Global ETD Search

1	Notch Filter Design for Power Line Interference Artifact Reduction of ECG Signal and Feature Extraction in LabVIEW Kasidi, Divyasri 05 1900 (has links) Electrocardiogram (ECG) is a biological signal that represents the heart's electrical activity. Interference from power lines introduces a frequency component of 50 to 60 Hz into the signal, which is the principal cause of ECG corruption. By using the Cadence Virtuoso Spectre circuit simulator and typical TSMC RF 180 nm CMOS technology, a notch filter was created to reduce powerline interference. The advantage of utilizing a notch filter for PLI is that noise at 60 Hz is completely eliminated without sacrificing any important information. Additionally, this study contains a MATLAB-based model for, which is used to compute the power spectral density for the obtained time-domain signal. By incorporating power spectral density into data gathering procedures, it is feasible to enhance data collection methodologies, construct models that appropriately account for observed power and aid in the removal of undesired components. NI LabVIEW is used to extract features. The advantage of ECG feature extraction is that it provides information that assists in the identification of cardiac rhythm issues, and gives information about the occurrence of heart attack. In this study, several patient data sets are utilized to extract characteristics and provide information regarding heart condition abnormalities. ECG Powerline Interference
2	Atrial Fibrillation Detection Algorithm Evaluation and Implementation in Java / Utvärdering av algoritmer för detektion av förmaksflimmer samt implementation i Java Dizon, Lucas, Johansson, Martin January 2014 (has links) Atrial fibrillation is a common heart arrhythmia which is characterized by a missing or irregular contraction of the atria. The disease is a risk factor for other more serious diseases and the total medical costs in society are extensive. Therefore it would be beneficial to improve and optimize the prevention and detection of the disease. Pulse palpation and heart auscultation can facilitate the detection of atrial fibrillation clinically, but the diagnosis is generally confirmed by an ECG examination. Today there are several algorithms that detect atrial fibrillation by analysing an ECG. A common method is to study the heart rate variability (HRV) and by different types of statistical calculations find episodes of atrial fibrillation which deviates from normal sinus rhythm. Two algorithms for detection of atrial fibrillation have been evaluated in Matlab. One is based on the coefficient of variation and the other uses a logistic regression model. Training and testing of the algorithms were done with data from the Physionet MIT database. Several steps of signal processing were used to remove different types of noise and artefacts before the data could be used. When testing the algorithms, the CV algorithm performed with a sensitivity of 91,38%, a specificity of 93,93% and accuracy of 92,92%, and the results of the logistic regression algorithm was a sensitivity of 97,23%, specificity of 93,79% and accuracy of 95,39%. The logistic regression algorithm performed better and was chosen for implementation in Java, where it achieved a sensitivity of 97,31%, specificity of 93,47% and accuracy of 95,25%. / Förmaksflimmer är en vanlig hjärtrytmrubbning som kännetecknas av en avsaknad eller oregelbunden kontraktion av förmaken. Sjukdomen är en riskfaktor för andra allvarligare sjukdomar och de totala kostnaderna för samhället är betydande. Det skulle därför vara fördelaktigt att effektivisera och förbättra prevention samt diagnostisering av förmaksflimmer. Kliniskt diagnostiseras förmaksflimmer med hjälp av till exempel pulspalpation och auskultation av hjärtat, men diagnosen brukar fastställas med en EKG-undersökning. Det finns idag flertalet algoritmer för att detektera arytmin genom att analysera ett EKG. En av de vanligaste metoderna är att undersöka variabiliteten av hjärtrytmen (HRV) och utföra olika sorters statistiska beräkningar som kan upptäcka episoder av förmaksflimmer som avviker från en normal sinusrytm. I detta projekt har två metoder för att detektera förmaksflimmer utvärderats i Matlab, en baseras på beräkningar av variationskoefficienten och den andra använder sig av logistisk regression. EKG som kommer från databasen Physionet MIT används för att träna och testa modeller av algoritmerna. Innan EKG-signalen kan användas måste den behandlas för att ta bort olika typer av brus och artefakter. Vid test av algoritmen med variationskoefficienten blev resultatet en sensitivitet på 91,38%, en specificitet på 93,93% och en noggrannhet på 92,92%. För logistisk regression blev sensitiviteten 97,23%, specificiteten 93,79% och noggrannheten 95,39%. Algoritmen med logistisk regression presterade bättre och valdes därför för att implementeras i Java, där uppnåddes en sensitivitet på 91,31%, en specificitet på 93,47% och en noggrannhet på 95,25%. Atrial Fibrillation AF Detection algorithm AF detection Algorithm evaluation Matlab Java Electrocardiogram ECG Heart rate variability HRV Signal processing Pre processing Noise reduction Baseline wander powerline interference wavelet transform DWT R-peak detection Pan-tompkins HRV cleaning Feature selection U-test SDANN SDNN CV RMSSD PNN50 TINN LF HF Logistic regression CV algorithm Receiver operating characteristics ROC Classification Confusion matrix Leave-one-out cross validation Statgraphics Förmaksflimmer detekteringsalgoritm evaluering Matlab Java elektrokardiogram EKG Hjärtfrekvens variabilitet Signalbehandling Brusreducering Logistisk regression Variationskoefficient Klassificering Medical Engineering Medicinteknik

Search results

Notch Filter Design for Power Line Interference Artifact Reduction of ECG Signal and Feature Extraction in LabVIEW

Atrial Fibrillation Detection Algorithm Evaluation and Implementation in Java / Utvärdering av algoritmer för detektion av förmaksflimmer samt implementation i Java