Неавтономное обнаружение выбросов и очистка сигналов мониторинга внутричерепного давления

• Veröffentlicht in: Искусственный интеллект
• Datum: 2013
• Hauptverfasser: Дроботько, Д.В., Шевченко, А.И., Дроботько, В.Ф., Качур, И.В.
• Format: Artikel
• Sprache: Russisch
• Veröffentlicht: Інститут проблем штучного інтелекту МОН України та НАН України 2013
• Schlagworte: Обучающие и экспертные системы
• Online Zugang: https://nasplib.isofts.kiev.ua/handle/123456789/84981
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Zitieren: Неавтономное обнаружение выбросов и очистка сигналов мониторинга внутричерепного давления / Д.В. Дроботько, А.И. Шевченко, В.Ф. Дроботько, И.В. Качур // Искусственный интеллект. — 2013. — № 3. — С. 495–506. — Бібліогр.: 16 назв. — рос.

Сигнал мониторинга внутричерепного давления (ВЧД), полученный в отделениях нейрореанимации,
 часто содержит большое количество шумов и выбросов. Эти артефакты не только непосредственно
 приводят к ложным тревогам в автоматических аварийных системах мониторинго-диагностических
 комплексов для управляемой терапии больных, но и сильно загрязняют особенности основного сигнала,
 что делает невозможным точное прогнозирование вторичных повреждений головного мозга, вызванных
 внутричерепной гипертензией. В статье предлагается эффективный онлайновый двухэтапный метод
 очистки физиологических сигналов, основанный на идентификаторе Хампеля и калмановской фильтрации.
 Вначале измеряемые ВЧД сигналы проходят предварительную обработку, в которой осуществляется
 идентификация структуры данных сигнала, оценивается уровень шума, и удаляются выбросы с помощью
 робастного фильтра Хампеля. Точки выбросов заменяются значением медианы в этих точках. Затем
 производится коррекция этих точек, удаление шума и оценка спектра сигнала на основе адаптивной
 авторегрессионной (AАR) модели с помощью фильтра Калмана и сопряженного с ним RTS (RauchTung-Striebel)
 сглаживающего фильтра. Настраиваемыми параметрами предлагаемого метода фильтрации
 являются полуширина скользящего окна, пороговая величина для обнаружения выбросов и порядок
 AАR модели. Сигнал моніторингу внутрішньочерепного тиску (ВЧД), здобутий у відділеннях нейрореанімації, часто
 містить велику кількість шумів і викидів. Ці артефакти не лише безпосередньо викликають помилкові
 тривоги в автоматичних аварійних системах мониторинго-діагностичних комплексів для керованої
 терапії хворих, але й сильно забруднюють особливості основного сигналу, що унеможливлює точне
 прогнозування вторинного пошкодження головного мозку, викликаного внутрішньочерепною гіпертензією.
 У статті пропонується ефективний двоетапний метод онлайнового очищення фізіологічних сигналів,
 заснований на ідентифікаторі Хампеля і калмановської фільтрації. Спочатку вимірювані ВЧД сигнали
 проходять попереднє оброблення, під час якого здійснюється ідентифікація структури даних сигналу,
 оцінюється рівень шуму і усуваються викиди за допомогою робастного фільтра Хампеля. Точки викидів
 замінюються значенням медіани в цих точках. Потім відбувається корекція цих даних, усування шуму
 і оцінка спектра сигналу на основі адаптивної авторегресійної (AАR) моделі за допомогою фільтра
 Калмана і зв’язаного з ним RTS (Rauch-Tung-Striebel) згладжувального фільтру. Регульованими параметрами
 пропонованого методу фільтрації є півширина ковзного вікна, порогова величина для виявлення викидів
 і порядок AАR моделі. Intracranial pressure monitoring signal (ICP) obtained in Neuro Intensive Care Units, often contains a large
 amount of noise and outliers. These artifacts not only directly lead to false alarms in automatic alert systems
 of monitoring-diagnostic complex for controlled therapy patient, but they are also heavily pollute the main features of the signal, making it impossible to accurately predict the secondary damage to the brain caused by
 intracranial hypertension. This paper proposes an efficient on-line two-step purification method of physiological
 signals based on Hampel identifier and Kalman filtering. Initially, clinical measurement of ICP signal undergo
 pretreatment in which the identification signal data structure, and the estimated level of noise outliers are
 removed by the filter Hampel robust. Outlier points are replaced by the median of those points. Next, the correction
 of these points, noise removal and evaluation of the signal based on adaptive autoregressive (AAR) model
 using the Kalman filter and its associated RTS (Rauch-Tung-Striebel) smoothing filter are performed. Adjustable
 parameters of the proposed filtering method is the half-width moving window, the threshold for detecting
 outliers and order AAR model.