fa ارتقا و حذف نویز از سیگنال قلبی با استفاده از فیلتر تطبیقی کالمن علوم پایه Basic Sciences پژوهشي اصیل Original Atricle <p dir="rtl" style="margin-right: 28.9pt"><strong>زمینه و هدف:</strong> سیگنال الکتروکاردیوگرام <span dir="ltr">(ECG)</span> نمایشی گرافیکی از فعالیت قلبی است. پردازش و تحلیل تغییرات مورفولوژیکی آن می‌تواند به تشخیص بصری بسیاری از بیماری‌های قلبی کمک کند. با این وجود، انواع نویز واغتشاش در سیگنال <span dir="ltr">ECG</span> تشخیص بصری و استخراج ویژگی از آن را به شدت تحت تاثیر قرار می‌دهد. هدف از این پژوهش، حذف نویزهای مختلف سیگنال <span dir="ltr">ECG</span> و بهبود کیفیت آن می‌باشد.</p> <p dir="rtl" style="margin-right: 28.9pt"></p> <p dir="rtl" style="margin-right: 28.9pt"><strong>مواد و روش</strong>‌<strong>ها:</strong> در این پژوهش، فیلتر تطبیقی کالمن بر اساس مدل بیزین استنتاج شد. با در نظر گرفتن ساده سازی‌های صورت گرفته و توزیع گوسی برای نویز اندازه‌گیری، روابط ریاضی پیچیده به روابط ساده تبدیل شد و در نتیجه پیاده سازی آسان گشت.</p> <p dir="rtl" style="margin-right: 28.9pt"></p> <p dir="rtl" style="margin-right: 28.9pt"><strong>یافته</strong>‌<strong>ها:</strong> در این مقاله، نسبت سیگنال به نویز <span dir="ltr">(SNR)</span> با استفاده از طراحی فیلتر تطبیقی کالمن به میزان <span dir="ltr">21.46dB</span> افزایش یافت. فیلتر تطبیقی کالمن با استنتاج از چارچوب بیزین قادر است تغییرات دینامیکی سیگنال <span dir="ltr">ECG</span> را با استفاده از تخمین ماتریس کوواریانس نویز اندازه‌گیری مدل سازی کند.</p> <p dir="rtl" style="margin-right: 28.9pt"></p> <p dir="rtl" style="margin-right: 28.9pt"><strong><span dir="rtl">نتیجه</span></strong><span dir="rtl">‌<strong>گیری:</strong> برخلاف فیلترهای کالمنی که سیگنال </span>ECG<span dir="rtl"> را بر اساس توابع پارامتری مدل سازی می کنند، فیلتر تطبیقی کالمن ارائه شده در این مقاله، ثبت‌های </span>ECG<span dir="rtl"> واقعی را برای مدل سازی به کارگرفته است. توابع پارامتری که بتوانند تغییرات دینامیکی </span>ECG<span dir="rtl"> را مدل‌سازی کنند نیازمند تعداد زیادی توابع تحلیلی هستند و این باعث کندشدن فرایند فیلترینگ می‌گردد. اما فیلتر تطبیقی کالمن ارائه شده در این پژوهش از سرعت بالایی برخوردار بوده و می‌تواند در کاربردهای زمان واقعی به کار گرفته شود.</span></p> <p dir="ltr" style="text-align: justify"><span style="font-family: times new roman"><strong><em>Background:</em></strong> Electrocardiogram signal (ECG) is a graphical representation of the heart activity. Processing and analysis of these morphological changes can result in visual diagnosing some cardiac diseases. However, various types of noises and disturbances in ECG influence the visual recognition and feature extraction from it. The aim of this research is to eliminate different noises from ECG and to enhance its quality.</span></p> <p dir="ltr" style="text-align: justify"><span style="font-family: times new roman"><strong><em>Materials and Methods:</em></strong> In this study, an adaptive Kalman filter is developed by using Bayesian model. Considering simplification and Gaussian distribution for measurement noise, complicated mathematical equations were converted to simple relations and therefore implementation was simplified.</span></p> <p dir="ltr" style="text-align: justify"><span style="font-family: times new roman"><strong><em>Results:</em></strong> In this paper, by designing an adaptive Kalman filter, the signal to noise ratio (SNR) has increased to 21.46dB. Adaptive Kalman filter based on Beyesian framework could model dynamic variations of ECG signal by estimating covariance matrix for measurement noise.</span></p> <p dir="ltr" style="text-align: justify"><span style="font-family: times new roman"><strong><em>Conclusion:</em></strong> In despite of Kalman filters that use parametric functions to model ECG signal, the adaptive Kalman filter introduced in this paper uses real ECG records for modeling. Parametric functions which could model dynamic variations of ECG need a lot of analytical functions and this decreases the time of filtering process but the adaptive Kalman filter proposed in this research has a high speed and could be used in real time applications.</span></p> فیلتر تطبیقی کالمن, مدل بیزین, الکتروکاردیوگرام, تخمین نویز Adaptive kalman filter, Bayesian model, Electrocardiogram, Noise estimation 1 11 http://jams.arakmu.ac.ir/browse.php?a_code=A-10-3588-1&slc_lang=fa&sid=1 Masoomeh Ashoorirad معصومه آشوری راد ashoori@hut.ac.ir 4600319475328460068059 4600319475328460068059 Yes Department of Medical Engineering, Industrial University of Hamedan, Hamedan, Iran. گروه مهندسی پزشکی، دانشگاه صنعتی همدان، همدان، ایران Rasool Baghbani Khezerloo رسول باغبانی خضرلو baghbani@hut.ac.ir 4600319475328460068060 4600319475328460068060 No Department of Medical Engineering, Industrial University of Hamedan, Hamedan, Iran. گروه مهندسی پزشکی، دانشگاه صنعتی همدان، همدان، ایران