بخشی از مقاله
چکیده –
سیگنال قلبی جنین (FECG) یک سیگنال بیومدیکال است که فعالیت الکتریکی قلب جنین را برای بدست آوردن اطلاعات حیاتی در مورد وضعیت جنین در زمان حاملگی، از روی سطح بدن مادر تعیین میکند. این سیگنال در مقایسه با سیگنال مادر سیگنال ضعیفی است و حدود %20 توان سیگنال مادر را تشکیل میدهد. استخراج نوار قلب جنین اهمیت حیاتی برای نظارت بر جنین دارد. در این مقاله یک روش استخراج نوار قلب جنین بر اساس شبکه های عصبی خطی تطبیقی معرفی شده است. این روش می تواند با استفاده از مقادیر کمی داده تحقق یابد. علاوه بر این، با بهبود ساختار شبکه عصبی نتایج بهتر می تواند به دست آید. بنابراین شناسایی نوار قلب جنین راحت ر انجام می شود. نتایج تجربی نشان می دهد که شبکه های عصبی خطی تطبیقی برای استخراج نوار قلب جنین از سیگنال شکم مادر به طور موثر می توانند مورد استفاده قرار گیرند. علاوه بر این یک ECG واضح تر با بهبود ساختار شبکه عصبی می تواند استخراج شود.
کلید واژه- سیگنال قلبی جنین، شبکه عصبی تطبیقی، قاعده یادگیری W-H، نوار قلب مادر، هیپوکسی جنینی
-1 مقدمه
هیپوکسی جنینی یکی از بیماری های اصلی تهدید کننده زندگی جنین می باشد. آمار نشان می دهد که 30 درصد عقب ماندگی های ذهنی و فلج مغزی ناشی از کمبود اکسیژن (هیپوکسی) برای جنین می باشد. بنابراین نظارت بر زنان باردار و جنین آن ها در طول دوره پری ناتال (هفته بیستم بارداری تا یک هفته بعد از زایمان) ضروری است .[1] سیگنال ECG جنین (FECG) در میان سیگنال های مختلف فیزیولوژیکی می تواند فعالیت قلب جنین را به بهترین نحو نمایش دهد. با بهره گیری از این سیگنال، می توان علاوه بر مقدار میانگین و مقدار لحظه ای ضربان قلب که شامل تداخل خطوط برق، ECG مادر (MECG) که بسیار قوی تر از FECG و سایر سیگنالهای بیو الکتریکی ترکیب شده با ECG میباشد، اطلاعات بیشتری از قلب جنین توسط شکل موج FECG به دست آورد.[2] این سیگنال در مقایسه با سیگنال مادر سیگنال ضعیفی است و حدود %20 سیگنال مادر را تشکیل می دهد. سیگنال ECG جنین از شکم مادر به دست میآید و شامل مقدار زیادی نویز میباشد. این نویز
را میتوان با پردازشهای پیش فیلتر تضعیف کرد، ولی مقداری از سیگنال MECG باقی میماند. بنابراین، بهره گیری از پردازش سیگنال برای مهار کردن MECG لازم است.[3] در حال حاضر، برای پردازش سیگنال FECG دو نگرش وجود دارد:
1. سیگنال MECG را به عنوان نویز در نظر گرفت و اقداماتی نظیر فیلتر همسان، فیلتر تطبیقی و فیلتر تطبیقی ثابت برای فیلتر کردن آن انجام داد.
2. سیگنال MECG و FECG را به عنوان دو سیگنال مستقل در نظر گرفت و از روشهایی مانند جداسازی منابع، تجزیه و تحلیل مولفه های مستقل و تجزیه مقدار منفرد برای جداسازی آن ها از یکدیگر بهره
جست .[4]
از میان روش های فوقمعمولاً، از روش های فیلتر تطبیقی 3 ][و تجزیه و تحلیل مولفه های مستقل استفاده میشود [5] و .[6]
سیگنال ECG جنین بسیار شبیه سیگنال بزرگسالان است و دارای موجهای اساسی سیگنال قلبی مانند موج P، کمپلکس QRS و موج T است. همانطور که در شکل 1 دیده می شود، کمپلکس PQRST یک سیگنال الکتریکی است که با انقباض ماهیچههای قلبی تولید میشود. قسمتهای مختلف این موج
زذتل خغ1سکطغکطکسغپه
هتله شAلع ,لاهلاکغهعطکل y,هق ذصستص
عبارتند از: موج P که با انقباض دهلیزها تولید میشود، کمپلکس QRS مربوط به انقباض دهلیز ها و موج T متناظر با رپولاریزاسیونی که به دنبال هر انقباض قلبی ایجاد میشود. در سیگنالی که از شکم مادر ثبت میشود، سیگنال مادر، سیگنال غالب است و برای یافتن سیگنال جنین، این سیگنال بایستی فیلتر شود.اخیراً روش هایی مانند منطق فازی و شبکه های عصبی برای استخراج سیگنال قلبی جنین پیشنهاد شدهاند. شبکه های عصبی به علت قابلیت تطبیق پذیری، آموزش و ساختار غیر خطی کاربردهای بسیاری در داده کاوی سیستمهای غیر خطی پیدا کرده است. در این مقاله یک روش مبتنی بر شبکههای عصبی تطبیقی خطی برای استخراج سیگنال FECG معرفی می شود.
شکل :1 وقایع مهم در یک دوره از سیگنال قلبی
-2 بیان مسئله
تصویری از مسئله در شکل 2 نشان داده شده است. دو سر دستگاه اندازه گیری سیگنال به بدن مادر باردار در قسمتهای قفسه سینه و شکم برای دریافت دو سیگنال ECG متصل شده اند. این سیگنالها به ترتیب با نام های و برای قفسه سینه و شکم مشخص شدهاند. سیگنال شکمی شامل 3 سیگنال زیر میباشد :[2]
.1 نسخه تغییر شکل یافته که از طریق قفسه سینه به
شکم میرسد.
2. سیگنال ECG جنین
3. نویز جمع شونده حاصل از سیگنالهای دیگر.
سیگنال شکمی می تواند به صورت مجموع سیگنال
تغییر شکل یافته ECG مادر، سیگنال و یک نسخه اعوجاج
یافته ECG جنین، به صورت زیر نشان داده میشود:
(1)
×
شکل :2 نمایش صورت مسئله استخراج سیگنال FECG
-3 شبکه عصبی
توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آن ها موافقند که شبکه عصبی شامل شبکه ای از عناصر پردازش ساده (نورون ها ) است، که می تواند رفتار پیچیده کلی تعیین شده ای از ارتباط بین عناصر پردازش و پارامتر های عنصر را نمایش دهد. منبع اصلی و الهام بخش این روش، از آزمایش سیستم مرکزی عصبی و نورون ها (آکسون ها، شاخه های متعدد سلول های عصبی و محل های تماس دو عصب) نشأت گرفته است که یکی از قابل توجه ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می دهد. در یک مدل شبکه عصبی، گره های ساده (بطور گسترده نورون ها، واحد ها) برای تشکیل شبکه ای از گره ها، به هم متصل شدهاند. به همین دلیل به شبکه های فوق، اصطلاح شبکه های عصبی اطلاق می شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگار پذیر باشد، استفاده عملی از آن به واسطه الگوریتم هایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال مورد نظر) طراحی شده باشد. ایده اصلی این گونه شبکه ها تا حدودی الهام گرفته شده از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختار هایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده به هم پیوسته به نام نورون تشکیل شده است که برای حل یک مسأله و به صورت هماهنگ با هم عمل می کنند و توسط سیناپس ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می کنند. در این شبکه ها اگر یک سلول آسیب ببیند بقیه سلول ها می توانند نبود آن را جبران کرده و نیز در بازسازی آن سهیم باشند. این
زذتل خغ1سکطغکطکسغپه
شتله شAلع ,لاهلاکغهعطکل y,هق ذصستص
شبکه ها قادر به یادگیری اند. به عنوان مثال، با اعمال سوزش به سلول های عصبی لامسه، سلول ها یاد می گیرند که به طرف جسم داغ نروند و با استفاده از این الگوریتم، سیستم می آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، به عبارت دیگر، با آموزش شبکه عصبی، وزن سیناپس ها به گونه ای تغییر می کند که با اعمال ورودی های جدید، سیستم پاسخی صحیح تولید کند. می توان با بهره گیری از دانش برنامه نویسی رایانه، ساختار داده ای به نحوی طراحی نمود که همانند یک نرون عمل نماید. سپس با ایجاد شبکه ای از این نورون های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را تحت آموزش قرار داد. این شبکه ها برای کاربرد های تخمین و تقریب کارایی بسیار بالایی از خود نشان داده اند. گستره کاربرد این مدل های ریاضی برگرفته از عملکرد مغز انسان، بسیار وسیع می باشد که به عنوان چند نمونه کوچک می توان استفاده از این ابزار ریاضی در پردازش سیگنال های بیولوژیکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضانوردی را نام برد.
شبکه های عصبی با استفاده از توانایی قابل توجه خود در استنتاج نتایج از داده پیچیده و مبهم، می توانند در استخراج الگو ها و شناسایی گرایشهای مختلفی که شناسایی آنها برای انسان و رایانه بسیار دشوار است، استفاده شوند. از مزایای شبکه های عصبی می توان موارد زیر را نام برد :[7]
1. یادگیری تطبیقی
2. خودسازماندهی
3. عملگر های بلادرنگ
4. تحمل خطا
5. دسته بندی
6. تعمیم دهی
7. انعطاف پذیری پایداری
-4 طراحی شبکه عصبی خطی برای جداسازی سیگنال قلبی جنین
شبکه عصبی خطی دارای تابع فعالیت خطی میباشد. این شبکه از قانون یادگیری W-H که به عنوان قانون یادگیری مجذور مربعات (LMS) هم شناخته میشود، استفاده میکند. این شبکه میتواند در حین کار به تغییرات محیط پاسخ دهد. قانون یادگیری LMS نوعی آموزش تحت نظارت می باشد.
ابتدا لازم است مجموعه نمونه یادگیری را به صورت {P1,
T1}, {P2, T2}… {Pn,Tn} تعریف نمود. در این رابطه، Pn
بیانگر بردار ورودی و Tn بیانگر بردار هدف خروجی میباشد. برای هر بردار ورودی، شبکه عصبی تطبیقی بردار خروجی را محاسبه کرده و سپس خطاهای بین بردار خروجی و سیگنال ECG شکمی را محاسبه مینماید. از این خطاها برای تنظیم وزنها و سطح آستانه شبکه استفاده میشود، بنابراین مقادیر خطا به تدریج کاهش مییابد.
تابع خطای خروجی یک شبکه خطی به صورت زیر تعریف می
شود:
(2) ×
تنظیم بردار وزن با استفاده از قانون یادگیری W-H، سبب
کمینه شدن مقدار میگردد. بر اساس روش گرادیان
نزولی مقدار صحیح بردار وزن نسبت مستقیمی با گرادیان
در همان موقعیت دارد.
بر اساس نظریه شبکه عصبی، با آموزش وزنها و انحراف شبکه، میتوان تقریبی خطی برای توابع غیرخطی بهدست آورد. در این مورد، نیازی به محاسبه خروجی شبکه عصبی نبوده، اما تحلیل خطا قابل انجام میباشد. اساس این کار، همانند فیلتر تطبیقی بوده، با این تفاوت که فیلتر تطبیقی به حجم بالایی از داده نیاز دارد و سیگنال FECG استخراج شده اغلب با MECG ترکیب میشود[8]، در حالیکه استفاده از شبکه عصبی خطی تطبیقی می تواند از بروز این مشکل جلوگیری نماید. برای این کار، با تحلیل حجم کمتری از داده برای تنظیم وزن شبکه و انحراف، که معادل با تنظیم ضرایب فیلتر تطبیقی و تحلیل خطاها میباشد، میتوان سیگنال FECG را بهدست آورد.
نمودار بلوکی روش شبکه عصبی تطبیقی ارائه شده در شکل 3 قابل مشاهده است.
شکل :3 ساختار فیلتر عصبی تطبیقی ارائه شده
زذتل خغ1سکطغکطکسغپه
حزله شAلع ,لاهلاکغهعطکل y,هق ذصستص
زذتل خغ1سکطغکطکسغپه
شAلع ,لاهلاکغهعطکل y,هق ذصستص
یافته شبکه عصبی نشان داده شده در شکل 4، شامل یک لایه ی
همانطور که دیده میشود در این روش، سیگنال قلبی گرفته پنهان است (لایه .(1 نتایج تجربی نشان میدهد که شبکههای
شده از الکترود سینه مادرکه، تقریباً تنها سیگنال قلبی مادر در عصبی بهبود یافته میتوانند الگوی سیگنال MECG بهتری
آن وجود دارد، به همراه چند نمونه تأخیر یافته آن، به عنوان تولید کنند و به دنبال آن، سیگنال FECG واضحتری استخراج
ورودی به شبکه عصبی اعمال می گردد. نمایند.
سیگنال شکمی مادر که حاوی هر دو سیگنال مادر و جنین
است، به عنوان سیگنال هدف به شبکه عصبی اعمال میشود. در
هر نمونه، شبکه عصبی طراحی شده، با داشتن ورودی ها و
خروجی ذکر شده از خطای خروجی استفاده کرده تا وزن ها را به
نحوی تغییر دهد که خطا کاهش یابد. این کار در هر بار تکرار
الگوریتم، با استفاده از روش گرادیان نزولی با ممان انجام می- شکل :4 ساختار بهبود یافته شبکه عصبی طراحی شده
شود. در این روش، ابتدا وزن های شبکه به صورت تصادفی
انتخاب میشوند و سپس برای هر نمونه از سیگنال شکمی، نمونه -5 شبیهسازی و بررسی نتایج
متناظر سینه و چند نمونه قبلی آن به شبکه اعمال میشود و
شبکه عصبی پس از انجام محاسبات پیشرو و تعیین خروجی به منظور ارزیابی کارایی الگوریتم فوق، از نرم افزار MATLAB
شبکه، خطای خروجی را محاسبه نموده و سپس با رابطه زیر استفاده شده است. در این برنامه، ابتدا یک سیگنال 8 کاناله
تنظیم وزن ها را انجام میدهد. قلبی که از یک مادر باردار گرفته شده، بارگذاری میشود و
سپس کانال های یک و هشت آن که متناظر با الکترودهای
(3) شکمی و قلبی هستند، در دو بردار ذخیره میشوند. پارامتر های
× تنظیمی الگوریتم یعنی نرخ آموزش، ضریب ممان و تعداد
تأخیر ها توسط کاربر قابل تنظیم میباشند. سپس، دو بردار
در رابطه فوق، α ضریب ممان و η نرخ آموزش است. شبکه، مذکور نرمالیزه می شوند تا مقیاس یکسانی داشته باشند. وزن-
سیگنال عبور کرده از سینه تا شکم را که از یک تابع فعال سازی های اولیه به صورت تصادفی در بازه [-1,1] تولید شده و در
غیرخطی عبور میکند، تقریب میزند. با استفاده از قوانین تحلیل ادامه، برای تمام نمونهها، سیگنال سینه و چند نمونه قبلی آن در
LMS، شبکه به صورت خطی سیگنال ورودی را برای تقریب وزن های مربوطه ضرب میشوند تا بدین ترتیب خروجی شبکه
سیگنال هدف تحلیل می کند و خطای بین خروجی شبکه و بدست آمده و خطای آن در مقایسه با سیگنال شکمی محاسبه
هدف برای تنظیم وزن و انحراف شبکه، به منظور دستیابی به گردد. از این خطا، برای تنظیم وزن ها استفاده میشود و حلقه
بهترین الگوی MECG، که بهترین تخمین از منبع نویز ورودی تکرار ادامه پیدا میکند. در هر مرحله، سیگنال خروجی شبکه
میباشد، استفاده میشود. خطای بین خروجی شبکه و هدف، نیز ذخیره میگردد. پس از اتمام حلقه با تفریق سیگنال خروجی
بیانگر FECG استخراج شده میباشد. با مشاهده این سیستم، شبکه از سیگنال شکمی، سیگنال قلبی جنین بدست میآید و
میتوان پی برد که شبکه عصبی خطی در این سیستم به طور تمامی سیگنال ها نمایش داده میشوند.
عمده برای تولید الگوی MECG استفاده شده است. به زبان سیگنال مورد استفاده یک سیگنال واقعی است و با هشت
سادهتر، سیگنال شکم مادر از عملکرد مشترک قلب مادر و قلب کانال از شکم و سینه یک مادر ثبت شده است. طبیعی است که
جنین تولید میشود. با از بین بردن بخش سیگنال قلب مادر، این سیگنال محتوی مقداری نویز نیز میباشد. حال عملکرد
بخشی از سیگنال قلب جنین به دست میآید. با استفاده از شبکه عصبی طراحی شده، برای مقادیر مختلف نرخ آموزش و
الگوی سیگنال MECG به دست آمده از تحلیل شبکه، با ضریب ممان ارزیابی میشود.
جداسازی سیگنال شکم مادر می توان سیگنال FECG را به ابتدا مقدار نرخ آموزش برابر با 0,05، ضریب ممان برابر 0,01
دست آورد. بنابراین، با بهبود هرچه بیشتر ساختار شبکه عصبی، و تعداد تأخیر ها برابر با 5 انتخاب میشوند. نتیجه شبیهسازی
الگوی بهتری از سیگنال MECG تولید میشود. ساختار بهبود سیگنالها به صورت شکل 5 مشاهده میشود. همانطور که دیده
لزله
میشود مدتی طول می کشد تا سیگنال تخمینی به اندازه مطلوب برسد و به همین دلیل، در زمانهای ابتدایی سیگنال جنین حاوی سیگنال مادر نیز است.
شکل:6 نتیجه اجرای برنامه با u=0.2، α و .d=5
پارامتر دیگری که مورد بررسی قرار میگیرد، مقدار تأخیر به
کار رفته در شبکه عصبی میباشد. بدین منظور، میزان تأخیر از
2 تا 16 تغییر یافته و نتایج شبیهسازی مشاهده میگردد. بهترین
شکل :5 نتیجه اجرای برنامه با u=.05، α و .d=5 نتیجه با تأخیری برابر 5 بدست میآید. این پارامتر تا حد قابل
توجهی به نوع سیگنال و مشخصههای بدن مادر وابسته است،
با افزایش نرخ آموزش، سرعت همگرایی وزن ها به مقدار نهایی زیرا تعیین کننده نوع فیلتری است که سیگنال قلبی با گذر از
افزایش مییابد. شکل 6، نتیجه شبیهسازی را با نرخ آموزش 0,2 آن به شکم میرسد. این روش برای جداسازی نویز های قابل
