugi zvuk srca. Sistola i dijastola objašnjavaju da se srčani ciklus sastoji od dva perioda respektivno, Slika 1.4.

Slika 1.4: Parametri PCG signala

PCG signal ne utiče na srčani ciklus, počinje sa signalom S1 i završava se, upravo, pred sledeći signal S1. Pretpostavlja se da je sistolni period konstanta i da je dijastolni period duži nego sistolni. Signal S1 označava početak sistolnog perioda, a kraj dijastolnog perioda. Sa signalom S2 završava se sistolni period, a počinje dijastolni period.

Zatvaranje AV ventila

Zatvaranje SA ventila

Mitralni zalizak

Trikuspidalni zalizak

Aortni zalizak

Plućni zalizak

Sistola

Dijastola



Pored signala S1 i S2 postoje i signali S3 i S4. Signal S3 je treći zvuk srca, a signal S4 je četvrti zvuk srca. Signal S3 se javlja na početku dijastole i to je normalna pojava kod trećine zdrave djece i mladih ljudi manje od 35 godina starosti. Signal S4 se javlja na kraju dijastole i to samo kod onih pacijenata sa bolesnim srcem, Slika 1.5. Kao što se vidi, na osnovu dijastolnog perioda mogu da se otkriju abnormalnosti srca i ostale brojne karakteristike u čemu pomaže i zvuk koji se dobija. Dakle, fonokardiografija je fenomen koji prati rad srca i vibracije srca pretvara u električne impulse, odnosno u PCG signal.

Slika 1.5: Četiri osnovna zvuka srca predstavljena PCG signalom

1.4.1 Vremenska pozicija srčanih događaja PCG signala upoređena sa talasima EKG signala Različiti događaji srčanog ciklusa i njihova vremenska pozicija mogu da se odrede pomoću dvije metode:

Fonokardiograma (PCG) i Elektrokardiograma (EKG).

Izvor fonokardiograma je u zvukovima koji se dobijaju sa radom srca, dok je elektrogardiogram određen srčanim naponima. I jedna i druga metoda su pouzdane i koriste se za provjeru rada srca i za praćenje srčanih bolesti. Iako je istraživanje tokom četiri zadnje decenije fokusirano na računarskoj obradi EKG signala i detekciji njegovih karakterističnih talasa, ipak postoje neki srčani defekti koji se najbolje detektuju na osnovu zvukova, odnosno na osnovu PCG signala. PCG signal omogućava i detektovanje zvuka i računanje frekvencijskih karakteristika. Na taj način više informacija postaje dostupno.

Veoma je bitan raspored, intenzitet i vremenska pozicija srčanih događaja u okviru vremenskih intervala koji su određeni signalima S1, S2, S3, S4, kao i sa sistolom i dijastolom.

Signal S1 – trаje 0,12 do 0,15 sekundi. Proizvodi se u prosjeku 0,02‐0,04s nаkon QRS talasa. Brže vibrаcije prethode i slijede grupu sporijih vibracija.

S3 S4

S1 S2

S4 S3

S1 S2

Sistola Dijastola Dijastola Sistola Dijastola



Signal S2 – trаje od 0,08 do 0,10 sekundi. Počinje kаdа T tаlаs zаvrši svoje prosječno trаjanje od 0,11 sekundi. Formirа se usled velikih i brzih vibrаcija, a prethodi i prаti mаle, spore i nečujne vibrаcije.

Signal S3 – traje 0,02 do 0,04 sekunde. Javlja se od 100 do 150ms posle signala S2. Čuje se prije svegа kod djece u lijevom lаterаlnom položаju.

Signal S4 – traje 0,05 do 0,10 sekundi. Registruje se povremeno, oko 0,05 sekundi nаkon P tаlаsа.

Na Slici 1.6 prikazan je PCG signal sa četiri osnovna zvuka srca upoređen sa EKG signalom i njegovim talasima. Analizirajući ove komponente dobijaju se dragocjene informacije o kardiovaskularnom sistemu.

Slika 1.6: Različiti događaji srčanog ciklusa i njihova vremenska pozicija kod PCG signala upoređeni sa EKG signalom

1.4.2 Šum kod PCG signala PCG signal je u stanju da prikaže brojne šumove koje proizvodi srce sa oštećenim ventilima i nepravilnim zatvaranjem ventila. Najčešći šumovi srca, definisani u Poglavlju 1.3.2, su:

Aortna stenoza; Mitralna regurgitacija; Aortna regurgitacija i Mitralna stenoza.

Ovi srčani šumovi su predstavljeni PCG signalom na Slici 1.7.

PCG

EKG

Ventrikularno punjenje

Dijastola Sistola

Ventr. punjenje

Dijastola Dijastola Sistola

Ventrikularno punjenje







Slika 1.7: Fonokardiogram normalnih i patoloških srčanih zvukova a) Normalni otkucaji srca, b) Aortna stenoza, c) Mitralna regurgitacija,

d) Aortna regurgitacija i e) Mitralna stenoza Međutim, pored šumova koje uzrokuje srce, prilikom snimanja PCG signala u većini slučajeva javljaju se i drugi šumovi koji potiču od različitih izvora:

Spoljašnji šum – može lako da se minimizuje u blizini pacijenta tokom snimanja, a može da dođe od šumova kao što je govor.

Unutrašnji šum – kao što su buka i grmljavina u želucu, pomjeranje grudnog mišića, zvuci fetalnog daha ako je žena trudna, itd.

Na kvalitet zvuka utiču i šumovi nastali zbog – auskultacionih oblasti, kontaktne površine i slično.

Izraz srčanog signala je smjenjivanje različitih srčanih impulsa, što dodatno komplikuje problem.

Ovo znači da je prisustvo šuma u PCG signalu veliki problem koji je neizbježan u praksi. U Poglavlju 3.3 predložene su metode za uklanjanje i smanjenje šumova kod PCG signala.

a)

b)

c)

d)

e)

Sistola Dijastola

S3 S4

S1 S2



GLAVA 2:

2. Postojeći PCG sistemi U ovoj Glavi se navode postojeća rešenja i sistemi za detekciju i obradu PCG signala i komentariše njihova uspješnost.

2.1 Manuelne tehnike prepoznavanja zvukova srca

Danas se dijagnoza auskultacije srca zasniva na visokoj vještini i iskustvu slušaoca, odnosno na istreniranosti ljekara. Na Slici 2.1 data je klasična tehnika prepoznavanja zvukova srca koja se još uvijek koristi za dijagnostikovanje srčanih oboljenja.

Slika 2.1: Klasične tehnike prepoznavanja zvukova srca

Ljekari sa stetoskopskim slušalicama osluškuju prednju i zadnju stranu grudnog koša kada je pacijent u stojećem, sjedećem ili ležećem položaju. To je slaba procjena i loša praksa jer lako može doći do greške. Razlikovanje između normalnog i abnormalnog zvuka srca, kao i razlikovanje između više različitih vrsta patologija, slušnim postupkom zahtijeva mnogo znanja i vještine od strane ljekara. Stoga, pomenuti



način dijagnoze nije pouzdan, jer ako ljekar nije dovoljno iskusan može da donese pogrešnu dijagnozu, što dovodi do pogrešnog liječenja pacijenta i lošeg krajnjeg ishoda. Auskultacija srca kakva se kod nas koristi je otežana, stoga što su srčani tonovi i šumovi uglavnom raspoređeni u području niskih frekvencija za koje ljudsko uho kao ni stetoskop nijesu najbolje prilagođeni. Ako se dođe u situaciju da signal, ipak, mora biti snimljen da bi se obradio i da bi se omogućila razmjena mišljenja sa drugim ljekarima, kao uređaj koristi se elektrokardiograf povezan sa mikrofonom. Na taj način se hronološki postavljaju različiti dijelovi fonokardiograma i simultano se registruje elektrokardiogram (EKG), Slika 2.2.

Slika 2.2: Simultano snimanje PCG i EKG signala

Dosadašnja praksa je pokazala da ljekari pogrešno postavljaju dijagnozu srčanih šumova. To su obično samo pretpostavke, naročito kod djece. Zbog tih poteškoća djeca se upućuju na dodatne kardiološke pretrage što podrazumijeva i brojne ambulantne posjete i rezultira povećane troškove zdravstvene zaštite, kao i nepotrebni strah roditelja. Treba računati i izgubljeno vrijeme koje je danas uz brz ritam življenja dragocjeno.

Postoje dva načina da se stanje popravi:

1. Poboljšavanjem edukacije i utreniranosti studenata medicine i ostalih

kliničara i

2. Korišćenje računara u procesu prepoznavanja i tumačenja zvukova srca.

Drugi način je, ustvari, predmet istraživanja ovog magistarskog rada.



2.2 Primjeri upotrebe računara i automatizovanih tehnika Istraživači iz oblasti fonokardiografije i kliničari koji se bave njome teže razvoju sistema niske cijene za snimanje, obradu i analizu zvukova srca. Autori u [74] preporučuju sistem koji se može koristiti za dugoročno praćenje otkucaja srca, a sastoji se od stetoskopa i mikrofona sa integrisanim hardverom SoundBlaster. Stetoskop i mikrofon su povezani tako da se signal iz slušalica prenosi mikrofonom do računara, Slika 2.3. To nije idealno rešenje, jer do računara ne stižu sve informacije koje pokupi stetoskop. Signali se rasipaju između slušalica i mikrofona pa se slabije čuju. Zbog loše veze javljaju se i drugi problemi kao što je mali pokret stetoskopa koji će proizvesti buku, a ona će biti još veća kada se signal pojača [13].

Slika 2.3: Postojeće rešenje gdje se signal uzima iz slušalice stetoskopa i snima u računar

Nakon što se signal dovede do računara i snimi u [74] je projektovan softver koji omogućava prikaz i analizu PCG signala u “off‐line” modu. Softverski način u „off‐line“ modu je osnovni nedostatak ovog rešenja, a i glavni problem kod većine po‐stojećih sistema.

Tokom poslednjih godina napisan je veliki broj radova koji predlažu algoritme za obradu PCG signala, kako u realnom vremenu, tako i nad snimljenim zvukom. Od presudnog značaja za filtriranje realnog signala je poznavanje prirode šuma koji se želi odstraniti. Negdje se ulazni signal prvo očisti od šumova, pa se onda nastavlja sa procesuiranjem (izračunavanjem frekvencije u vremenskom domenu), dok se negdje šumovi detektuju i pokušavaju zanemariti u samom trenutku vremensko‐frekventne analize.

1. Rad Jabbari‐a i Ghassemain‐a [78] opisuje algoritam koji se sastoji od pred‐procesiranja (koristi se IIR filter za uklanjanje šumova visokih frekvencija 1kHz, nakon čega ide redukcija frekvencije odabiranja na 2kHz) i TF dekompo‐

Zvuk se uzima iz slušalice



zicije (TF – Time‐Frequency) bazirane na MP algoritmu (MP – Matching Pursuit). Ovaj algoritam radi dekompoziciju diskretnog signala u vremenskom domenu u sumu vremensko‐frekventnih „atoma“ koji su prepoznati u parametrizovanoj Gabor‐ovoj „bazi znanja“. Nakon ove dekompozicije, ide K‐means klasterisanje, od dobijenih atoma se izdvajaju reprezentativni korišćenjem K‐means metode. Sledeći korak algoritma je Winger‐Ville‐ova prezentacija atoma, nakon koje slijedi korak izvlačenja sadržaja. Pošto se ovaj algoritam bavi detekcijom i prepoznavanjem srčanih šumova, poslednji korak predstavlja otkriveni tip šuma na srcu. Ovaj algoritam se konkretno bavi otkrivanjem šumova na srcu, ali je bio zanimljiv zbog obrade PCG signala. Problem ovog algoritma je sama „baza znanja“, koju nije jednostavno generisati a da svi slučajevi budu obuhvaćeni.

2. Sa druge strane, rad Utilization of Fuzzy Logic for Clasification of Heart Diseases [79] se sastoji od sledećeg: ulazni signal se korišćenjem STFT algoritma prevede u vremensko‐frekventni signal. Nakon toga, u odnosu na ponašanje energije frekvencije u vremenu, signal se dijeli na 4 nivoa od po 100Hz. Tako podijeljen signal se dalje procesuira Fuzzy Logikom, koja vrši zaključivanje na osnovu „baze znanja“ iz koje se izvode pravila za prepoznavanje tipa oboljenja ako postoji. I na kraju, kao rezultat dobija se vjerovatnoća da li je srce oboljelo i od kojeg tipa bolesti ili je srce zdravo. Nedostatak ovog algoritma se ogleda u tome što Fuzzy sistemi parametre računaju na osnovu „baze znanja“ obrađenih signala, koja ne mora da bude ispunjena sa svim slučajevima koji se susreću u realnom svijetu.

3. Pored ovih radova, teza Christer‐a Ahlstrom‐a, Processing of the Phono‐

cardiographic Signal – Methods for the Intelligent Stetoscope [81], predlaže sledeću metodu za procesiranje PCG signala: Na početku imamo preproce‐siranje, digitalizaciju i skladištenje signala sa stetoskopa. Preprocesiranje kori‐sti analogni pojačavač signala niskih frekvencija, nakon čega se vrši digitaliza‐cija na 12‐obitni zapis odbirka za frekvenciju odabiranja 44,1kHz. Tako digitalizovan i snimljen signal se dalje transformiše u vremensko‐frekventni oblik korišćenjem Wavelet transformacije, nakon čega ide detekcija impulsa S1 i S2. Nakon lociranja impulsa S1 i S2 slijedi otkrivanje impulsa S3 i S4, filtriranjem komponenti signala. Posle toga, dobijene informacije se koriste za klasifikaciju šuma. Ovaj rad sa sobom donosi problem u vidu analognog filtera signala kao i u frekvenciji odabiranja koja iznosi 44,1kHz.

4. Heart Sound Segmentation Algorithm Based on Heart Sound Envelogram,

autora Liang‐a, Lukkarinen‐a i Hartimo‐a [80], predstavlja rad koji opisuje algoritam za obradu PCG signala. Zasniva se na korišćenju normalizovane prosječne Šenonove energije za uklanjanje šuma i prilagođavanju signala da bi bitne informacije iz signala mogle biti lako izvučene. Signal sa frekvencijom odabiranja od 11,025Hz se korišćenjem Chebyshev‐ljevog niskopropusnog filtera tipa I, sa frekvencijom odsijecanja od 882Hz filtrira. Nakon toga se vrši normalizacija filtriranog signala, kojoj slijedi računanje Šenonove energije. Tako obrađen signal prolazi kroz proceduru gdje se vrši odabir lokalnih maksi‐



muma, koji predstavljaju impulse S1 i S2. Samim odabirom može da se izvuče više lokalnih maksimuma nego što ima impulsa S1 i S2, stoga se poziva funkcija koja uklanja impulse koji predstavljaju „višak“. Zatim ide prepoznavanje impulsa S1 i S2, što predstavlja i rezultat ovog algoritma. Mana se ogleda u tome što je minimalna frekvencija odabiranja 11kHz, što utiče na brzinu izvršavanja algoritma.

5. Softver razvijen u [74] koristi se da izvrši akviziciju podataka. Kreiran je menu

samo za snimljene signale, nažalost ne i za signale u realnom vremenu. Razvi‐jen je GUI u MATLAB‐u koji, na osnovu snimljenog zvuka u WAV formatu, omogućava analizu PCG signala. Tehnike koje su se koristile za dobijanje srčanog zvuka, snimanje i obradu u [74] jesu kompleksne forme Fourier‐ovog reda. Za filtriranje PCG signala koristio se Butterworth‐ov filter iz porodice IIR filtera, a koristili su se i neki od FIR filtera: Bartlett, Blackman, Hamming, Hann i Kaiser. Softver u „off‐line“ modu je osnovni nedostatak ovog rešenja.

Nedostaci koje imaju postojeći sistemi, a uzimajući u obzir i to da su Durand i Pibarot [69], [75], [76] u svojim najnovijim radovima naveli da stetoskop povezan sa računarskim interfejsom ipak može da omogući vizuelizaciju srčanog zvuka u realnom vremenu, bili su motivacija za predloženo rešenje koje slijedi.



GLAVA 3: 3. Predloženo rešenje U ovoj Glavi se predlaže hardversko‐softversko rešenje za detekciju i obradu PCG signala i opisuju njegove komponente. Potom se opisuju algoritmi za digitalno filtriranje, kao i algoritmi zasnovani na Fourier‐ovoj transformaciji, sve u cilju precizne detekcije S1, S2, S3 i S4 parametara. Projektovani MATLAB GUI, koji omogućava "on‐line" i "off‐line" obradu, opisuje se na kraju ove glave.

3.1 Uvod Dijagnoza zvukova srca često se zasniva na subjektivnom osjećaju ljekara uz nepostojanje jasne metodologije. Prema tome veoma je teško realizovati softverski ekspertni dijagnostički sistem sa zadovoljavajućim stepenom tačnosti. Međutim, ne možemo se odreći PCG tehnike kod koje se signal relativno lako dobija, neinvazivno, postavljanjem stetoskopa na grudi pacijenta. Generalna blok šema predloženog sistema za snimanje i obradu PCG signala je data na Slici 3.1.

Slika 3.1: Blok dijagram predloženog rešenja

Stetoskop

Analogni hardver

Izlaz zvuka

Softver za analizu

Biofeedback mehanizam

Zvučna kartica



Signal se uzima pomoću stetoskopa koji pretvara vibracije srca u zvučni signal koji se prenosi preko analognog hardvera u zvučnu karticu PCa. Zvučna kartica obavlja digitalizaciju analognog signala i skladišti zapise u fajlove odgovarajućeg formata. Biofeedback predstavlja mehanizam povratne sprege u cilju dobijanja boljih signala. Npr. zvuk iz zvučnika može dati informaciju o kvalitetu signala i na taj način pomoći korisniku da isti poboljša određenim mjerama i tehnikama. Obično PCG sistem treba da nudi mogućnost istovremenog gledanja i slušanja signala, što je koristno i za ljekara i za pacijenta. Sastavni dio svakog PCG sistema jeste softver koji omogućava obradu signala, njihov digitalni zapis, reprodukciju, štampanje itd.

3.2 Hardverski interfejs za unošenje PCG signala Tokom predlaganja hardverskog interfejsa za unošenje PCG signala vodili smo se načelima jednostavnosti, cijenom koštanja i dostupnosti komponenti. Stoga su predložene dvije jednostavne arhitekture:

Sa pretpojačavačem i

Bez pretpojačavača.

3.2.1 Arhitektura sa pretpojačavačem Ovdje je stetoskop spojen sa mikrofonom pomoću eksperimentalne ploče, gdje je napravljen pojačavač zvuka, odnosno mikrofonski pretpojačavač, Slika 3.2. Električna šema mikrofonskog pretpojačavača podijeljena je na tri stepena pojačanja: prvi stepen vrši pretpojačanje mikrofonskog signala, dok se u drugom i trećem vrši njegovo filtriranje i dodatno pojačanje. Sva tri stepena zajedno čine pretpojačavač.



Slika 3.2: Mikrofonski pretpojačavač



Na Slici 3.3 dat je izgled eksperimentalne ploče sa komponentama pretpojačavača. Stetoskop koji se koristi je ARTSANA 21405 iz mjerača krvnog pritiska, dok Clip hama CS‐460 predstavlja mikrofon. To je mikrofon koji se relativno lako veže u kolo.

Slika 3.3: Izgled eksperimentalne ploče realizovane za arhitekturu sa pretpojačavačem

Signal iz mikrofona se pojačava pomoću prvog operacionog pojačavača, čije se pojačanje reguliše pomoću potenciometra P1. Drugi stepen predstavlja lowpass filter sa frekvencijom odsijecanja od oko 200Hz. Treći stepen predstavlja dodatno pojačanje podesivo pomoću potenciometra P2. Na kraju se vrši i odstranjivanje jednosmjerne komponente pomoću kondenzatora C7. Za napajanje kola koristi se baterija od 9V. Stabilisanje napona napajanja se vrši pomoću kondenzatora C8 (22uF). Svjetleća dioda D1 (LED) se koristi za signaliziranje da je doveden napon napajanja. Otpornik R12 (8,2k) se koristi za ograničavanje struje koja se dovodi diodi D1. Kondenzatori C1, C2, C4, C6, C7 i C8 su elektrolitski kondenzatori, dok su C3 i C5 keramički kondenzatori. “KS” u električnoj šemi označava kratki spoj. Ako se koristi dinamički ili kristalni mikrofon treba ga odspojiti, a mikrofon priključiti u tačku 2. Na Slici 3.4 prikazan je izgled sagrađenog pojačavača.

StetoskopPotenciometar

Mikrofon Napajanje kola

Anđelina Jo

3.2.2 A

Kod arhitekvno, postavprikazan je

Mikrofonskapsula j

postavljencrijevu

stetoskop

M

okić, br. 01/

Sl

Arhitekt

kture bez pvljanjem mizgled arhit

S

ska je na u pa

Magistarski

/2009.

lika 3.4: Izgle

ura bez

pretpojačavamikrofonske tekture bez

Slika 3.5: Izgl

rad FLEKS

ed arhitektur

z pretpo

ača stetoskkapsule di pretpojača

ed arhitektu

SIBILNI SIST

re sa pretpoj

ojačavač

kop je poverektno u cravača.

re bez pretpo

TEM ZA FON

jačavačem

ča

zan sa mikrrijevo steto

ojačavača

NOKARDIOG

rofonom, jeoskopa. Na

GRAFIJU

33

ednosta‐Slici 3.5



Kod ove arhitekture crijevo stetoskopa je presječeno u tački Y, odnosno na mjestu gdje se račva prema slušalicama. Crijevo stetoskopa, sa svojim prečnikom, igra ulogu induktivnosti u odnosu na zvučni talas i odsijeca visoke frekvencije, a propušta niske. Zvono i membrana stetoskopa naglašavaju zvuke različite tonske visine. Zvono naglašava zvuke niskog tona kao što su normalni srčani zvuci ili šum, dok membrana filtrira ove zvuke i pomaže pri identifikovanju tonova. Stetoskop ARTSANA 21405 i Mikrofon Clip hama CS‐460 koristili su se kod obje arhi‐tekture, s tim što je važno naglasiti da arhitektura bez pretpojačavača ima prednost u odnosu na arhitekturu sa pretpojačavačem zbog jednostavnije hardverske imple‐mentacije. Akvizicija se postiže korišćenjem softvera koji je razvijen, Poglavlje 3.3.

3.3 Softverska podrška

Softver za podršku je napisan i testiran u MATLAB programskom paketu. Razvijen je sa namjerom da se stvori efikasan sistem i ima sledeće karakteristike: mogućnost obavljanja monitoringa u realnom vremenu i mogućnost obavljanja monitoringa na osnovu snimljenog zvuka.

Sa softverskog stanovišta biće predložene i: metode za uklanjanje i smanjenje šumova kod PCG signala bazirane na

digitalnom filtriranju upotrebom IIR i FIR filtera, tehnike bazirane na spektralnoj analizi upotrebom FT, STFT i WT i MATLAB GUI koji omogućava "on‐line" i "off‐line" obradu PCG signala.

3.3.1 Monitoring u realnom vremenu

Obrada PCG signala u realnom vremenu je jedan od glavnih ciljeva koji je trebao da bude ostvaren ovim projektom. Na Slici 3.6 ilustrovan je proces dizajniranja sistema u Laboratoriji za Primijenjenu Elektroniku na Elektrotehničkom fakultetu u Podgorici. Prvo je razvijen hardver, a signali koje isti proizvodi su praćeni i analizirani pomoću višekanalnih osciloskopa i spektralnog analizatora. Zatim se prešlo na dizajniranje softvera u MATLAB okruženju.

Slika 3.6: Snimak iz laboratorije

Stetoskop se jednostavno postavi na

grudi



3.3.2 Monitoring na osnovu snimljenog zvuka

Ovdje se PCG signal obrađuje koristeći unaprijed snimljene zvukove. Analiza nad snimljenim signalima može da ponudi bolje rezultate od one u realnom vremenu, jer neki zanimljivi talasi mogu da se ponove više puta. Osnovni koraci za snimanje su:

detekcija zvukova srca pomoću mikrofona i čuvanje zvukova u formatu WAV.

Zvukovi se snimaju u Sound Recorder‐u koji se nalazi na C:\Documents and Settings\All Users\Start Menu\Pro‐grams\Accessories\Entertainment. Koristi se WAV format. Slika 3.7 prikazuje postupak unošenja i snimanje signala.

Slika 3.7: Grafički prikaz postupka nakon snimanja WAV formata

Predloženim rešenjem može da se obezbijedi reprodukcija (playback) srčanog zvuka, što pomaže tačniju dijagnozu. Ovakav monitoring može da otkrije neobične zvuke kardiovaskularnog sistema i da ih sačuva u memoriju kako bi bilo omogućeno velikom broju istraživača da evidentiraju ove signale i da ih dalje analiziraju, kao i kliničarima da ih razmijene među sobom i podijele mišljenje za buduću dijagnostiku i liječenje.

3.3.3 Predložene metode za uklanjanje i smanjenje šumova kod PCG signala

Praćenje PCG signala u realnom vremenu i snimanje zvukova srca nije prost zadatak jer je u većini slučajeva signal obuhvaćen šumom što otežava njegovu analizu (Poglavlje 1.4.2). Amplituda šuma može znatno da varira zavisno od karakteristike instrumentacije za snimanje. Praktično, teško je razlikovati zvuke srca u signalu obuhvaćenom šumom jer većina izvora šuma ima frekvenciju u istom opsegu kao signal od interesa. Tehnika koja je u ovom radu predložena za uklanjanje ili smanjenje šuma zasniva se na njegovom filtriranju. U radu je imlementirano digitalno filtriranje koje se bazira na: IIR filterima i FIR filterima.

Mikrofon

Rad sa fajlovima

Zvučna kartica



Različiti matematički izrazi prenosnih funkcija IIR i FIR filtera rezultiraju vrlo različitim metodama dizajna za obje vrste filtera[1][2]. Kod IIR filtera zadat je frekventni odziv aproksimiran prenosnom funkcijom oblika razlomka, odnosno polovima i nulama, dok je prenosna funkcija FIR filtera oblika polinoma okarakterisana samo nulama. Na Slici 3.8 dat je blok dijagram koji opisuje primjenu IIR i FIR filtera na PCG signal.

Slika 3.8: Predloženi blok dijagram primjene IIR i FIR filtera na PCG signal

Predloženi blok dijagram savjetuje da se na početku izabere filter koji će biti u upotrebi. IIR filteri koji se predlažu za filtriranje PCG signala su:

Chebyshev‐ljev filter tipa I, Chebyshev‐ljev filter tipa II i Butterworth‐ov filter.

FIR filteri koji se predlažu su:

Bartelt‐ov, Blackman‐ov, Hamming‐ov, Hanning‐ov i Kaiser‐ov frekvencijski prozor.

Bartlet

Blackman

Hamming

Hanning

Kaiser

Chebyshev Type I

Chebyshev Type II

Butterworth

Nalaženje koeficijenata

Odabiranje 8000 odbiraka/sec

Filtriranje

Audio‐vizuelni prikaz

Zvučna kartica



Nakon što se izabere filter nađu se njegovi koeficijenti. Zatim se uzima audio signal koji se filtrira korišćenjem koeficijenata dobijenih određenim filterom. Posle toga ide iscrtavanje grafika i audio reprodukcija signala. Kompletan proces se ponavlja i time se dobija sistem koji radi u realnom vremenu.

IIR filteri u MATLABu se formiraju korišćenjem ugrađenih funkcija čime se dobijaju koeficijenti filtera, Tabela 3.1:

IIR filteri Opšta formula

IIR filtera Način na koji su IIR filteri primijenjeni na PCG signal

Cheby I [B,A] = CHEBY1(N,R,Wp, 'low') [b1,a1] = cheby1(4,0.5,2*Fc/Fs, 'low')

Cheby II [B,A]= CHEBY2(N,R,Wst, 'low') [b2,a2] = cheby2(4,0.5,2*Fc/Fs, 'low')

Butterworth [B,A] = BUTTER(N, Wn, 'low') [b,a] = butter(4, 2*Fc/Fs, 'low')

Tabela 3.1: Primjena IIR filtera na PCG signal

Koeficijenti se primijene na ulazne podatke kako bi se dobio filtrirani izlaz, pri čemu je kod Chebyshev‐ljevog filtera tipa I koeficijent B jednak b1, kod Chebyshev‐ljevog filtera tipa II koeficijent B jednak b2, zavisno od tipa filtera. Isto važi i za koeficijent A. N predstavlja red filtera, R je ripple faktor koji predstavlja pojačanje blizu cutoff‐a (Fc), a Fs je frekvencija odabiranja. Wp, Wst i Wn predstavljaju normalizovanu frekvenciju za određeni filter. Normalizovana frekvencija znači da će njena vrijednost biti od 0 do 1. 'low' je flag koji funkciji (u ovom slučaju MATLABU) kaže da mu treba lowpass filter.

Za projektovanje FIR filtera u obradi PCG signala predlaže se metoda prozorskih funkcija. U Tabeli 3.2 data je njihova implementacija u MATLABu.

FIR filteri Implementacija FIR filtera u MATLABu

Bartlett [win=bartlett(N)]

Blackman [win=blackman(N)]

Hamming [win=hamming(N)]

Hanning [win=hann(N)]

Kaiser [win=kaiser(N), beta]

Tabela 3.2: Primjena FIR filtera na PCG signal

Bartlett, Blackman, Hamming i Hanning prozorske funkcije imaju jedan parametar koji se može podešavati i to je dužina prozorske funkcije. Za razliku od njih, kod Kaiser‐ove prozorske funkcije postoji i parametar beta ( ). Ukoliko je 0 Kaiser‐ova prozorska funkcija se svodi na pravougaonu prozorsku funkciju iste dužine.

Algoritam filtriranja je predstavljen na Slici 3.9.



Slika 3.9: Predloženi algoritam baziran na digitalnom filtriranju

Start

global tip_filtra;global Fc;

global Fc_flag;

Fs = 8000;pltime = 5;

set(handles.txt_Status,...'String', 'Obrada i prikazivanje signala...')

for loop = 1:inf

ai=analoginput('winsound')

ai.SampleRate=Fsai.SamplesPerTrigger=1000

num_extracted=1000

start(ai)set(handles.btn_Start,'UserData',1)

Računanje koeficijenata FIR filtara

Računanje koeficijenata IIR filtara

data_buffer(1:Fs*pltime) = 0data_filt_buffer(1:Fs*pltime) = 0

get(handles.btn_Start,'UserData') == 1

data=peekdata(ai,num_extracted)[len, nev] = size(data)

data_buffer = [data(1:len)',...data_buffer(1:pltime*Fs-len)]

axes(handles.axes1)plot(data_buffer)

tip_filtra == 1

data_filt = filter(b1,a1,data)[len_filt, nev] = size(data_filt)

data_filt_buffer = [data_filt(1:len_filt)',...data_filt_buffer(1:pltime*Fs-len_filt)]

axes(handles.axes2)plot(data_filt_buffer)

DA

stop(ai)delete(ai)

Fc_flag == 0

Kraj

DA

Fc_flag = 0NE

DA

tip_filtra == 2

data_filt = filter(b2,a2,data)[len_filt, nev] = size(data_filt)



DA

tip_filtra == 3

data_filt = filtfilt(B,A,data)[len_filt, nevazno] = size(data_filt);



DA

tip_filtra == 4

data_filt = filter(Hd_bart, data)[len_filt, nevazno] = size(data_filt)



DA

tip_filtra == 5

data_filt = filter(Hd_black, data)[len_filt, nevazno] = size(data_filt)



DA

tip_filtra == 6

data_filt = filter(Hd_hamming, data)[len_filt, nevazno] = size(data_filt)



DA

tip_filtra == 7

data_filt = filter(Hd_hann, data)[len_filt, nevazno] = size(data_filt)



DA

tip_filtra == 8

data_filt = filter(Hd_kaiser, data)[len_filt, nevazno] = size(data_filt)



DA

axes(handles.axes2)plot([1 1 1])



3.3.4 Spektralna analiza

Vremensko‐frekventni prikazi u vidu spektrograma su uobičajeni u analizi nestacio‐narnih signala. Kod PCG signala omogućavaju vizuelno poboljšanje razlikovanja srčanih događaja. To nije uvijek jednostavno s obzirom na preklapanje frekventnih opsega. Mogućnost istovremene upotrebe vremenskog i frekventnog domena daje veću preglednost kako bi se promjene od značaja bolje uočile. Fourier‐ova transformacija (FT‐ Fourier Transformation) predstavlja jedan od osno‐vnih metoda za proučavaje promjene frekvencije u jedinici vremena. Kod audio signala prevodi signal iz vremenskog u frekventni domen iz kojeg se lakše vrši analiza spektra signala. Definicija za funkciju f(t) data je donjom formulom:

1

√2 3.1

Inverzna funkcija se definiše kao:

1

√2 3.2

Funkcija f(t) predstavlja funkciju u vremenskom domenu, pri čemu je t vremenski parametar, F( ) je funkcija u frekventnom domenu. U literaturi se ovakva transformacija naziva kontinualna Fourier‐ova transformacija. Za potrebe računarske obrade upotrebljava se diskretna Fourier‐ova transformacija (DFT‐ Discrete Fourier Transformation). Za posmatrani niz x(n) koji predstavlja signal u diskretnom obliku za k={0, 1, 2, …, N‐1}, DFT se dobija kao:

3.3

U sistemima u realnom vremenu umjesto klasičnog oblika DFT koristimo njenu „br‐zu“ verziju, odnosno brzu Fourier‐ovu transformaciju (FFT‐Fast Fourier Transform).

3.3.4.1 STFT Jedan od algoritama za prevođenje signala iz vremenskog u frekventni domen koji kao osnovu koristi Fourier‐ovu transformaciju jeste STFT algoritam, odnosno Fourier‐ova transformacija u kratkom vremenu (STFT ‐ Short Time Fourier Transform). U slučaju diskretnih signala STFT je data donjom formulom:

, 3.4

gdje je sa w[m] označena prozorska funkcija. Jednodimenzionalna sekvenca x[n], funkcija jedne diskretne promjenljive, se STFT‐om preslikava u dvodimenzionalnu funkciju vremenske promjenljive n i frekvencijske promjenljive .



3.3.4.2 WT

Pored STFT u obradi audio signala izdvaja se još jedna metoda za pretvaranje vremenskog domena u frekventni. To je Wavelet transformacija (WT ‐ Wavelet Transform). Waveleti su funkcije koje mogu imati bilo kakav oblik, ali su vremenski ograničene. Multirezolucijsko predstavljanje signala je osnovno načelo WT, koja za razliku od STFT, signal prikazuje istovremeno u vremenskom i frekventnom domenu. Signal se posmatra u vremenskim intervalima i za svaki takav interval se računa spektar. Wavelet analiza signala veoma je slična Fourier‐ovoj analizi. Fourier‐ovom analizom signal se predstavlja pomoću kosinusnih i sinusnih funkcija, dok se kod WT prikazuje tzv. Wavelet funkcijama. Sve Wavelet funkcije generisane su iz iste funkcije, koja se zove osnovna ili “mother” Wavelet funkcija postupkom skaliranja i translacije. 3.3.4.3 Poređenje STFT i WT

U obradi audio signala, gdje je potrebno izdvajati informacije o frekvenciji u vremenskom domenu, postoji mnogo različitih algoritama od kojih su najčešće korišćeni STFT i WT. Zbog svoje brzine izvršavanja, ove metode su pogodne u algoritmima koji se izvršavaju u realnom vremenu. Postoje i drugi algoritmi koji na neki način zaobilaze pomenute metode, ali su ređi. Razlika između STFT i WT algoritma je u načinu posmatranja vremenske i frekventne podjele, Slika 3.10.

Slika 3.10: Poređenje STFT i WT [a) STFT, b) WT ]

Za visoke frekvencije WT ima dobru vremensku rezoluciju a lošu frekventnu, dok kod niskih frekvencija ima lošu vremensku i dobru frekventnu. Kod STFT imamo jednaku rezoluciju za sve segmente frekvencije i vremena, što bi u većini slučajeva bila lošija karakteristika u odnosu na WT. Međutim, kod obrade niskofrekventnih signala kao što je PCG signal, STFT ima prednost jer mnogo preciznije određuje vremensku vrije‐dnost, odnosno svaki od impulsa S1, S2, S3 i S4 pravovremeno detektuje dok to nije slučaj sa WT. WT u poređenju sa STFT daje veću grešku pri određivanju tačne pozici‐je samog impulsa. Zbog navedenog, u ovom radu se za dobijanje spektra PCG signala i ekstrakciju parametara predlaže STFT i algoritam zasnovan na toj transformaciji.

3.3.4.4 Predloženi algoritam za dobijanje spektra PCG signala i ekstrakcija parametara

U frekventnom domenu klasifikacija algoritama se najčešće vrši na osnovu spektalnog obilježja signala. Spektrogram daje dodatnu informaciju o kvalitetu zvuka. Predloženi algoritam za dobijanje spektra PCG signala i ekstrakciju parametara S1, S2, S3, S4 dat je na Slici 3.11.

b)a)



Slika 3.11: Predloženi algoritam za dobijanje spektra PCG signala

Start

Kraj

[x,f]=wavread('signal.wav');

[s, ff, t]=spectrogram(x,2^6,0,2^12,f,'yaxis');

me=[];

mf=[];

i=1;

i<length(t)

[mt,mp]=max(abs(s(:,i)));

me=[me mt];

mf=[mf mp];

i=i+1;

mm=max(me);

p=0.05*mm;

i=1;

i<length(t)

p>me(i)

mf(i)=0;

me(i)=0;

mf(i)=ff(mf(i));

me(i)=me(i)/mm;

subplot(2,1,1);

bar(t,me);

subplot(2,1,2);

bar(t,mf);

i=i+1;



Signal koji procesuiramo učitava se sa naredbom wavread (MATLAB) i smješta u promjenljivu x, dok promjenljiva f sadrži frekvenciju odabiranja. Funkcija spectrogram vrši spektrogramsku transformaciju i konstruiše matricu S. Pri pozivu ove funkcije figuriše više ulaznih i izlaznih parametara.

Spektrogram ima šest ulaznih argumenata: X je niz koji predstavlja signal koji se

posmatra. 26 je broj elemenata niza koji se uzima za širinu prozora. Širina prozora je broj elemenata koliko se uzima od niza da bi se izračunao frekvencijski spektar tog dijela signala. Da bi se izračunao frekvencijski spektar u određenom trenutku, mora se uzeti određeni broj elemenata oko tog trenutka kako bi se izračunao frekvencijski spektar korišćenjem STFT. Broj elemenata koji se uzima je identičan širini prozora. 0 je treći parametar spektrograma i on pokazuje koliko je preklapanje između uzetih uzastopnih prozora. Povećavanjem ove vrijednosti, dobija se na preciznosti ali

algoritam radi sporije, pa je zbog toga uzeta 0. Broj 212 predstavlja preciznost Fourier‐ove transformacije, odnosno, predstavlja koliko elemenata će imati izlazni spektar frekvencija za određeni dio niza. Kada se traži frekventni spektar na izlazu se dobija niz koji daje vrijednosti jačina frekvencija na posmatranom signalu. f kao peti parametar predstavlja frekvenciju odabiranja, dok šesti argument ’yaxis’ predstavlja orjentaciju frekvencijske ose pri iscrtavanju grafičkog prikaza spektrograma.

Spektrogram ima 3 izlazna argumenta. Prvi predstavlja matricu spektra frekvencija, koja je zbog same veličine signala morala da bude modifikovana u pogledu dimenzija. Smanjenje dimenzija za sobom povlači razdešavanje samih vrijednosti osa. Pošto same ose nijesu više indeksirane da bi se mogle pratiti, novi indeksi su dati kao drugi (indeksi frekvencije) i treći (indeksi vremena) izlazni argument. Potom se inicijalizuju dva niza me i mf da budu prazni na početku ‐ me predstavlja niz sa maksimalnim energijama u određenom trenutku, dok mf predstavlja vrijednosti frekvencija za maksimalne energije jednog vremenskog trenutka.

Sa prvom petljom se prolazi kroz sve vremenske trenutke i za svaki od njih se traži maksimalna energija. Funkcija max, traži maksimalnu frekvenciju za i‐tu kolonu matrice S. Abs se koristi zato što imamo kompleksne brojeve u matrici S. Konverzija korištenjem Fourier‐ove transformacije zasniva se na pretvaranju niza koji predstavlja signal u vremenskom domenu u kompleksne brojeve. Pošto max ima dva izlazna argumenta, prvi predstavlja maksimalnu vrijednost, dok drugi predstavlja lokaciju u nizu maksimalne vrijednosti. Kada se pronađe maksimalna vrijednost i lokacija maksimalne vrijednosti nizovi me i mf se proširuju sa tim vrijednostima. Na početku je stavljeno da su nizovi prazni, a sada se proširuju do vrijednosti dužine niza t, koji predstavlja vremensku osu spektrograma. Pošto su se našle dominantne energije i frekvencije, sada od korisnog dijela signala treba odvojiti šum. Prvo se pronađe maksimalna energija unutar matrice S. Sobzirom da je pronađena za svaki vremenski trenutak maksimalna vrijednost energije, sada se iz tog niza uzima maksimalni element. U odnosu na njega konstruiše se p, parametar kojim ćemo sve vrijednosti u ovom slučaju manje od 5% od maksimalne energije, smatrati nulom. Zašto se ovo radi? Zato što se može desiti da na ovim vremenskim trenucima postoje neke frekvencije koje mogu da pokvare sliku koja treba da bude prikazana. Signali koji su male energije, mogu da zamaskiraju one sa velikom energijom. Zato kada se prikazuju dominantne frekvencije na pozicijama šuma traži se da vrijednost bude 0.



Dupla for petlja radi prilagođavanje nizova me i mf za precizniji i pregledniji prikaz. U slučaju kada je energija signala manja od parametra p, u mf i me se smještaju 0. Ako je energija nekog signala veća od p u mf se smješta vrijednost frekvencije, a u me procentualne vrijednosti energije. Sa četiri zadnje naredbe vrši se prikazivanje grafika energija i frekvencija u vremenu. Naredbe subplot(2,1,1) i subplot(2,1,2) predstavljaju naredbe kojima se prozor prika‐za dijeli na dva dijela, pri čemu je prva obezbijeđena za predstavljanje energije u vremenu, a druga za prikazivanje dominantne frekvencije. Za prikaz se koristi funkcija bar koja najbolje prikazuje ovakve veličine.

3.3.5 GUI za obradu PCG signala

Kao što je objašnjeno, stetoskopom se dobija zvučni signal, koji se mikrofonom prenosi do zvučne kartice. GUI kreiran u MATLABu koristi se za akviziciju, prikaz signala, obradu, štampanje itd. Predloženi GUI omogućava obradu PCG signala u „on‐line“ i „off‐line“ modu. Sa komandne linije MATLABa GUI se poziva pomoću određene instrukcije, Slika 3.12:

Slika 3.12: Poruka koja se javlja nakon startovanja GUIa iz MATLABa

Stetoskop se postavlja na grudi pacijenta, mikrofon priključi na zvučnu karticu i aktivira komanda „Započni“. Softver odgovara da je „Program spreman“ i počinjemo sa pregledom srca, Slika 3.13. Prvo se unose podaci o pacijentu. U polje “Starost“ upisuje se koliko godina ima pacijent, a u polje “Težina“ koliko kilograma ima. Ovo je dodatna informacija o pacijentu, jer za mnoge bolesti pri određivanju dijagnoze bitna je i težina pacijenta. Polje “Pol“ je ponuđeno sa opadajućom listom gdje može da se izabere pol pacijenta. Da li je pacijent koji se pregleda muškarac, žena ili dijete? I ovo je jako važna informacija o pacijentu pri određivanju dijagnoze. Polje “Fokus“ je takođe ponuđeno sa opadajućom listom gdje može da se izabere region na grudnom zidu koji se sluša. U Glavi 1 definisani su regioni od kojih su važna četiri: mitralni, trikuspidalni, aortni i plućni. Obavezno se pri pregledu pacijenata sluša svaki region pojedinačno. Ovaj softver nudi mogućnost da se svaki taj pomjeraj stetoskopa snimi i kao slika i kao zvuk, što znači da se važan segment PCG signala može bezbroj puta gledati i slušati. Ovo je jako bitno, jer sa postojećim rešenjima koja se koriste za auskultaciju srca (to je samo stetoskop i iskustvo ljekara) nemoguće je to zabilježiti. U polje “Odabir filtera“ ponuđeni su filteri koji se predlažu za filtriranje PCG signala. U opadajućoj listi su ponuđeni:

o Filteri sa beskonačnim impulsnim odzivom: Chebyshev‐ljev filter Tipa I, Chebyshev‐ljev filter Tipa II i Butterworth‐ov filter, i

o Filteri sa konačnim impulsnim odzivom: Bartlett, Blackman, Hamming, Hann i Kaiser prozorske funkcije.



Slika 3.13: Predloženi GUI za obradu PCG signala



Sa dugmetom „Ažuriranje Fc“ određuje se granična (cutoff) frekvencija za odabrani filter. Klikom na dugme otvara se polje gdje se granična frekvencija unosi ručno. Sada može da se počne sa pregledom srca u realnom vremenu. Klikom na dugme „Započni“ vrši se poziv funkcije koja je zadužena za pokretanje signala iz zvučne kartice. U realnom trenutku se snima signal sa zvučne kartice i prikazuje graf na ekranu. Prikazuju se dva signala:

o Prvi je “Ulazni mikrofonski signal”, odnosno originalni ulazni signal, a o Drugi je “Filtrirani signal sa izabranim tipom filtera” (u ovom slučaju na Slici

3.13 bira se Chebyshev‐ljev filter Tipa I). Pritiskom na dugme „Zaustavljanje“ program će zaustaviti‐stopirati signal radi bolje analize. Dugme „Spremi signal“ ima za cilj bolje razumijevanje strukture signala. Klikom na ovo dugme signal će se snimiti automatski, bez dodatnog biranja u folder gdje mu je napravljena putanja, na primjer: My Documents/MATLAB/work pod imenom filtera sa kojim se filtrira signal (u ovom slučaju bi se imenovao kao Signal filtriran sa Cheby I tipom filtra) uključujući datum i vrijeme kada se kliknulo na dugme. S obzirom da dugme omogućava snimanje signala, odnosno snimanje grafa i zvuka, to znači da ovo dugme omogućava razmjenu podataka među korisnicima odnosno, omogućava kasniju analizu signala, tj. kasnije prikazivanje snimljenog grafa (slike) i presušavanje snimljenog zvuka (playback). Polje „Zvuk“ je ponuđeno sa opcijom za čekiranje što znači da ako ljekar i pacijent žele da čuju zvuk čekira se ova opcija, ako ne žele opcija se jednostavno isključi čekom. Dugme „Zatvori“ – zatvara program.



GLAVA 4: 4. Rezultati testiranja U ovoj Glavi su demonstrirani rezultati testiranja u obliku analize odziva dobijenih u realnom vremenu i odziva dobijenih obradom snimljenih zvukova. Izvršeno je njihovo poređenje. Potom se elaborira STFT u obradi PCG signala, porede se rezultati STFT i WT i daju se zapažanja kod primjene spektrogramske metode. Na kraju se tumači ocjena dosadašnjih algoritama i vrši poređenje sa predloženim. Sva obrada, simula‐cije i poređenja su realizovana pomoću funkcija kreiranih u MATLABu. U Glavi 3 je opisan sistem za detekciju i obradu PCG signala i koji predstavlja aparat na osnovu koga su dobijeni i prikazani rezultati u ovoj Glavi.

4.1 Odzivi u realnom vremenu

Rezultati mjerenja fonokardiografskog signala predloženim sistemom obuhvataju interval od oko 5 sekundi. Ulazni signal je od 0 do 8kHz i predstavlja zbir PCG signala i šuma. Izlazni signal je PCG signal frekvencije od 0.5 do 200Hz.

Frekvencija signala S1 leži u opsegu od 25Hz do 45Hz dok je frekvencija signala S2 oko 50Hz do 70Hz, što govori da je učestanost veća nego kod signala S1, ali je signal S2 kraći u smislu trajanja. Signal S2 traje 0,08 do 0,10 sekundi dok je trajanje signala S1 od 0,12 do 0,15 sekundi. Signal S3 se sаstoji od mаlih sporih vibrаcijа i frekvencija ovog signala je oko 20Hz, dok je frekvencija signala S4 uglavnom ispod 25Hz. Intenzitet srčanih zvukova zаvisi od аkustične provodljivosti tkivа između srcа i grudnog koša. Kаdа su zvuci jаki trebа uzeti u obzir mršаvost grudnog košа i blizinu srca u odnosu nа njegа. Kаdа su zvuci slаbi i dаleki treba rаzmišljаti o položаju srca i njegovoj udaljenosti od grudnog košа. Na primjer, zvuci se slabije čuju kod gojаznih osoba i osobа sа jаkim mišićimа. Simulaciona provjera mjerenja PCG signala u realnom vremenu prikazana je grafički na Slikama 4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9 i 4.10.



Slika 4.1: Realni signal filtriran Chebyshev‐ljevim filterom Tipa I

Slika 4.2: Realni signal filtriran Chebyshev‐ljevim filterom Tipa II

Slika 4.3: Realni signal filtriran Butterworth‐ovim filterom (primjer 1)

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2Filtrirani signal sa Cheby I tipom filtra

Re

lativ

na

ampl

itud

a

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

0.15Filtrirani signal sa Cheby II tipom filtra

Rel

ativ

na a

mpl

itud

a

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.25

-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2Filtrirani signal sa Butterworth tipom filtra

Re

lativ

na a

mp

litud

a

M T

S1 S2

S3 Dijastola Sistola

S1S2

Dijastola SistolaS4

S

A P

S1 S2

DS4



Slika 4.4: Realni signal filtriran Butterworth‐ovim filterom (primjer 2)

Slika 4.5: Realni signal filtriran Bartlett‐ovom prozorskom funkcijom (primjer 1)

Slika 4.6: Realni signal filtriran Bartlett‐ovom prozorskom funkcijom (primjer 2)

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.5

0

0.5Filtrirani signal sa Butterworth tipom filtra

Re

lati

vna

am

plitu

da

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Filtrirani signal sa Bartlet tipom filtra

Re

lativ

na

am

plitu

da

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Filtrirani signal sa Bartlet tipom filtra

Rel

ativ

na a

mpl

ituda

S1 S2

S D S4

S1 S2 S1 S2

Sistola

Dijastola

Sistola

Dijastola

S1 S2



Slika 4.7: Realni signal filtriran Blackman‐ovom prozorskom funkcijom

Slika 4.8: Realni signal filtriran Hamming‐ovom prozorskom funkcijom

Slika 4.9: Realni signal filtriran Hanning‐ovom prozorskom funkcijom

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Filtrirani signal sa Blackman tipom filtra

Rel

ativ

na

am

plitu

da

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Filtrirani signal sa Hamming tipom filtra

Rel

ativ

na a

mpl

ituda

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Filtrirani signal sa Hann tipom filtra

Re

lativ

na

am

plit

uda

S1 S2

Sistola

Dijastola

S4

S1 S2

Sistola

Dijastola

S4

Sistola

Dijastola

S1 S2 S4 S1

S2



Slika 4.10: Realni signal filtriran Kaiser‐ovom prozorskom funkcijom

Signali S1 i S2 su prvi i drugi otkucaji srca koji se javljaju u normalnom srčanom ciklusu. Signal koji se vidi prije dva glavna otkucaja srca je signal S4 i on se javlja na kraju dijastolnog perioda. Signal koji se vidi nakon dva glavna otkucaja srca je signal S3 i on se javlja na početku dijastolnog perioda. U Glavi 1 su definisani parametri PCG signala (Slike 1.4, 1.5 i 1.6), a ovdje su dati parametri za dobijene odzive: Chebyshev‐ljev filter Tipa I (Slika 4.1): Fs=8000, N=4, Fc=15, pltime=5, tip bandpass, real time. Chebyshev‐ljev filter Tipa II (Slika 4.2): Fs=8000, N=4, Fc=10, pltime=5, tip bandstop, real time. Na tom grafu se pojavljuje signal S4. Butterworth‐ov filter: Fs=8000, N=4, Fc=20 (Slika 4.3), Fc=30 (Slika 4.4) pltime=5, tip highpass, real time. Bartlett prozorska funkcija (Slike 4.5 i 4.6): Fs=8000, N=12, Fc=50, pltime=5, flag=bandpass (Slika 4.5), flag=highpass (Slika 4.6), real time. Blackman prozorska funkcija: Fs=8000, N=12, Fc=50, pltime=5, flag=highpass, real time. Hamming prozorska funkcija: Fs=8000, N=12, Fc=50, pltime=5, flag=highpass, real time. Hanning prozorska funkcija: Fs=8000, N=12, Fc=50, pltime=5, flag=highpass. Kaiser prozorska funkcija: Fs=8000, N=12, Fc=50, pltime=5, flag=highpass, real time.

4.2 Obrada snimljenih zvukova

U velikom broju slučajeva potrebna je i kasnija obrada PCG signala, ne samo u realnom vremenu. U Poglavljima 3.3.2 i 3.3.5 definisani su koraci snimanja ulaznih podataka u memoriju računara radi kasnije obrade i analize. To je možda i precizniji način za ovakav eksperiment. Rezultati simulacije su obrađeni i prikazani takođe u MATLABu.

0 0.5 1 1.5 2 2.5 3 3.5 4

x 104

-0.25

-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2Filtrirani signal sa Kaiser tipom filtra

Re

lativ

na

am

plitu

da

S1 S2

Sistola

Dijastola



Slika 4.11: Snimljeni audio signal filtriran Chebyshev‐ljevim i Butterworth‐ovim filterima iz porodice IIR filtera i Bartlett prozorskom funkcijom iz porodice FIR filtera

Na gornjoj slici prikazan je ulazni signal koji je filtriran sa Chebyshev‐ljevim filterom Tipa I i Butterworth‐ovim filterom iz porodice IIR filtera, kao i prozorskom funkcijom Bartlett iz porodice FIR filtera. To istovremeno predstavlja i poređenje dobijenih odziva, kao i poređenje IIR i FIR filtera koji su primijenjeni na ulazni signal. Na Slici 4.11 reprodukcija zvuka je 7 sekundi, frekvencija odabiranja 8000Hz, N je 512, granična frekvencija je 50Hz, flag=scale i primijenjen je lowpass filter. Ovdje je bitno da se napravi razlika kod parametra N između IIR i FIR filtera. Kod IIR filtera N predstavlja red filtera, dok kod FIR filtera N predstavlja broj tačaka u kojima se računa. Za FIR filtere važi i pravilo da kada se tip FIR filtera mijenja iz lowpass u highpass mora se promijeniti i N sa 511 na 512.

4.3 Poređenje odziva sa HPF i LPF Što se tiče tipa filtera highpass, lowpass, bandpass, bandstop – svi su se koristili u ovom radu i sa IIR i sa FIR filterima. Posebno je primijećena razlika između highpass i lowpass. Filteri čiji je parametar bio highpass dali su najbolje rezultate. Međutim, filteri čiji je parametar bio lowpass dali su signale koji više liče na QRS kompleks (EKG) nego na impulse PCG signala S1, S2, S3 i S4. Stoga će radi boljeg poređenja biti data dva zanimljiva primjera, Slike 4.12 i 4.13.

0 1 2 3 4 5 6 7 8

x 104

-1

0

1Originalni signal

0 1 2 3 4 5 6 7 8

x 104

-2

0

2Filtrirani signal - Cheby1

0 1 2 3 4 5 6 7 8

x 104

-1

0

1Filtrirani signal - Butterworth

0 1 2 3 4 5 6 7 8

x 104

-1

0

1Filtrirani signal - Bartlet prozor

Signali na kojima su primijenjeni IIR filteri

Ulazni signal

Signal na kome je primijenjen FIR filter



Slika 4.12: Signal filtriran Idealnim Highpass filterom u realnom vremenu

Slika 4.13: Signal filtriran Lowpass filterom u realnom vremenu

S2

Q

R

S

S1

P T



Odabrana mjerna sesija za idealni Highpass filter (Slika 4.12) je oko 5 sekundi (playtime=5), Fs=8000Hz, N=10, Fc=20Hz, real time. Parametri za Lowpass filter (Slika 4.13) su: playtime=3, Fs=8000Hz, N=11, Fc=20Hz, real time. Ovo zapažanje se može koristiti kao ponuđeno rešenje u sličnim disciplinama na rešavanju drugih problema, kao i u edukativne svrhe.

4.4 Poređenje odziva

Svi filteri su projektovani za frekvenciju odabiranja 8000Hz, pri čemu je granična frekvencija filtera od 10Hz do 50Hz. Prema tome, poređeni su pojedini odzivi i nađeno je da su:

kod IIR filtera najbolji rezultati dobijeni sa Butterworth‐ovim filterom i Chebyshev‐ljevim filterom tipa I, dok je

kod FIR filtera najbolji rezultat dobijen sa Bartlett‐ovom prozorskom funkci‐jom, posebno u primjeru 2 (Slika 4.6) gdje su precizno izdvojeni karakteristični parametri PCG signala: S1, sistolni period, S2, dijastolni period.

Pošto smo testiranjem u realnom vremenu najbolje rezultate dobili sa pomenutim filterima, stoga smo pri testiranju na osnovu snimljenog zvuka prikazali signale na koje su primijenjeni samo navedeni filteri, Slika 4.11. U Tabeli 4.1 dato je poređenje karakterističnih parametra primijenjenih filtera.

Primijenjeni filteri

Frekvencija odabiranja

(Fs)

Granična frekvencija

(Fc)

Red filtera/broj tačaka u kojima se računa (N)

Tip filtera

Chebyshev Type I

8000

15

4 bandpass

Chebyshev Type II 8000 10 4 bandstop

Butterworth 8000 20‐30 4 highpass

Bartlett 8000 50 512 highpass

Blackman 8000 50 512 highpass

Hamming 8000 50 512 highpass

Hanning 8000 50 512 highpass

Kaiser 8000 50 512 highpass

Tabela 4.1: Poređenje karakterističnih parametara filtera koji su primijenjeni na PCG signal

Interesantno je da su sve prozorske funkcije dale dobre rezultate sa tipom filtera highpass. Odgovor na ovo pitanje je u Poglavlju 4.3. Ono što se dalje zapaža jeste ista granična frekvencija kod svih FIR filtera (50Hz), što autori u [85] objašnjavaju Tabelom 4.2.

Anđelina Jo

Prozorsfunkci

Bartle

Blackm

Hammi

Hannin

Kaise

Tabela 4

Pored mak4.2, od intučestanostise dB/okt idrugoj kolokomponenteksponencifrekvencijspropusni oširokim glaposlužiti kamjera za širod 3dB u ovrši na širpropusni odefinisan sl

4.5 ST

Prije nego riječi o samosnovu kog

M

okić, br. 01/

ske je

Boluk

tt ‐2

man ‐5

ing ‐4

ng ‐3

r ‐4

4.2: Upoređe

ksimalne amteresa je i i. Nagib anv iznosi −6doni Tabele 4te frekvenijalnu funkckog domenpseg idealnvnim lukomao mjera zarinu glavnogdnosu na mrinu razmaopseg defilabljenjem o

TFT u ose pređe nmom signalga su dobije

Sl

Magistarski

/2009.

očni kovi

Opl

27

58

43

32

46

ene karakter

mplitude bobrzina kojovelope kojaB/okt. Brzin4.2. Koherenncijskog dociju čija se una. Ekvivalenog filtera. m imaju vela kvalitet rg luka možemaksimum ska frekvennisan slabod 3dB prik

obradi Pna obradu Plu u vremeeni rezultati

lika 4.14: Otk

rad FLEKS

padanje ukova

K

‐12

‐18

‐6

‐18

‐6

ristike prozor

očnih lukovaom amplitu spaja maksna opadanjantno pojačaomena kadučestanost pntni propusInteresantnliki ekvivaleraznih mode se iskoristspektra procijskih odbljenjem odkazan je u pe

PCG sigPCG signalaenskom domprimjenom

kucaji srca u

SIBILNI SIST

Koherentnopojačanje

0.50

0.42

0.54

0.50

0.49

rskih funkcija

a koja je prude bočnih simume boa amplitudeanje predstada ulazni poklapa sa usni opseg šno je primijentni propuifikacionih titi i propuszorske funkbiraka. Pond 6dB. Noetoj koloni T

gnalaa u frekvenmenu koji jm STFT.

u vremenskom

TEM ZA FON

o

ENBW

1.33

1.73

1.36

1.50

1.50

a sa propusni

rikazana u plukova opačnih lukovae bočnih lukavlja promjsignal preučestanošćšuma (ENBWjetiti da prousni opseg šfunkcija ulni opseg dekcije pri čemekad se kormalizovanTabele 4.2.

ntnom domje prikazan

m domenu

NOKARDIOG

W

BW(‐3d

1.2

1.6

1.3

1.4

1.4

im opsegom

prvoj kolonadaju sa poa u spektru kova prikazenu amplituedstavlja du k‐te kompW) definisanozorske funšuma. ENBWaznog signaefinisan slabmu se normao mjera ni propusn

enu, biće jn na Slici 4

GRAFIJU

54

W dB)

28

68

30

44

43

[85]

i Tabele orastom izražava ana je u ude k‐te iskretnu ponente n je kao nkcije sa W može ala. Kao bljenjem malizacija koristi i i opseg

oš malo .14 i na

Anđelina Jo

Sa slike seaspekta mbrojeva. Neizgleda jednijesu (na tprevelika). predstavlje

Parametar kojeg se sigparametar

Sa slike se ispunjen jeto je da treprimijetiti smijenja i vrisfiltrirati i vPošto se siopisuje frekprikaza signsvodi na trFourier‐ovekoji se „tasignalima sMATLABu Diskretna F

M

okić, br. 01/

može odratematike eka taj niz nostavno jetim mjestimFilter koji

en funkcijom

ε predstavgnal tumačna vrijedno

može vidje uslov dat geba odreditsa Slike 4.14rijednosti tovrijednosti ignali S1, Skvenciju signala iz vremraženju dome transformakmiče“ u su ovdje znsa FFT (FasFourier‐ova

Magistarski

/2009.

editi približi informatbude oznaer se sa slikma ipak postbi na neki m y, čija je fo

0

1)(xy

lja pozitivai kao šum, ost 0,1 rezul

Slik

eti da je magore. Međuti koji segm4 signal je sokom vremekoje pripad2, S3 i S4 rgnala. Ovdjemenskog u minantne fracije je izuzperforman

načajniji, u st Fourier transforma

)( lXN

kDFT

rad FLEKS

žno u kojimtike, ovaj sčen sa X. Izke može vidtoji neki zvunačin deteormula data

,,0

,1

xx

x

n realni broodnosno, kltat je prika

a 4.15: Segm

rkiran signautim, kao štoment signalainusoidalnoena, a poštodaju dijelu sirazlikuju u e se koristi Ffrekventni rekvencije pzetno opširnnsama. Klatu klasu spTransform) acija za signa

)(1

0

ekX

N j

SIBILNI SIST

m se trenucsignal je zazdvajanje sdjeti da otkuk, tačnije šktovao mjea ispod:

1,0,X

oj iz segmekao otkucaj.zan na Slici

menti signala

al na mjestio se sa slikea je otkucajog tipa, pa oo se u računignala otkucfrekvenciji,Fourier‐ovadomen, a spri prelaskuna i obuhvasa algoritapadaju i „bi STFT (Shal X se raču

,0,2

lN

lkj

TEM ZA FON

cima nalazeapisan kao amih otkuckucaji odstuum, ali njegesta gdje se

1

nta (0,1) i p. Ako se za 4.15.

a

ima gdje sue vidi postoj a koji je 0osim što česnaru pamti caja. ovdje je b transformasamo računu u frekvenata dosta raama koji rarzi“ algoritmhort Time Fna po form

1N

NOKARDIOG

e sami otkujedan niz

caja na prvpaju od dijgova vrijedne nalaze otk

predstavlja ovaj signal

u otkucaji, ooji jedan pro0. Kao što ssto mijenja kao niz, ovd

bitan i podaacija za pretanje frekvetni domen.zvijenih algade sa dismi, predstaFourier Tranuli:

GRAFIJU

55

ucaji. Sa realnih

i pogled ela gdje nost nije kucaji je

(4.1)

nivo do postavi

odnosno oblem, a se može znak on dje će se

atak koji tvaranje encije se . Teorija goritama skretnim avljeni u nsform).

(4.2)

Anđelina Jo

gdje N predstavljen u Kao što mokompleksnfunkcija spsignala. Prspektrogramvrijeme. Koprikazana k

Na slici je p4.15 i 4.16 otkucaja naS4 su signnajveća enpredstavljavremenske

gdje je en matrica S trenutku. Eodnosu naimaginarno

M

okić, br. 01/

edstavlja dufrekventno

ože da se zaih brojeva. pectrogram rije nego sma. Spektrood spektrogkoličina ene

prikazan spmože da sealazi najvećali relativnnergija sko matricu čij odrednice.

funkcija koje nešto šElementi ma magnituog dijela ele

Magistarski

/2009.

užinu signalom dometuaključi, imagOno na čekoja koristse nastavi ogram je pgrama postoergije. Da bi

Slika 4.16:

pektrogram e vidi kako ća energija, no malih frncentrisanaji su indeks. Zapis matr

iS ,(

oja računa što sadrži

matrice su kdu, odnosmenta. Slije

Slika 4.17

rad FLEKS

la X, dok je. ginarna jedemu se bazti STFT alganaliza, k

prikaz dominoji vremensse olakšalo

: Spektrogram

signala sa se pri dnu jer dominirekvencija a u donjemi vrsta odrerice je dat is

jienj ),()

energiju frinformacijekompleksnino kvadraedi isfiltrira

7: Filtrirani sp

SIBILNI SIST

e rezultiraju

inica j ovdjezira naš preoritam za kratko podnantnosti rska osa, freo dalje objaš

mski prikaz s

Slike 4.14. spektrograraju niske f(frekvencijem dijelu sleđene visinespod:

TjFi ,),

rekvencije e o spektr brojevi, ptni korijenni spektrog

pektar frekve

TEM ZA FON

ući vektor X

e govori daedloženi algpronalažendsjećanje nazličitih freekventna osšnjavanje da

signala

Ako se posmskog dijagfrekvencije.e ispod 10ike. Dobijee frekvencij

T

i signala u ru frekvenca će filter n sume kvram na Slic

encija

NOKARDIOG

XDFT, signal

će niz XDFTgoritam je Mje frekvencna samu dekvencija u sa i osa na ata je Slika

smatraju Sligrama u tre Signali S1, 0Hz) zbog ena slika uja, a indeks

trenutku jcija u odrebiti konstrvadrata rei 4.17.

GRAFIJU

56

X, pre‐

T biti niz MATLAB cija PCG definiciju različito kojoj je 4.16.

ke 4.14, enucima S2, S3 i toga je

u suštini si kolona

(4.3)

j. Dakle, eđenom ruisan u ealnog i

Anđelina Jo

Sa slike sefiltriranja sizvršiti klasNa osnovuodmjeri en

Ako se zna je S1 signavećom ene4,3 dok su oOvakav prinformacijada daje fremaksimaln

Slikom 4.19

Slika 4.1

Sa slike se otkucaji on

M

okić, br. 01/

e može vidjse dobija uifikaciju isti signala koergija. Dobi

Sl

da se, na pal manje frergijom oni kotkucaji sa ikaz i nije a koja je pokvenciju gdu količinu

9. Energija ć

19: Dominan

može primii koji preds

Magistarski

/2009.

jeti kako s kojim trenih. Već se voji su isfiltrijeni rezulta

lika 4.18: Od

primjer, norekvencije a koji se pojamanjom enbaš najzah

otrebna ovddje je energienergije u

će biti prika

ntna energija

jetiti da su tavljaju sign

rad FLEKS

u grupisannucima se jvidi da je ovrirani i prikati su dati n

dmjer energij

malni otkucveće energvljuju na prnergijom na hvalniji za dje treba daija najjača ztom trenu

zana u odn

a (gornja slik

na mjestimnal S1, dok

SIBILNI SIST

i sami signjavlja neki vakav prikazazanih na a Slici 4.18.

ja u filtrirano

caji srca, siggije, može ribližnim lok0,5; 1,3; 2,neko brojč

a bude dataza taj vremeutku. Rezult

osu na mak

ka) i dominan

ma gdje je prdominaciju

TEM ZA FON

nali kao i kod otkucajz bolji od pSlici 4.15 m

om signalu

gnali S1 i S2se zaključitkacijama 0,21; 2,9; 3,7. čano analiza u dva nizaenski trenuttati tražene

ksimalnu en

ntna frekven

rikazana enu frekvenc

NOKARDIOG

koliko trajuja. Sada bi rikaza na Slmogu da se

2, ponašaju ti da su otk2; 0,9; 1,8; ziranje. Koma, od kojih ćtak, a drugie operacije

ergiju u ma

cija (donja sl

nergija domiji imaju sig

GRAFIJU

57

. Nakon trebalo lici 4.15. e dobiju

tako što kucaji sa 2,6; 3,4;

mpletna će jedan da daje dati su

atrici S.

lika)

inantniji nali S2.



4.5.1 Poređenje rezultata STFT i WT

STFT predstavlja mogućnost istovremene upotrebe vremenskog i frekventnog domena. Prednost takve metode je više nego očigledna u analizi nestacionarnih signala, kao što je PCG signal. Vremensku preglednost pri harmonijskoj analizi kod STFT omogućavaju vremensko‐frekventni lokalizacioni prozori u okviru kojih se pretpostavlja stacionarnost signala. Primjenom STFT dobija se slika spektralne gustine snage ‐ spektrogram. Takav prikaz je veoma čest u aplikacijama za analizu PCG signala, govornog signala i ostalih nestacionarnih signala. I Wavelet transformacija se sve više koristi za obradu medicinskih signala. Preciznije, u pitanju je kontinualna WT‐CWT. Signal se aproksimira pomoću kratkotrajnih talasića (wavelets) karakteristične oscilatornosti. Multirezolucijska analiza pomoću WT upotrebljava uske vremenske prozore na visokim frekvencijama (manjim skalama) i široke na niskim frekvencijama (velikim skalama).

Stoga je u ovom poglavlju radi poređenja rezultata dobijenih sa STFT i WT razmatran PCG signal za normalne otkucaje (S1 i S2) i prikazan na Slikama 4.20 i 4.21.

Slika 4.20: STFT prikaz za normalne otkucaje srca

Slika 4.21: WT prikaz za normalne otkucaje srca [71]

Ako se pogledaju Slike 3.10, 4.20 i 4.21 možemo vidjeti da se kod Wavelet pristupa niži frekvencijski opsezi obrađuju koristeći šire vremenske segmente, što u pristupu rešenja našeg problema predstavlja nedostatak, pošto mi posmatramo niske frekvencije i obrađujemo ih kako bi smo detektovali i odredili srčane impulse. To nam je pomoglo da se odlučimo za STFT (Poglavlja 3.3.4.3 i 3.3.4.4), a rezultati njene primjene su dati u prethodnom poglavlju, Poglavlje 4.5.



4.5.2 Zapažanja kod primjene spektrogramske metode U sklopu dva zadnja poglavlja bavili smo se analizom otkucaja srca koji predstavljaju signale u frekvencijskom spektru do 100Hz. Zbog prirode samog PCG signala za normalne otkucaje srca oni se mogu podijeliti u dvije grupe:

S1 koji su niže frekvencije a veće energije i

S2 više frekvencije a slabije energije.

Najbolji prikaz samog signala se može vidjeti korišćenjem spektrogramske funkcije (Poglavlje 4.5) koja nam daje prikaz spektralne analize frekvencije signala u vremenskom domenu. Na dobijenom grafiku možemo da vidimo distribuciju energije za različite vrijednosti frekvencije u vremenu. Ovakav prikaz dat je na Slici 4.16. Čitajući sa spektrograma možemo vizuelno da zaključimo u kojim trenucima vremena se pojavljuje koji impuls. Radi lakše obrade signal dijelimo na dva niza, Slika 4.19:

jedan koji predstavlja maksimalnu količinu energije u vremenu, a

drugi koji predstavlja visinu frekvencije u vremenu gdje se nalazi najveća

energija.

Energija u vremenu nam pomaže da filtriramo samo korisne dijelove signala, odnosno navedene impulse, pošto niz koji predstavlja frekvenciju u vremenu sadrži i frekvencije od djelova signala koji imaju veoma nisku energiju, a svojim prisustvom maskiraju visine frekvencija koje predstavljaju korisne impulse srca. Kako bi smo isključili uticaj frekvencija sa veoma malom energijom iskoristili smo funkciju 4.1 kojom množimo niz frekvencija u vremenu i time filtriramo frekvencije male energije. Za analizu energija frekvencije u vremenu koristili smo spektrogram. Postoje dva načina koja se kroz radove slične tematike najviše obrađuju pri određivanju energije za parametre frekvencije i vremena. Jedna metoda je korišćenje spektrograma (upravo nju i predlažemo) a druga Waveleta. Pošto smo za programsku realizaciju koristili MATLAB programski paket, navedene metode su realizovane preko istoimenih funkcija. Glavne razlike u ovim metodama su pri računanju energije, posmatraju se različite širine opsega vremenskih i frekventnih segmenata. Na Slici 3.10 date su šeme prikazanih pomenutih segmenata, na lijevoj strani se nalazi spektrogramska funkcija koja je u MATLABu realizovana preko Fourier‐ove transformacije kratkog vremena, desno se nalazi spektrogramska metoda reali‐zovana preko Waveleta. Ako pogledamo pomenutu šemu možemo vidjeti da se kod Wavelet pristupa niži frekvencijski opsezi obrađuju koristeći šire vremenske segmente, što u pristupu rešenja našeg problema predstavlja nedostatak, pošto mi posmatramo niske frekvencije i obrađujemo ih kako bi smo detektovali i odredili srčane impulse. To nam je pomoglo u odluci za odabir STFT metode pa smo stoga i naše istražvanje utemeljili na ovoj metodi i sproveli postupak opisan u Poglavlje 4.5. Spektrogram predstavlja matricu čije vrste predstavljaju frekventne opsege, a kolone predstavljaju vremensku dimenziju. Tako dobijenu matricu zbog lakše dalje analize pretočili smo u dva niza kojima smo izvukli najbitnije elemente našeg signala potrebne za dalju analizu. Pomenutom funkcijom kojom smo isključili uticaj frekvencija veoma niske energije nijesmo bitnije uticali na same performanse, ali



smo time dobili čistiju frekvencijsku dimenziju signala na osnovu koje možemo da odredimo srčane impulse. Na kraju posmatrajući rezultate predstavljene Slikom 4.19 možemo da vidimo vremenosko‐frekvencijski niz i vremensko‐energijski niz i da očitamo vrijednosti maksimalnih energija i frekvencija u jedinici vremena, na osnovu kojih možemo da odvojimo impulse S1 i S2 čime je priča oko spektrogramske analize zaokružena.

4.5.3 Ocjene dosadašnjih algoritama i poređenje sa predloženim Pored STFT i WT postoje i metode koje su zasnovane na nekim drugim algoritmima (Poglavlje 2.2), kao što je to slučaj sa algoritmom koji koristi normalizovanu prosječnu Šenonovu energiju. Taj algoritam nije dobar jer zahtijeva relativno velike vrijednosti za frekvenciju odabiranja signala (22050Hz), čime se povećava “gustina” elemenata niza signala u sekundi što prouzrokuje sporiju obradu samog signala. U ovom radu se predlaže algoritam koji daje dobre rezultate i sa frekvencijom odabiranja od 8000Hz. Sama kompleksnost predloženog algoritma je veoma mala. Nakon učitavanja signala dobija se spektrogramska analiza koja vraća matricu. Ovaj dio koda radi sa veoma malom složenošću i praktično je primjenljiv u realnom vremenu. Nakon toga se koristi relativno prosta metoda izdvajanja kvalitetnog dijela signala od onoga što predstavlja šum koji se ne može izbjeći. Da nema filtera, za dio signala koji ima veoma malu energiju, postojale bi frekventne vrijednosti različite od nule, koje bi otežavale samu dalju analizu signala. Predloženi sistem koji radi izdvajanje, ne utiče značajnije na performanse samog algoritma, jer jednom prođe kroz matricu koja je relativno mala u odnosu na sam signal, nakon toga prođe jednom kroz nizove koji su dugi koliko i broj kolona te matrice. A rezultati koji su sa ovim dodatkom postignuti su značajni naspram gubitaka na vremenu tokom izvršavanja ovog dijela procedure. U ovom radu je isključivo riječ o dijelu koji radi izdvajanje vremensko‐frekventnog dijagrama i prepoznavanja signala S1, S2, S3 i S4, kao i upoređivanje takvih algoritama. Svaki ima neke prednosti ali i mane. Ostale funkcionalnosti u srodnim algoritmima su nešto što nećemo razmatrati jer se uglavnom odnose na različite klase problema od onih koje mi želimo da riješimo. U klasifikacijama signala mogu da budu uključene i Neuralne mreže, kao i neke druge kompleksne metode odlučivanja i vještačke inteligencije, kao i da se koriste “pametni” sistemi koji su trenirani na određenom skupu signala i kao takvi daju proširen skup funkcionalnosti.



5. Komentari i zaključak

Danas se dijagnoza zvukova srca često zasniva na subjektivnom osjećaju ljekara uz nepostojanje jasne metodologije. Prema tome, zadatak ovog rada je bio da se u procesu prepoznavanja zvukova srca koriste računari, odnosno da se ono što ljekar čuje na slušalicama stetoskopa pretvori u digitalni zapis koji omogućava bolju analizu. Digitalni zapis zvuka kao rezultat kontrakcije srca naziva se PCG signal. Praćenje PCG signala u realnom vremenu i snimanje zvukova srca nije prost zadatak, jer je u većini slučajeva signal obuhvaćen šumom što otežava njegovu analizu. Prema lokaciji izvora šuma on može biti šum u okolini pacijenta ili buka koja je došla iznutra. Amplituda šuma može znatno da varira zavisno od karakteristike tehničke instrumentacije za snimanje. Stoga je u ovom radu predložena fleksibilna metoda za hardversko‐softversku realizaciju PCG signala. Istraživanje je pokazalo da je za hardversko rešenje potrebna samo veza stetoskopa i mikrofona, pa su za ovaj eksperiment stetoskop i mikrofon integrisani u jedan kompaktan uređaj na dva različita načina, odnosno predložene su dvije hardverske arhitekture: arhitektura sa pretpojačavačem i arhitektura bez pretpojačavača, kako bi se snimio što kvalitetniji PCG signal. U cilju precizne detekcije parametara PCG signala softverska obrada je bazirana na vremensko‐frekventnoj analizi. Predloženi algoritmi za uklanjanje i smanjenje šumova kod PCG signala zasnovani su na digitalnom filtriranju (IIR i FIR), dok su na temelju FT, STFT i WT razvijeni algoritmi za frekventnu analizu PCG signala. Simulacioni model je implementiran u sklopu MATLABa gdje je razvijen GUI koji omogućava "on‐line" i "off‐line" obradu zahtijevanog signala. GUI omogućava da se uporedi vremenski odnos između zvukova srca sa električnim događajima srčanog ciklusa, čime je dostupno više informacija prilikom pregleda srca. Rezultati koji su dobijeni ovim istraživanjem pokazuju da se predloženi sistem može uspješno koristiti za prikupljanje i obradu PCG signala. Sve ovo predstavlja uvod za nastavak istraživanja u ovoj oblasti.



Prilog

Prilog radu je CD koji sadrži: elektronsku verziju rada, brojne programske kodove, brojne algoritme, brojne grafove koji su zabilježeni tokom testiranja, dobijene zvučne signale srca snimljene u WAV formatu, modele filtera, Ilustracije, itd.



Literatura: [1] Ljubiša Stanković, Digitalna obrada signala, Beograd, 1989. [2] Ana Gavrovska, Dubravka Jevtić, Prednosti upotrebe digitalnih filtera kod kardiosignala, IEEE, Beograd, 2008. [3] Ali H. Sayed, Adaptive Filters, IEEE Press, A John Wiley&Sons,Inc.Publication,2008 [4] G. Welch. G. Bishop, An Introduction to the digital filter, University of North Carolina at Chapel Hill, Department of Computer Science, Chapel Hill, NC 27599‐3175, ACM Inc., SIGGRAPH 2001. [5] S. J. Julier, J. K. Uhlmann, A new extension of the digital filter to nonlinear systems, In Int. Symp. Aerospace/Defense Sensing, 182‐193, 1997. [6] Electrocardiogram MIT‐BIH Arrhytmia Database (Available: http://www.physionet.org/physiobank/database/mitdb) [7] Cardiothoracic Surgery of Savannah, Test Heart Sounds (Available: http://www.openheartsurgery.com/heart sounds.html) [8] M. Moghavvemi, B.H. Tan, S.Y. Tan, Department of Electrical Engineering, University of Malaya, Kuala Lumpur 50603, Malaysia [9] A.J. Zuckerwar, R.A. Pretlow, J.W. Stoughton, D.A. Baker, Development of a piezopolymer pressure sensor for a portable fetal heart rate monitor, IEEE Trans. Biomed. Eng. 40 (9) (1993) 963–969. [10] D.M. Holburn, T.D. Rowsell, Real time analysis of fetal phonography signals using the TMS320, in: Proceedings of the IEEE Colloquium On Biomedical Application of DSP, Digest No 1989/144, 1989. [11] EC Concerted Action Project, Perinatal Surveillance, A Comparative Study of Fetal Phono Sensors from Cambridge, Amsterdam and Edinburgh, Report of Final Meeting Held in Amsterdam, 1st November 1989. [12] T.S. Leung, P.R. White, W.B. Colllis, E. Brown, A.P. Salmon, Classification of heart sounds using time–frequency method and artificial neural networks, in: Proceedings of the 22nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2000. [13] W.F. Lee, Heart Beat Monitoring System, Final Year Thesis, U.M., January 1995. [14] M. L. Jacobson, Analysis and classification of physiological signals using wavelet transforms, Proceedings of the 10th IEEE International Conference on Electronics, Circuits and Systems, Dec, 2003. DOI: 10.1109/ ICECS.2003.1301934 [15] A. Haghighi‐Mood and J. N. Torry, A sub‐band energy tracking algorithm for heart sound segmentation, Computational Cardiology,pp22‐50, 1995. DOI: 10.1109/CIC.1995.482711 [16] Alan R. Mizutani, George Ozaki, and Jonathan L. Benumof. A low‐cost, high‐fidelity FM wireless precordial radiostethoscope for continuous monito‐ring of heart and breath sounds. Journal of Clinical Monitoring, 6(1):61–64, January 1990. [17] Luis Torres‐Pereira, Carla Torres‐Pereira, and Carlos Couto. A non‐invasive telemetric heart rate monitoring system based on phonocard‐iography. In Proceedings of the IEEE International Industrial Electronics. ISIE ’97, volume 3, pages 856–869, 1997. [18] E. A. Moretti, R. A. Monti, and N. J. Zeig. A cordless infrared headphone system for monitoring heart and breath sounds. Anesth. Analg., 71:309, 1990. [19] Sakari Lukkarinen, Pekka Korhonen, Anna Angerla, Kari Siki¨o and Raimo Sepponen. Multimedia personal computer based phonocardiography. In Proceedings of the 18th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, volume 5, pages 2303–2304, 1996.



[20] Ibrahim R. Hanna and Mark E. Silverman. A history of cardiac auscultation and some of its contributors. The American Journal of Cardiology, 90:259–267, 2002. [21] Ara G. Tilkian and Mary Boudreau Conover. Understanding Heart Sounds and Murmurs With an Introduction to Lung Sounds. W.B. Saunders Company, 2001. [22] Maurice B. Rappaport and Howard B. Sprague. Physiologic and physical laws that govern auscultation, and their clinical application. The American Heart Journal, 21(3):257–318, March 1941. [23] P. Zarco, editor. Exploracion clinica del corazon. Ed. Alhambra, 8 edition, 1981. [24] S. Mangione, L. Z. Nieman, E. Grecely, and D. Kaye. The teaching and practice of cardiac auscultation during internal medicine and cardiology training: a nationwide survey. Annals of Internal Medicine, 119(1):47–54, 1993. [25] S. Mangione and L. Z. Nieman. Cardiac auscultatory skills of internal medicine and family practice trainees. a comparison of diagnostic proficiency. JAMA, 1997. [26] P. R. Gaskin, S. E. Owens, N. S. Talner, S. P. Sanders, and J. S. Li. Clinical auscultation skills in pediatric residents. Pediatrics, 105(6):1184–1187, 2000. [27] R. M. Rangayyan and R. J. Lehner. Phonocardiogram signal analysis: A review. CRC Critical Reviews in Biomedical Engineering, 15(3):211–236, 1988. [28] Manuel Abella, John Formolo, and David G. Penney. Comparison of the acoustic properties of six polular stethoscopes. J. Acoust. Soc. Am., April 1992. [29] K. M. Flegel. Does the physical examination have a future. Canadian Medical Association Journal, 161:1117–1118, 1999. [30] E. Van Vollenhoven and J. G. J. Chin. Phonocardiography: Past, present and future. Acta Cardiologica, 48(4):337–344, 1993. [31] Louis‐Gilles Durand and Philippe Pibarot. Digital signal processing of the phonocardiogram: Review or the most recent advancements. Critical Reviews in Biomedical Engineering, 23(3/4):163–219, 1995. [32] J. A. Shaver. Auscultaci´on card´ıaca: una habilidad diagnostica con buena relacion coste‐efectividad. Ed. Tarpyo, 1996. [33] D. W. Sapire. Understanding and diagnosing pediatric heart disease: Heart sounds and murmurs. Appleton & Lange, Norwalk, Connecticut, 1992. [34] Michael B. Selig. Stethoscopic and phonoaudio devices: Historical and future perspectives. American Heart Journal, 126(1):262–268, 1993. [35] Sakari Lukkarinen, Anna‐Leena Noponen, Anna Angerla, Kari Siki¨o, and Raimo Sepponen. A recording stethoscope in study of heart sounds of children. In Medical & Biological Engineering & Computing, volume 34, pages 97–98, 1996. [36] Pekka Korhonen, Sakari Lukkarinen, Raimo Sepponen, Joha Backman, Heikki Ruotoistenmaki, and Kimmo Rajala. Frequency response measurements on commercially available stethoscopes. In Medical & Biological Engineering & Computing, volume 34, pages 91–92, 1996. [37] Ibrahim Turkoglu, Ahmet Arslan, and Erdogan Ilkay. An intelligent system for diagnosis of the heart valve diseases with wavelet packet neural networks. Computers in Biology and Medicine, 33:319–331, 2003. [38] P. Y. Ertel, M. Lawrence, R. K. Brown, and A. M. Stern. Stethoscope acoustics: I. the doctor and his stethoscope. Circulation, 34:889–898, November 1966. [39] Paul Y. Ertel, Merle Lawrence, Richard K. Brown, and Aaron M. Stern. Stethoscope acoustics: II. transmission and filtration patterns. November, 1966. [40] John R. Kindig, Timothy P. Beeson, Richard W Campbell, Francis Andries, and Morton E. Tavel. Acoustical performance of the stethoscope: A comparative analysis. Curriculum in Cardiology, 104:269–275, 1982. [41] M. E. Tavel, D. D. Brown, and D. Shander. Enhanced auscultation with a new graphic display system. Arch. Intern. Med., 154:893–898, April 25 1994.



[42] John M. Belmont, F. Mattioli, Leone, Kenneth K. Goertz, Robert H. Ardinger, and Calvina M. Thomas. Evaluation of remote stethoscopy for pediatric telecardiology. Telemedicine Journal, 1(2):133–149, 1995. [43] S. Lukkarinen, A. L. Noponen, K. Siki¨o, and R. Sepponen. Experiences with a Videoconference system in heart murmur screening. In Computers in Cardiology, volume 25, pages 53–56, 1998. [44] R. F. Rushmer, Cardiovascular Dynamics. W. B. Saunders, Philadelphia, 2 edition, 1961. [45] A. Haghighi‐Mood and J. N. Torry. Coherence analysis of multichannel heart sound recording. In Computers in Cardiology, pages 377–380, 1996. [46] A. Haghighi‐Mood and J. N. Torry. Coherence analysis of heart sounds recorded from different auscultatory areas. In Proceedings of the 18th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, volume 3, pages 986–987, Amsterdam, Holand, 1997. [47] Winnie W. Hui, Ronald A. Pitt, John P. Matonick, and John K‐J. Li. Comparison of heart sounds recourded at the chest and a remote arterial site. In Proceedings of the IEEE 28th Annual Northeast Bioengineering Conference, pages 61–62, 2002. [48] Martin Kompis, Hans Pasterkamp, Yuns Oh, Yuichi Motai, and George R. Wodicka. Spatial representation of thoracic sounds. In Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, volume 3, pages 1661–1664, 1998. [49] Dany Leong‐Kon, Louis‐Gilles Durand, Jocelyn Durand, and Howard Lee. A system for real‐time‐cardiac acoustic mapping. In Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, volume 1, pages 17–20, 1998. [50] Abdalla S. A. Mohamed and Hazem M. Raafat. Recognition of heart sounds and murmurs for cardiac diagnosis. In 9th International Conference on Pattern Recognition, volume 2, pages 1009–1011, 1988. [51] M. C. Agostinho and M. N. Souza. A new heart sound simulation technique. In Proceedings of the 19th International Conference, Engineering in Medicine and Biology Society, volume 1, pages 323–326, Chicago, 30 October – 2 November 1997. [52] Todd R. Reed, Nancy E. Reed, and Peter Fritzson. Heart sound analysis for symptom detection and computer‐aided diagnosis. Simulation Modelling Practice and Theory, 12:129–146, 2004. [53] Jingping Xu, Louis‐Gilles Durand, and Philippe Pibarot. Nonlinear transient chirp signal modeling of the aortic and pulmonary components of the second heart sound. IEEE Transactions on Biomedical Engineering, 47(7):1328–1335, July 2000. [54] Jingping Xu, Louis‐Gilles Durand, and Philippe Pibarot. Extraction of the aortic and pulmonary components of the second heart sound using a nonlinear transient chirp signal model. IEEE Transactions on Biomedical Engineering, March 2001. [55] F. Mouret, V. Garitey, T. Gandelheid, J. Fuseri, and R. Rieu. A new dual activation simulator of the left heart that reproduces physiological and pathological conditions. Medical & Biological Engineering & Computing, 38:558–561, 2000. [56] S. Lukkarinen, A. L.Noponen, K. Sikio, and A. Angerla. A new phonocardiographic recording system. In Computers in Cardiology, pages 117–120, 1997. [57] Vasant Padmanabhan, R. Fischer, J. L. Semmlow, and W. Welkowitz. High sensitivity PCG transducer for extended frequency applications. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, volume 1, pages 57–58, 1989. [58] Vasant Padmanabhan, John L. Semmlow, and Walter Welkowitz. Accelerometer type cardiac transducer for detection of low‐level heart sounds. IEEE Transactions on Biomedical Engineering, 40(1):21–28, January 1993.



[59] Chang‐Da Tsai, Shyh‐Lin Tsao, Hsiao‐Lung Chan, Wen‐Chon Shen, and Chien‐Ping Wu. Microbending optical fiber sensor for the detection of low‐level heart sound. In Pacific Rim Conference on Lasers and Electro‐Optics, page 312, 1997. [60] Sakari Lukkarinen, Kari Siki¨o, Anna‐Leena Noponen, Anna Angerla, and Raimo Sepponen. Novel software for real‐time processing of phonocardiographic signal. In Proceedings of the 19th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, volume 4, pages 1455–1457, 1997. [61] Zhenyu Guo, Chris Moulder, Louis‐Gilles Durand and Murray Loew. Development of a virtual instrument for data acquisition and analysis of the phonocardiogram. In Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pages 436–439, 1998. [62] D. S. Gerbarg, F. W. Holcomb, J. J. Hofler, C. E. Bading, G. L. Schultz, and R. E. Sears. Analysis of phonocardiogram by a digital computer. Circulation Research, 11:569–576, September 1962. [63] A. K. Abbas and R. Bassam, Phonocardiography Signal Processing, Morgan and Claypool,2009. [64] L. Clavier, J. M. Boucher, R. Lepage, J. J. Blanc, and J. C. Cornily, Automatic P‐wave analysis of patients prone to atrial fibrillation, Med.Biol. Eng. Comp., vol. 40, no. 1, pp. 63‐71, Jan. 2002. [65] K. Phua, J. Chen, T. H. Dat, L. Shue, Heart sound as a biometric, Pattern Recognition, Special issues on Feature Generation and Machine Learning for Robust Mul‐timodal Biometrics, vol. 41, no. 3, pp. 906 ‐ 919, 2008. [66] BF. eritelli, S. Serrano, Biometric Identification Based on Frequency Analysis of Cardiac Sounds, IEEE Transactions on Information Forensics and Security, 596‐604,Sept. 2007. [67] L. Clavier, J. M. Boucher, R. Lepage, J. J. Blanc, and J. C. Cornily, Automatic P‐wave analysis of patients prone to atrial fibrillation, Med.Biol. Eng. Comp., 63‐71, Jan. 2002. [68] M. Akay, Y. M. Akay, W. Welkowitz, Automated noninvasive detection of coronary artery disease using wavelet‐based neural networks, Proceedings of the 16th Annual International Conference of Engineering in Medicine and Biology Society, 1994. [69] L. G. Durand and P. Pibarot, „Digital Signal Processing of the Phono‐cardiogram: Review of the Most Recent Advancements“, Critical Rev. Biomed. Eng., 1995. [70] S. G. Mallat, A Wavelet Tour of Signal Processing,3 th edition, Elsevier Inc.,1999. [71] Ana Gavrovska, Milorad Paska, Irini Reljin, Dubravka Jevti, Dragi Dujkovi, Branimir Reljin, Pregled odabranih tehnika za analizu kardiosignala, medicinska revija December 2010. [72] Srđan Stanković, Multimedijalni sistemi, Podgorica, 2007. [73] Igor Đurović, Zdravko Uskoković i Ljubiša Stanković, MATLAB, Podgorica, 1996. [74] Paul Andree, Antonio Abab Del Cusco, Fonocardiografia estado del arte, Universidad Nacional San Washigton zarate rospicliosi. [75] Abdelghani Djebbari, Fethi Bereksi Reguig and Meziane Tani, Acquisition and time‐ frequency analysis of the phonocardiogramsignal, Biomedical engineering Laboratory, Department of Electronics, Faculty of Engineering Sciences. [76] M. E. Tavel, D.D. Brown and D. Shander, Enhanced Auscultation with a new graphic display system, Arch. Intern. Med., 154, 893, 1994. [77] http://www.caam.rice.edu/yad1/data/EEGRice/Literature/Spectrograms [78] Hassan Ghassemain, A Time‐Frequency Aproach for Discrimination of Heart Murmurs, http://www.scirp.org/journal/PaperInformation.aspx?paperID=6841 [79] Mohamed Reza Karimi Rad, Farahnaz Nouri, Masih Hashemi, Mostafa Sadeghi Mohaseli, Utilization of Fuzzy Logic for Clasification of Heart Diseases, http://www.ipcbee.com/vol29/23‐ICBBT2012‐H039.pdf) [80] Lukkarinen‐a i Hartimo‐a, Heart Sound Segmentation Algorithm Based on Heart Sound Envelogram, http://ee.ucd.ie/amoni/DARIUSPaperWarehouse/Liang97Heart.pdf



[81] Christer‐a Ahlstrom‐a, Processing of the Phonocardiographic Signal, Inteligent Stetoscop http://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0CFEQFjAA&url=http%3A%2F%2Fliu.divaportal.org%2Fsmash%2Fget%2Fdiva2%3A22548%2FFULLTEXT01&ei=WJHCTndPMfKtAabl8XJCg&usg=AFQjCNEh0xoixjzq1CdflXOFy2ZvuEo8hQ&sig2=FpSCN1qyXFsgsG1HVteAvg) [82] MATLAB, the language of technical computing www.mathworks.com [83] G. Cornelia, R. Romulus, “PCG Signals Processing Using Wavelets”, 5th International Conference on Electrical and Electronics Engineering, TURKEY , 2007. [84] B‐U. Kohler, C. Hennig, and R. Orglmeister, “The Principles of Software QRS Detection,” IEEE Engineering in Medicine and Biology Magazine, January 2002. [85] http://tnt.etf.rs/3dos/Predavanja/DOS4a.pdf