Η διπλωματική εργασία με τίτλο «Μέθοδοι για Ανίχνευση και Χαρακτηρισμό Βιοσημάτων σε Θορυβώδεις Χρονοσειρές βασισμένοι στο Μετασχηματισμό Hilbert-Huang» μελετάει ζητήματα που σχετίζονται με βιοϊατρικά σήματα και την ανάλυση τους. Γίνεται διερεύνηση των διαθέσιμων τεχνικών και μεθόδων ανάλυσης βιοϊατρικών σημάτων, επισημαίνονται τα ιδιαίτερα χαρακτηριστικά των χρονοσειρών που προκύπτουν από την παρατήρηση και καταγραφή των σημάτων και έμφαση δίνεται στη μη στασιμότητα, την μη γραμμικότητα των υποκείμενων φυσικών διεργασιών και την ανάγκη προσαρμοστικότητας της μεθόδου. Μια μέθοδος που ικανοποιεί αυτές τις απαιτήσεις είναι η εμπειρική μέθοδος αποσύνθεσης η οποία αναλύει ένα σήμα σε ένα σύνολο συνιστωσών (IMFs) από τις οποίες ένα υποσύνολο θεωρείται ότι έχει φυσική σημασία. Επιπλέον, με το μετασχηματισμό Hilbert ανιχνεύονται οι στιγμιαίες συχνότητες και διαμορφώνεται η χρονοσυχνοτική κατανομή του σήματος. Τα θέματα που διερευνώνται αναφορικά με την εμπειρική μέθοδο αποσύνθεσης αφορούν τη στατιστική σημαντικότητα των IMFs, την αποθορυβοποίηση βιοϊατρικών σημάτων, την εξαγωγή χαρακτηριστικών από ηλεκτροκαρδιογράφημα και την απόδοση της μεθόδου. Ειδικά η απόδοση της εμπειρικής μεθόδου αποσύνθεσης είναι κρίσιμη παράμετρος για συστήματα με περιορισμένους πόρους όπως είναι οι κόμβοι ασύρματων δικτύων αισθητήρων ή τα ενσωματωμένα συστήματα. Η μοντελοποίηση μεθόδων που υλοποιούνται στο επίπεδο κόμβων ασύρματου δικτύου αισθητήρων είναι απαραίτητη για τη βέλτιστη διαχείριση πόρων και τον προγραμματισμό διεργασιών ώστε να μην διαταραχθεί η λειτουργία και λειτουργικότητα του συστήματος / This diploma thesis entitled "Methods for Identification and Characterization of Biosignals in Noise corrupted Time Series based on Hilbert-Huang Transform " studies issues concerning biomedical signal analysis. There is a review of the available techniques and methods for biomedical signal analysis pointing at certain characteristics of biomedical time series such as non stationarity, the non linearity of the underlying physical process and the need for the adaptive nature of the analysis method. One method that meets these requirements is considered to be the Empirical Mode Decomposition (EMD) which decomposes a signal into a set of components (IMFs) that a subset of them is believed to have a physical meaning. Application of Hilbert Transform on these IMFs provides the instantaneous frequencies and forms the time-frequency distribution of the signal. Issues studied are related to the statistical significance of the IMFs, denoising of biomedical signals, characteristics extraction and feature selection out of the electrocardiogram as well as the performance of the method. Particularly, the performance of empirical mode decomposition is considered to be a critical parameter especially in the case of implementation on nodes of wireless sensor networks or generally embedded systems due to the limited amount of resources available onboard. Modeling method's performance and demand for resources is a significant task facilitating the optimum resource management and task execution schedule of these systems.

Ο βήχας είναι ένα κοινό σύμπτωμα σε πολλές ασθένειες του αναπνευστικού συστήματος. Αν και λειτουργεί ως προστατευτικός μηχανισμός απομάκρυνσης εκκρίσεων από την αναπνευστική οδό, η αυξημένη συχνότητα και έντασή του μπορεί να έχουν επίδραση στην ποιότητα ζωής του ασθενούς. Είναι το βασικότερο σύμπτωμα για το οποίο κάποιος επισκέπτεται τον γιατρό. Η σωστή εκτίμησή του είναι απαραίτητη τόσο για τον προσδιορισμό της αποτελεσματικότητας της θεραπείας αλλά και για την δοκιμή νέων θεραπειών και τη μελέτη των μηχανισμών του. Μέχρι στιγμής η διάγνωσή του βασίζεται σε υποκειμενικές καταγραφές, απλώς ζητώντας από τον ασθενή την εκτίμησή του για την ένταση, τη διάρκεια και τη συχνότητά του. Ένα σύστημα αυτόματης ανίχνευσης του σήματος του βήχα θα επέτρεπε την επικύρωση της παρουσίας και της συχνότητας του βήχα καθώς και την αποτελεσματικότητα της αγωγής. Τα συστήματα καταγραφής του βήχα δεν είναι καινούρια διαδικασία. Η πρώτη καταγραφή έγινε τη δεκαετία του '60 σε νοσηλευόμενους ασθενείς με τη χρήση μαγνητοφώνων και με χειροκίνητη καταγραφή των γεγονότων του βήχα. Στη συνέχεια με την εξέλιξη της τεχνολογίας κατασκευάστηκαν φορητές συσκευές που βασίστηκαν στην ταυτόχρονη καταγραφή ήχου και ηλεκτρομυογραφήματος (EMG σήματα, ανίχνευση κίνησης του θώρακα) για να ανιχνευθούν τα γεγονότα του βήχα όπου ακόμα τα σήματα έπρεπε να καταγραφούν και να μετρηθούν χειροκίνητα. Με τις παραπέρα ανακαλύψεις στις τεχνικές ψηφιακής καταγραφής, συμπίεσης και αποθήκευσης η διαδικασία αναγνώρισης και καταγραφής του βήχα μπορεί να αυτοματοποιηθεί με τη χρήση κατάλληλων αλγορίθμων. Στην εργασία αυτή κατασκευάζεται ένα ενσωματωμένο σύστημα καταγραφής, αποθήκευσης και επεξεργασίας του σήματος του βήχα. Για την επεξεργασία του αναπτύσσεται μια βασική μέθοδος βασισμένη την ενέργειά του. Στο πρώτο κεφάλαιο, γίνεται αναφορά στα χαρακτηριστικά του ηχητικού σήματος και παρατίθενται τα βασικά στάδια της ανάλυσής του. Στο δεύτερο, δίνεται ο ορισμός του βήχα, οι αιτίες που τον προκαλούν και η φυσιολογία του. Στη συνέχεια, παρουσιάζονται μέθοδοι για την ανίχνευσή του. Στο τρίτο κεφάλαιο, αναφέρονται οι βασικές έννοιες των μικροελεγκτών και παρατίθενται τα βασικά χαρακτηριστικά του μικροεπεξεργαστή ARM7TDMI, του μικροελεγκτή ADuC 7026 και της αναπτυξιακής πλατφόρμας μVision της Keil που χρησιμοποιήσαμε για την ανάπτυξη της εφαρμογής μας. Στο τελευταίο κεφάλαιο, παρουσιάζονται κάποιες λειτουργίες προγραμματισμού και δυνατότητες του μικροελεγκτή που χρησιμοποιούνται στην παρούσα εργασία. Στη συνέχεια αναπτύσσεται η εφαρμογή για την ανίχνευση του σήματος του βήχα. Στα παραρτήματα, παρατίθενται παραδείγματα για τον βασικό προγραμματισμό του ADuC 7026 και των περιφερειακών του. / Cough is a common symptom in many diseases of the respiratory system. Although cough protects humans by removing secretions through respiratory track, its increased frequency and intensity may impact on patient’s quality of life. Besides, cough is the main symptom that makes people to visit doctor. Doctor’s accurate assessment is necessary for determining treatment according to each patient as well as the testing of new treatments and the comprehensive study of cough. So far, the diagnosis of cough is based on subjective factors such as patient’s assessment of its intensity, duration and frequency. An automatic detection system of the cough signal would allow to determine about the presence and frequency of cough and an effective treatment. The attempt to record cough is not a new process. The first recording to patients was made in 60’s by the use of tape recorders and by manually recording the symptoms of cough. As technology has evolved, portable device was created that was based on simultaneous recording of sound and electromyography (EMG signals, detection of the movement of chest) in order to detect the symptoms of cough. In that case, the recording was also made manually. With the evolution of digital recording, compression and storage, the recognition and recording of cough can be automated by using the appropriate algorithms. In that study, an embedded system is made in order to record, store and process the signal of cough. A basic method based on energy is developed for the process. In the fisrt chapter, the characteristics of sound signal and the key stages of the analysis are presented. In the second chapter, cough is defined, its causes and the clinical symptoms of cough are analyzed. Then, methods for its detection are specified. In the third chapter, the basic concepts of microcontrollers are given as well as the main characteristics of microprocessor ARM7TDMI and of microcontroller ADuC 7026 are presented and the platform μVision of Keil that we used for the development of the application is analyzed. In the final chapter, some programming functions and properties of microcontroller are presented and are used for the current study. Then, the application of detection of cough signal is developed. In annex, examples for the basic programming of ADuC 7026 and its peripherals are given.