 RRespP
|
ÚvodNaším hlavním úkolem v zadané práci bylo na základě dodaných podkladů a polotovarů, vytvořit funkci v programovacím jazyce Matlabu, která by prováděla filtraci tzv. RSA (Respirační sinusová aritmie) ovlivňující okamžitou tepovou frekvenc i, a především pak seznámit se s celou problematikou.
ZdrojeZdroji našich vědomostí v této oblasti se staly články nejrůznějších autorů, zabývajících se výsledky jejich prací v této oblasti. Jejich seznam je uveden zde:
O co jde...Oblast výzkumu mozkové činnosti se v posledních letech dostává značně do popředí neboť je to poslední část těla, která značně odolává pokusům o poznání jeho principů. Jednou z možností jak pozorovat mozek a to co se v něm děje, je přes jeho vnější elektrické projevy. Rozpoznání dílčích částí ve výsledném elektrickém signálu je při běžném pozorování průběhu signálu téměř nemožné. Z toho je zcela jasné, že na scénu musí přijít nějaký mocnější nástroj umožňující jednotlivé složky oddělit.Nejjednodužší schema pokusu jaké si můžeme představit je asi následující: měříme elektrické signály u probanda, který je naprosto v klidu a vykonává například jen jednu přesně danou činnost - pohyb prstem a podobně. Zdálo by se, že v tom případě máme tedy k dispozici jakožto výsledný signál, přesně ten, který určuje, že teď hýbeme prstem. Bohužel stav věci je složitější. I když jsme totiž v naprostém klidu v těle probýhá velké množství dějů, které musí mozek řídit. A jedním z nevýraznějších dějů je právě dýchání. Situace je navíc o to zajímavější, že jednotlivé aktivity mozku jsou na sobě do značné míry závislé. Projevuje se to např. tak, že jednotlivé fáze dýchání ovlivňují okamžitou srdeční frekvenci a to tak, že během nádechu a výdechu dochází postupně ke zvyšování a pak ke snižování frekvence. 
Pokud vyneseme okamžitou frekvenci srdce do grafu dostanem právě onu sinusovou křivku, které se říká RSA. Pokud se podaří odfiltrovat tuto závislost, zbyde nám pouze závislost srdeční frekvence třeba na pohybu prstem.
Význam poznání, že i tak banální činnost jako je pohyb prstem ovlivňuje tak důležitý faktor jako je srdeční frekvence by měl pomoci při objasnění příčin některých lidských stavů (mdloba), případně pomocí při diagnózách např. srdečních onemocnění.Naším úkolem tedy bylo složku zvanou RSA odfiltrovat prozatím pouze z okamžité měřené frekvence srdce a odhalit tím vliv pohybu prstem. Jak na to?Ano, nelehká otázka. Odpověď na ni musíme hledat jako obvykle v hlubší teorii filtrace. Základ tzv. regresivní analýzy použité v naší funkci je zde a pochází z práce ing. Vondrouše. Stejně tak základ pro druhý typ analýzy, který jsme aplikovali - tzv. LMS (least mean square) pochází od ing. Vondrouše.VýsledkyVýsledkem našeho snažení je funkce, kterou jsme nazvali rrespp. (V Matlabu již není snadné nalézt neobsazené slovo pro název funkce, musí se tedy vymýšlet nejrůznější absurdity. :) Co zatím funkce umí ukáže následující popis:
function [rr1,mrr1,srr1,rr2,mrr2,srr2]=
=rrespp(resp,rr,klepani,antype,fsresp,fsrr,fsklp,intl,intr);
VYSTUP
rrX - RR interval prumerovany
mrrX - stredni hodnota
srrX - rozptyl
X=1 vstupni, X=2 odfiltrovana zavislost RSA (RSA pouze pri regers)
VSTUP
resp - dychani
rr - RR intervaly
klepani - budici impulsy
pokud nebudou zadany dale uvedene parametry vezmou se defaultni:
antype='reg', fsresp=10, fsrr=10, fsklp=1024, intl=10, intr=10
antype - 'reg'=regresni analyza, 'lms'=LMS algoritmus
fsresp - vzorkovaci frekvence dechu
fsrr - vzorkovaci frekvence rr intervalu
fsklp - vzrokovaci frekvence klepani
intl/r - interval -Sekund a +Sekund kolem budiciho impulsu,
kde se ma pocitat RR-RSA
Pokud nez~a'da'te vystupni parametry jsou vykresleny grafy
A jak vypadají výsledky v grafechNa následujících dvou obrázcích vidíte ukázkové výsledky po zpracování signálů z dřívějších měření (byla prováděna jinou metodou) a předzpracována již na 3.lf nebo ing. Vondroušem.
Po kliknutí získáte zvětšenou verzi.
A zde vidíte výsledky po použití na nové signály, které máme za úkol zpracovat my.
Myslím, že je zcela zřejmé, že to není to, co bychom očekávali, jak se můžeme převědčit zde. Naším dalším úkolem je tedy eliminovat chybu.
Trnitá cesta k dobrým výsledkůmV současné době jsme zjistili, že s největší pravděpodobností dostáváme chybné výsledky díky nedostatečnému předzpracování vstupních signálů, kde např. vstupní signál respirace má velmi výrazný trend.Signál RR intervalů již bylo také nutno upravit do vhodného tvaru. K tomu slouží funkce interpp taktéž vyvinutá v našich laboratořích. Interpoluje neekvidistantni signal y (R-R intervaly) function rr = inter(y,fs,fsrr); y ... R-R intervaly fs ... samplovaci frekvence R-R fsrr ... na co prevzorkovat Takle to vypadalo: Pro úpravu signálu respirace se připravuje funkce dtrendp... Jak to dopadlo se můžete podívat v pokračování této práce. A na závěr jeden překvapivý výsledek našeho bádání. |
|
|