Неавтономное обнаружение выбросов и очистка сигналов мониторинга внутричерепного давления
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 управля...
Gespeichert in:
| Datum: | 2013 |
|---|---|
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут проблем штучного інтелекту МОН України та НАН України
2013
|
| Schriftenreihe: | Искусственный интеллект |
| Schlagworte: | |
| Online Zugang: | http://dspace.nbuv.gov.ua/handle/123456789/84981 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| 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. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| Zusammenfassung: | 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. |
|---|