Η παρούσα εργασία πραγματεύεται την αποτελεσματικότητα του αλγορίθμου Matching Pursuit στον τομέα της επεξεργασίας σήματος. Περιγράφονται οι γενικότερες δυνατότητες του στην επεξεργασία βασικών βιοϊατρικών σημάτων και ειδικότερα εξετάζονται τα πλεονεκτήματά του στην επεξεργασία του ηλεκτροκαρδιογράφηματος, μιας και η εργασία αποτελεί μέρος του προγράμματος τηλεκαρδιολογίας e-Herofilus. Αρχικά λοιπόν γίνεται μία αναλυτική περιγραφή του τρόπου λήψης και καταγραφής του καρδιογραφικού σήματος. Στη συνέχεια γίνεται μία περιγραφή του αλγορίθμου Matching Pursuit και των αποτελεσμάτων που είχε η εφαρμογή του σε γνωστά βιοσήματα και κυρίως σε εγκεφαλογραφήματα και καρδιογραφήματα, από όπου προκύπτουν τα πλεονεκτήματα της συγκεκριμένης μεθόδου έναντι των άλλων μεθόδων που έχουν χρησιμοποιηθεί στο παρελθόν για τη μεταφορά και επεξεργασία σημάτων στο πεδίο χρόνου- συχνότητας. Τέλος ακολουθεί η υλοποιήση του αλγορίθμου του Matching Pursuit και η εφαρμογή του σε πραγματικά ηλεκτροκαρδιογραφήματα τόσο υγιή όσο και παθολογικά, που λήφθηκαν από τη βάση Physionet του MIT. Η ανάλυση των αποτελεσμάτων της εφαρμογής αυτής οδηγεί σε συμπεράσματα σχετικά με την αξία και την αποτελεσματικότητα του αλγορίθμου στους τομείς της αποθορυβοποίησης του καρδιογραφικού σήματος και του εντοπισμού της χρήσιμης πληροφορίας που αυτό μεταφέρει. Επίσης, μέσα από τη σύγκριση υγιών και παθολογικών καρδιογραφημάτων γίνεται μία προσπάθεια αναγνώρισης στοιχείων που εμφανίζονται στο πεδίο χρόνου-συχνότητας και συσχέτισής τους με τις εκάστοτε παθολογίες, γεγονός που μελλοντικά μπορεί να αποτελέσει το εφαλτήριο για την ανάπτυξη αλγορίθμου αυτόματης διάγνωσης καρδιογραφημάτων. / The following project, which is a part of telemedicine program e-Herofilus, examines the effectiveness of Matching Pursuit method. Its ability of processing in biomedical signals is described in a general format, as well as the advantages in processing of electrocardiogram (ECG) in more details. Firstly, there is an analytical description of collection and record of ECG. Afterwards, there is a description of Matching Pursuit algorithm and its results in biosignal processing. The algorithm is applied in electrocardiogram (ECG) and electroencephalogram (EEG). The results of those applications showed the advantages of Matching Pursuit method over the other methods were used in the past in the signal processing field in the time frequency plane. Finally, the implementation of Matching Pursuit algorithm in real ECGs is following. These ECGs are taken from healthy as well as from pathological specimens. The source of these specimens is Physionet Bank of MIT. In the conclusions of this project, it is underlined the value and the efficiency of Matching Pursuit method in denoising of ECG, and in detecting the useful signal information in time frequency plane. Additionally, comparing the results of processing healthy and pathological ECGs, could lead us in the future in the development of an automated diagnosis algorithm, which can be an innovation in both Engineering and Medicine Sciences.

- / -

Σκοπός της παρούσας εργασίας είναι ο σχεδιασµός η ανάπτυξη και η κατασκευή ενός καρδιογράφου ελεγχόµενου από υπολογιστή. Ο ηλεκροκαρδιογράφος είναι µια συσκευή η οποία µπορεί να συλλέγει από το ανθρώπινο σώµα και να απεικονίζει σε κάποιο µέσο τα δυναµικά που προκαλούνται από την δραστηριότητα της καρδιάς. Τα σήµατα αυτά, έχουν συγκεκριµένη µορφή και η απεικόνισή τους στον χρόνο µπορεί να µας δώσει πολύτιµες πληροφορίες σχετικά µε την κατάσταση της καρδιάς, βοηθώντας µας να εξάγουµε συµπεράσµατα σχετικά µε αυτή. / The aim of the present thesis is the design and development of a digital, computer controlled Cardiograph

Κατά τη διάρκεια των δύο τελευταίων δεκαετιών, στο χώρο της τεχνολογίας έχουν αναπτυχθεί δίαφορα ενσωματωμένα συστήματα λήψης σημάτων φυσιολογίας, ικανά να καταγράφουν σύνθετα σήματα για πάνω απο 48 ώρες. Η εξέλιξη αυτή βοήθησε ιδιαίτερα τον τομέα της βιοϊατρικής. Τέτοια ενσωματωμένα συστήματα χρησιμοποιούνται στις μελέτες ηλεκτροκαρδιογραφίας (ECG ή EKG) για τον εντοπισμό σποραδικών αρρυθμιών ή ανωμαλιών στη καρδιακή λειτουργία.Σήμερα τα καρδιακά σήματα καταγράφονται σε κάρτες μνήμης και μπορούν εύκολα να μεταφερθούν για ανάλυση και επεξεργασία. Η εξέλιξη της τεχνολογίας επιφέρει συνεχως αλλαγές και βελτιώσεις στις συσκευές καταγραφής ΗΚΓ, περιορίζοντας συνεχώς το μέγεθός τους και την κατανάλωσή τους σε ενέργεια. Στην εργασία αυτή θα παρουσιαστούν ενσωματωμένα συστήματα καταγραφής, αποθήκευσης και επεξεργασίας ηλεκτροκαρδιογραφικών σημάτων.Η εργασία αυτή χωρίζεται ουσιαστικά σε πέντε κομμάτια. Το πρώτο τμήμα ασχολείται με τη φυσιολογία της καρδιάς, με τη δομή ενός ηλεκτροκαρδιογράφου και τους τρόπους με τους οποίους μπορούμε να το λάβουμε από τα διάφορα σημεία του ανθρώπινου σώματος.Το επόμενο τμήμα αφορά τη χρήση και τις δυνατότητες των ενσωματωμένων συστημάτων και μικροελεγκτών δίνοντας μεγαλύτερη έμφαση στην παρουσίαση του μικροελεγκτή ADUC7026 και των περιφερειακών του. Επιπλέον συνοψίζονται κάποιες βασικές λειτουργίες προγραμματισμού και δυνατότητες που παρουσιάζει ο ADUC7026 της Analog Devices και παρουσιάζονται κάποιες βασικές εφαρμογές του.Το τρίτο τμήμα επικεντρώνεται στην ανάλυση κάποιων τεχνικών κατασκευής ψηφιακών συσκευών παρακολούθησης καρδιακού παλμού με τη χρήση πυκνωτικών ηλεκτροδίων. Η ανάλυση περιλαμβάνει, τα υλικά από τα οποία αποτελούνται, τα χαρακτηριστικά τους, την αποδοτικότητά τους στην αντιμετώπιση του θορύβου και μια γενικότερη αξιολόγησή τους.Το τέταρτο τμήμα ασχολείται με μια πιο προηγμένη τεχνική καταγραφής σήματος που πραγματοποιείται ασύρματα. Αναλύεται τόσο ο τρόπος κατασκεής ασύρματων συσκευών μέτρησης ΗΚΓ όσο και ο τρόπος χρήσης τους. Στη συνέχεια αυτού του κεφαλαίο δίνεται βάση στην ανάλυση του μικροελεγκτή MSP430FG439 της Olimex και στη χρήση του στη μέτρηση ΗΚΓ.Στο τελευταίο τμήμα δίνεται ο κώδικας προγραμματισμού του μικροελεγκτή MSP430 για την καταγραφή ηλεκτροκαρδιογραφήματος και μία σχετική επεξήγηση της λειτουργίας του. / During the last two decades there have been developed embedded systems, for the receive of physiology signals, that are able to record composite signals for more than 48 hours. This evolution plays a very important role in the field of biomedics. These embedded systems are used at research on electrocardiography (ECG) for the locating of sporadic cardiac arrhythmias, or abnormal heart function.Nowadays, cardiac signals are recorded on memory cards and can easily be transferred for analysis and processing. The technological evolution brings a lot of changes and improvements on the recording devices of ECG, reducing their size and the power they consume. At this thesis, embedded systems for recording, saving and processing ECG signals are presented. The thesis is divided into five sections. The first part deals with the physiology of the heart, the structure of the electrocardiograph and how we can receive it from different parts of the human body. The next section covers the use and potential of embedded systems and microcontrollers emphasizing on presentation of the microcontroller ADUC7026 and its peripherals. In addition, some basic programming functions are summarized and three basic applications of ADUC7026 of Analog Devices are presented. The third section focuses on analyzing methods of constructing digital devices for heartbeat monitoring with the use of capacitive electrodes. Constructive materials, features, efficiency in dealing with noise and a more general evaluation, are included in the analysis.The fourth section refers to a more advanced method of recording signals that has wireless function. The method of constructing wireless ECG recording devices and their usage are also analyzed here. In this section, microcontroller MSP430FG439 of Olimex is presented and there is a description about its use on ECG measurements.At the last section there is the programming code of MSP430 for ECG recording and a brief explanation of its function and purpose.

Electrocardiography (ECG) has been established as one of the most useful diagnostic tools in medicine and is critical in the management of various heart conditions. Automated or semi-automated ECG analysis algorithms are expected to play an important role in the utilization of the ECG data. The correct identification of the QRS complexes is a fundamental step in every ECG analysis method. A major problem that is often encountered in automatic QRS detection is the presence of artifacts in the ECG data, which cause considerable alterations to the signal. Some common filters can smooth the effect of the artifacts, however they cannot eliminate them due to their spectral frequency overlap with the signal components. In this thesis, the objective was to develop a method, based on Time-Frequency Analysis that would be able to automatically detect and remove artifacts in order to increase the reliability of automatic QRS detection. The ECG data used for this purpose was taken from the Physionet library and more specifically from the MIMIC II database. The data in this database was acquired from ICU patients and it contains various types of rhythms as well as artifacts. First, a Graphical User Interface (GUI) was developed in order to manually annotate ECG data and was used for creating the ground truth for testing the methods developed. The Time-Frequency Analysis method used for the analysis of the ECG data, was based on a time-varying Autoregressive (AR) model whose solutions were obtained using Burg’s method. Several factors that affect the effectiveness of the method were investigated in order to optimize the algorithm experimentally. The algorithm implemented performs three main functions: “Artifact Hypothesis Testing,” “Artifact Detection and Removal,” and “QRS Complex Detection.” The first step, “Artifact Hypothesis Testing,” examines whether the signal contains any artifact or not. This is performed with a correct classification rate of 95.56%. The second step was the “Artifact Detection and Removal,” which could detect and remove the artifact area with an accuracy of 95.60% based on each signal sample identified as artifact or not. The final step, the “QRS Complex Detection,” correctly identified 92% of QRS complexes (322 out of 335 annotated QRS complexes). Finally, the proposed method was compared with one of the most commonly used methods in ECG analysis, the Wavelet Transform Analysis (WTA). The two methods were tested on exactly the same dataset. The WTA resulted in an overall score of 65.3% mainly due to the large number of false positive detections in the regions of artifact. / Το ηλεκτροκαρδιογράφημα (ΗΚΓ) έχει καθιερωθεί ως ένα από τα πιο χρήσιμα εργαλεία διάγνωσης στην ιατρική και είναι πολύ σημαντικό στη διαχείριση καρδιαγγειακών παθήσεων. Αυτοματοποιημένοι ή ημι-αυτοματοποιημένοι αλγόριθμοι ανάλυσης του ΗΚΓ αναμένεται να έχουν σημαντικό ρόλο στη χρήση των δεδομένων του ΗΚΓ. Η σωστή αναγνώριση των συμπλεγμάτων QRS είναι βασικό βήμα σε κάθε μέθοδο ανάλυσης του ΗΚΓ. Ένα σημαντικό πρόβλημα που συχνά προκύπτει σε αυτόματη ανίχνευση QRS είναι η παρουσία των τεχνητών σφαλμάτων (artifacts) στα δεδομένα ΗΚΓ, τα οποία προκαλούν σημαντικές αλλαγές στο σήμα. Κάποια κοινά φίλτρα μπορούν να εξομαλύνουν τις επιπτώσεις των τεχνητών σφαλμάτων, ωστόσο δεν μπορούν να τα εξαλείψουν λόγω της μεγάλης επικάλυψης του φάσματος συχνοτήτων τους με αυτού των στοιχείων του σήματος. Στην παρούσα εργασία στόχος ήταν η ανάπτυξη μιας μεθόδου, βασισμένης στην Ανάλυση Χρόνου-Συχνότητας, που θα είναι σε θέση να εντοπίσει αυτόματα και να αφαιρεί τα τεχνητά σφάλματα, ώστε να έχουμε μια πιο αξιόπιστη μέθοδο αυτόματης ανίχνευσης των QRS. Τα δεδομένα ΗΚΓ που χρησιμοποιήθηκαν για το σκοπό αυτό λήφθηκαν από τη βιβλιοθήκη Physionet και πιο συγκεκριμένα από τη βάση δεδομένων MIMIC II. Τα δεδομένα σε αυτή τη βάση δεδομένων προέρχονται από ασθενείς της Μονάδας Εντατικής Θεραπείας, και ως εκ τούτου, περιέχουν διάφορα είδη ρυθμών αλλά και τεχνητών σφαλμάτων. Αρχικά, ένα Γραφικό Περιβάλλον Χρήστη (GUI), σχεδιάστηκε για τη χειροκίνητη σηματοδότηση των διάφορων περιοχών ΗΚΓ σημάτων και χρησιμοποιήθηκε για τη δημιουργία των αληθών αποτελεσμάτων για δοκιμή της μεθόδου. H Ανάλυση Χρόνου-Συχνότητας έγινε με τη χρήση ενός χρονικά μεταβαλλόμενου Αυτοπαλινδρομικού (AR) μοντέλου οι λύσεις του οποίου βρέθηκαν με τη μέθοδο Burg. Ακολούθησε η διερεύνηση διαφόρων παραγόντων που επηρεάζουν την αποτελεσματικότητα της μεθόδου, προκειμένου να βελτιστοποιηθεί πειραματικά η μέθοδος. Ο αλγόριθμος που υλοποιήθηκε εκτελεί τρεις βασικές λειτουργίες: “Artifact Hypothesis Testing,” “Artifact Detection and Removal” και “QRS Complex Detection.” Κατ’ αρχήν, το βήμα "Artifact Hypothesis Testing" εξετάζει αν το σήμα περιέχει τεχνητό σφάλμα ή όχι, με το ποσοστό σωστής ταξινόμησης να ανέρχεται στο 95.56%. Το δεύτερο βήμα, η ανίχνευση και αφαίρεση της περιοχής του τεχνητού σφάλματος, έγινε με ακρίβεια 95.60% με βάση το πόσα σημεία του σήματος αναγνωρίστηκαν ως τεχνητό σφάλμα ή όχι. Τέλος, το συνολικό ποσοστό ορθής ανίχνευσης των συμπλεγμάτων QRS ήταν 92% (322 από τα 335 QRS που επισημάνθηκαν χειροκίνητα). Τέλος, έγινε μια σύγκριση μεταξύ της προτεινόμενης μεθόδου και μιας μεθόδου ανάλυσης ΗΚΓ που χρησιμοποιείται πολύ συχνά, της ανάλυσης με Μετασχηματισμό Wavelet (WTA). Οι δύο μέθοδοι δοκιμάστηκαν στα ίδια ακριβώς δεδομένα. Η ορθή ανίχνευση των συμπλεγμάτων QRS με τη μέθοδο WTA ήταν 65.3% κυρίως λόγω του μεγάλου αριθμού ψευδώς θετικών αποτελεσμάτων στις περιοχές των τεχνητών σφαλμάτων.

The spectral analysis of heart rate variability is a tool that gained more and more clinical importance in the latest years. It can be used in order to access autonomic function on the cardiovascular system through the evaluation of the different frequency bands of the HRV. So far different mathematical approaches have been used towards this aim, often with contradictory results. Therefore, the need for standardization of the methods seems more and more important. In this thesis 2 non-parametric, Fourier-based methods and two parametric based on autoregressive modeling were used in order to extract the power spectral density of patients with epilepsy. Their results were statistically compared to age matched controls. The analysis have shown that when a parametric method is used, a careful model order selection method must be used, and when this is accomplished, the power spectrum could more efficient highlight differences between controls and patients. The results between non-parametric and parametric methods were different, therefore these methods cannot be considered interchangeable. The analysis methodolgy established in this first part of the study has been used to analyse HRV signals from patients before and after deep brain stimulation. / Η φασματική ανάλυση της Μεταβλητότητας της Καρδιακής Συχνότητας (ΜΚΣ) χρησιμοποείται όλο και περισσότερο σε κλινικές μελέτες τα τελευταία χρόνια. Και αυτό γιατί μπορεί να δώσει πληροφορίες σχετικά με την λειτουργία του αυτόνομου νευρικού συστήματος πάνω στην καρδιά αναλύοντας το συχνοτικό περιεχόμενο των ΜΚΣ σημάτων σε διακριτές ζώνες συχνοτήτων. Μέχρι τώρα διαφορετικές μαθηματικές μέθοδοι έδωσαν διαφορετικά, συχνα αντικρουόμενα αποτελέσματα. Έτσι η ανάγκη λεπτομερής περιγραφής των μεθόδων φαίνεται όλο και περισσοτερο επιτακτική. Σε αυτή τη διπλωματική εργασία, δυο μη παραμετρικές μέθοδοι και δύο παραμετρικές βασισμένες σε μοντέλα αυτοπαλινδρόμησης (autoregressive modeling) εφαρμόστηκαν προκειμένου να υπολογιστεί το φάσμα ασθενών με χρόνια επιληψία. Τα αποτελέσματα συγκρίθηκαν με υγιείς εθελοντές ίδιου ηλικιακού προφίλ. Η ανάλυση έδειξε ότι όταν χρησιμοποιουνται παραμετρικές μέθοδοι, η επιλογή της τάξης του μοντέλου πρέπει να γίνεται με προσοχή και όταν αυτό γίνει, το φάσμα μπορεί να αναδείξει πιο αποτελεσματικά διαφορές μεταξύ ασθενών και υγειών εθελοντών. Τα αποτελέσματα μεταξύ παραμετρικών και μη παραμετρικών μεθόδων αποδείχθηκαν διαφορετικα, και κατά συνέπεια οι δύο αυτές κατηγορίες ανάλυσης δεν μπορούν να θεωρηθούν ίδιες. Η μεθοδολογία που αναπτύχθηκε στο πρώτο αυτό μέρος της εργασίας χρησιμοποιήθηκε για να αναλύσει σήματα ΜΚΣ από ασθενείς με Πάρκινσον πριν και μετά εν τω βάθει ερεθισμό (Deep brain simulation).