Modelowanie i analiza sygnału elektrokardiograficznego z zastosowaniem układów i przekształceń nieliniowych

• Autorzy: Strumiłło P.

Warianty tytułu

EN

Modelling and analysis of electrocardiograms by means of nonlinear transformations and circuits

• Języki publikacji: PL

Abstrakty

PL

Zagadnienia referowane w rozprawie dotyczą zastosowań układów i przekształceń nieliniowych, takich jak nieliniowe układy dynamiczne, jednokierunkowe sieci neuronowe i kaskadowe filtry medianowe, do modelowania i analizy sygnału elektrokardiograficznego (EKG). Celem pracy jest wykazanie, że metody przetwarzania nieliniowego i modele nieliniowe istotnie wzbogacają medyczną informację diagnostyczną o tym najczęściej rejestrowanym sygnale elektrofizjologicznym. Pokazano, że koncepcje nieliniowego przetwarzania sygnałów oferują nową jakość, a nawet prostotę analizy niedostępną dla klasycznych układów liniowych. Interpretację elektrokardiogramu jako wyniku rejestracji aktywności nieliniowego układu dynamicznego wykorzystano do opracowania metody detekcji oraz ilościowej oceny zaburzeń repolaryzacji komór serca (tzw. alternansu załamka T). Wykazano, że metoda przecięć Poincare, oparta na teorii nieliniowych układów dynamicznych, wymaga znacznie mniejszych nakładów obliczeniowych niż tradycyjnie stosowana analiza widmowa Fouriera. Zaproponowano nowy sposób reprezentacji alternansu załamka T przez utworzenie dwuwymiarowej, czasowo-przestrzennej reprezentacji zmienności tego załamka (dla odprowadzeń przedsercowych V1÷V6). Znaczną część pracy poświęcono układom analizy sygnału EKG wywodzącym się z koncepcji sztucznych sieci neuronowych (SSN). Zaproponowano skuteczną metodę budowania "uniwersalnych aproksymatorów neuronowych", która nie wymaga stosowania kosztownych obliczeń iteracyjnych. SSN zastosowano do wspomagania analizy zaburzeń rytmu spowodowanego migotaniem przedsionków serca (ekstrapolacja odcinków sygnału EKG po uprzednim usunięciu zespołów QRS) oraz zbudowania modelu aproksymacyjnego sygnału wykorzystującego ideę adaptacyjnego dopasowania funkcji bazowych. Ostania część pracy dotyczy nieliniowej dekompozycji wielo-rozdzielczej sygnału EKG polegającej na kaskadowej filtracji medianowej (tzw. sita filtrów medianowych). W wyniku zastosowania tego dwuwymiarowego zobrazowania sygnału osiągnięto dużą dokładność detekcji chwil zakończenia załamka T, pokazano też nowe możliwości tej transformacji, użyteczne w wykrywaniu innych charakterystycznych cech sygnału EKG oraz ważnych arytmii serca.

EN

The dissertation deals with application of nonlinear systems for signal representation and processing, such as nonlinear dynamic systems, feedforward neural networks and the cascade of median filters to modelling and analysis of electro-cardiographic (ECG) signals. The aim of the work is to show that concepts based on nonlinear models and nonlinear signal processing methods are powerful tools that are capable of enriching diagnostic information about this - most frequently recorded - electrophysiologic signal. It is shown that in the selected signal processing tasks they outperform the linear processing methods, both in terms of the quality of analysis and simplicity of the obtained signal representation. The concept of interpreting the electrocardiogram as a projection of nonlinear dynamic system activity has inspired employment of the Poincare sections of ECG for detecting and quantifying abnormal dynamics of cardiac repolarisation, manifested by the T-wave alternans (TWA). It was shown that this event-synchronised ECG sampling method requires significantly less computations than traditionally used Fourier analysis. A novel representation scheme was also proposed for viewing TWA in a two-dimensional spatiotemporal domain that was constructed for the T-wave time window and V1÷V6 precordial ECG leads. An important part of the work is devoted to nonlinear structures for signal processing that are based on the artificial neural networks (ANN) paradigm. A computationally efficient method was proposed for training ,,neural universal approximators" that does not require employment of time consuming iterative training schemes. ANNs were applied to enhancing the analysis of atrial fibrillation ECG by removing QRS complexes and extrapolating fibrillation components into so obtained signal discontinuity gaps. Also, an approximation scheme for ECG modelling by means of ANN that incorporates the matching pursuit algorithm was proposed. In the remaining part of the work, properties of a non-linear decomposition method of ECG by means of the nested median filters (the so called data sieves) are studied. High detection accuracy of the terminating points of the T-wave in ECG has been achieved. Capabilities of this multiresolution analysis method in detecting other ECG salient features and important cardiac arrhythmias are demonstrated.

Słowa kluczowe

PL

sygnał elektrokardiograficzny; EKG; układy i przekształcenia nieliniowe; przetwarzanie nieliniowe

EN

electrocardiographic signals; ECG; nonlinear transformations and systems; nonlinear processing

• Wydawca: Wydawnictwo Politechniki Łódzkiej
• Czasopismo: Zeszyty Naukowe. Rozprawy Naukowe / Politechnika Łódzka
• Rocznik: 2002
• Tom: Z. 309
• Strony: 3--153
• Opis fizyczny: Bibliogr. 172 poz.

Twórcy

autor

Strumiłło P.

• Instytut Elektroniki, Wydział Elektrotechniki, Elektroniki, Informatyki i Automatyki Politechnika Łódzka

Bibliografia

• Abeysekera R.M.S., 1991. “Some physiologically meaningful features obtained from the vectocardiograph,” IEEE Eng. Med. Biol. Mag., September, pp. 58-63.
• Addison P.S., Watson J.N., Clegg G.R., Holzer M., Sterz F., Robertson C.E„ 2000. „Evaluating arrhythmias in ECG signals using wavelet transforms”, IEEE Eng. Med. Biol. Mag, September/October, pp. 104-109.
• Afonso V.X., Tompkins W.J., Nguyen T.Q., Luo S., 1999. „ECG beat detection using filter banks”, IEEE Trans. Biomed. Eng., vol. 46, no. 2, pp. 192-202.
• Ajzerman M. A., Browerman E. M., Rozonoer L. I., 1976. Rozpoznawanie obrazów: metoda funkcji potencjalnych, WNT, Warszawa.
• Akay M., 1994. Biomedical signal processing, Academic Press Inc., San Diego, USA.
• Akay M., 1993. “Noninvasive diagnosis of coronary artery disease using neural networks algorithm”, Yearbook of Medical Informatics, Schattauer, pp. 381-387.
• Aleksandrów D., Wysznacka-Aleksandrow W , Czaplicki S., 1983. Diagnostyka elektrokardiograficzna, PZWL, Warszawa.
• Aldroubi A., Unser M., (Eds.), 1996. Wavelets in Medicine and Biology, CRC Press.
• Babloyantz A., Destexhe A., 1988. “Is the normal heart a periodic oscillator?”, Biological Cybernetics, vol. 58, pp. 203-211.
• Back M., Norgall Th., Rommel M., Zywietz Chr., 1999. „Internet/Intranet access to multimedia cardiology information system”, IEEE International Conference on Computers in Cardiology, Hannover, Germany, pp. 81-84.
• Bailey I. J., Berson A. S., Horan L. G., PMacFarlane W., Mortara D. W., Żywiec C., 1990. „Recommendations for standarization and specifications in automated electrocardiography: bandwidth and digital signal processing: special report”, Circulation, vol. 81, no. 2, pp. 730-739.
• Bangham J.A., Chardaire P., Pye C. L, Ling P. D., 1996. „Multiscale nonlinear decomposition: the sieve decomposition theorem”, IEEE Trans. Pattern Anal. Machine Intel!., 1996, vol. 18, no. 5, pp. 529-539.
• Barr R.C., 1989. “Genesis of the Electrocardiogram,” in Comprehensive Electrocardiology: theory and practice in health and disease, P.W. MacFarlane, (Ed.), Pergamon Press, pp. 129-150.
• Barron A.R., 1993. “Universal approximation bounds for superpositions of a sigmoidal function”, IEEE Trans. Inform. Theory, vol. 39, pp. 930-945.
• Barro S., Fernandez-Delgado M., Vila-Sobrino J.A., Regueiro C.V., Sanchez E., 1998. „Classifying multichannel ECG patterns with adaptive neural network”, IEEE Eng. Med. Biol. Mag., January/February, pp. 45-55.
• Baselli G., Bolis D., Cerutti S., Freschi C., 1985. „Autoregressive modelling and power spectral estimates of R-R interval time series in arrhythmic patients”, Computers and Biomedical Research, vol. 18, pp. 510-530.
• Bazzet H.C., 1920. „An analysis of the time relations of electrocardiograms”, Heart, vol. 7, pp. 353-370.
• Beliczyński В., 2000. Przyrostowa aproksymacja funkcji za pomocą sieci neuronowych, Prace Naukowe Politechniki Warszawskiej, Elektryka, z. 112.
• Berbari E. J., 1995. “Principles of Electrocardiography,” rozdział w pracy zbiorowej: The Biomedical Engineering Handbook, Bronzino J.D., (Ed.), CRC Press, pp. 181-190
• Bishop С. M , 1995. Neural networks fo r pattern recognition, Oxford, Clarendon Press.
• Bourlard H., Kamp Y., 1988.,Auto-association by multilayer perceptrons and singular value decomposition”, Biological Cybernetics, vol. 59, pp. 291-294.
• Bovik A.C., Huang T.S., Munson D.C., 1983. „А generalization of median filtering using linear combinations of order statistics”, IEEE Trans. Acoust. Speech, Signal Processing, ASSP-31, no. 6,pp. 1342-1349.
• Box G. E. P., Jenkins G. M., 1983. Analiza szeregów czasowych, prognozowanie i sterowanie, PWN, Warszawa.
• Bradie B., 1996. „Wavelet packet-based compression of single lead ECG”, IEEE Trans. Biomed.Eng., vol. 43, no. 5, pp. 493-501.
• Brockwell P. J., Davis R.A., 1996. Introduction to time series forecasting, Springer-Verlag.
• Bronzino J. D., 1995. The biomedical engineering handbook, CRC Press, IEEE Press.
• Broomhead D. S., King B., 1986. “Extracting qualitative dynamics from experimental data”, Physica D, vol. 20, pp. 217-236.
• Broomhead D. S., Lowe D., 1988. “Multivariable functional interpolation and adaptive networks”, Complex Systems, 2, pp. 321-355.
• Chen S., Cowan C. F. N, Grant P. M., 1991. “Orthogonal least squares learning algorithm for radial basis function networks”, IEEE Trans. Neural Networks, vol. 2, no. 2, pp. 302-309.
• Christiaens J., Van de Walle R., Lemahieu I., Taeymans Y., 1999. ,,ECG-based selection of angiographic images using DICOM facilities”, IEEE International Conference on Computers in Cardiology, Hannover, Germany, pp. 447-450.
• Chua L.O., Yang L., 1988. ’’Cellular Neural Networks: theory and applications”, IEEE Trans. CAS, vol. 32, pp. 1257-1290.
• Cohen M.E., D.L. Hudson, P.C. Deedwania, 1996. “Applying continuous chaotic modelling to cardiac signal analysis”, IEEE Eng. Med. Biol. Mag., September/October, pp. 97-102.
• Coudrec J.P., Zaręba W , 1998. „Contribution of the Wavelet analysis to the noninvasive electrocardiology”, Annals on Noninvasive Electrocardiology, vol. 3, no. 1, pp. 54-62.
• CSE - Common Standards for Quantitative Electrocardiography, 1990. CD-ROM Version of the CSE Database, CSE Coordinating Centre, Division of Medical Informatics, Leuven, Belgium.
• Cybenko G., 1989. “Approximation by superpositions of sigmoidal functions”, Mathematics of Control, Signals and Systems, vol. 2, pp. 303-314.
• Daskalov I.K., Dotsinsky I.A., Christov I.I., 1998. “Developments in ECG acquisition, preprocessing, parameter measurement, and recording”, IEEE Eng. Med. Biol. Mag., March/April, pp. 50-58.
• Daubechies L, 1992. Ten lectures on wavelets, Society for industrial and applied mathematics, Philadelphia PA.
• Dąbrowski A., 1994. “Heart rate variability. Co to jest? Dlaczego jest ważne?”, Kardiologia Polska, 40, 41, str. 41-45.
• Edenbrandt L., Devine B., Macfarlane P.W, 1993. “Neural networks for classification of ECG ST-T segments”, Yearbook of Medical Inforatics, Schattauer, pp. 374-380.
• Eckhom R., Bauer R., Jordan W , Brosh M., Kruse M., 1988. “Coherent oscillations: a mechanism of feature linking in the visual cortex?”, Biological Cybernetics, vol. 60, pp. 121-130.
• Fletcher R., 1987. Practical methods of optimisation, 2nd Edition, New York: Wiley.
• Fortuna Z., Macukow B., Wąsowski J., 1982. Metody numeryczne, WNT, Warszawa.
• Franks L. E., 1975. Teoria sygnałów, PWN, Warszawa.
• Funahashi К., 1989. “On the approximate realizations of continuous mappings by neural networks”, Neural Networks, vol. 2, pp. 183-192.
• Garfinkel A., Spano M.L., Ditto W.L., Weiss J.N., 1992. „Controlling cardiac chaos”, Science, vol. 257, pp. 1230-1235.
• Giardina R.C., Dougherty E.R., 1988. Morphological methods in image and signal processing, Prentice-Hall, Englewood Cliffs, New Jersey.
• Girosi F., Jones M , Poggio T., 1995. Regularization theory and neural network architectures, Neural Computations, vol. 7, pp.219-269.
• Girosi F., Anzelotti G., 1994. “Rates of convergence for radial basis functions and neural networks”, in Artificial neural networks for Speech and Vision, R. Mammone (Ed.), Chapman & Hall, pp. 97-114.
• Glass L., Mackey M.C., 1990. From clocks to chaos, Princeton University Press.
• Glass L., Hunter R, McCulloch A. (Eds.), 1991, Theory of Heart, Springer Verlag, New York.
• Gulrajani R.M., 1998. “The forward and inverse problems of electrocardiography”, IEEE Eng. Med.Biol. Mag., vol. 17, no. 5, pp. 84-101.
• Hagen, M.T. and Menhaj, M.B. 1994. “Training Feedforward Networks with Marquardt Algorithm”, IEEE Trans. Neural Networks, vol.5, no. 6, pp.989-993.
• Hamilton P.S., Tompkins W.J., 1991. „Compression of the ambulatory ECG by average beat substraction and residual differencing”, IEEE Trans. Biomed. Eng., vol. 38, no. 3, pp. 253-259.
• Harrison R.F., Marshall S.J., Kennedy R.L., 1991. “The early diagnosis of heart attacks: a neurocomputational approach”, Proceedings of International Joint Conference on Neural Networks, Seattle, USA, vol. 1, pp. 1-5.
• Hartman E. J., Keeler J. D., Kowalski J.M., 1990. “Layered neural networks with Gaussian hidden units as universal approximations”, Neural Computation, 2, pp. 210-215.
• Hassibi B., Stork D. G., 1994. “Second order derivatives for network pruning: optimal brain surgeon”, in Advances in Neural Information Processing Systems 5, Morgan Kaufmann, pp. 164-171.
• Haykin S., 1999. Neural networks, a comprehensive foundation, 2nd Edition, Prentice-Hall.
• Hecht-Nielsen R., 1990. Neurocomputing, Addison-Wesley Publishing Company, Reading Massachusetts.
• Hinton M. L., 1997. „Wavelet and wavelet packet compression of electrocardiograms”, IEEE Trans. Biomed. Eng., vol. 44, no.5, pp. 394-402.
• Hoekema R., 1999, The individual variability of the electrocardiogram, PhD thesis, Nijmegen, Holland.
• Homik K., Stinchcombe M., White H., 1989. “Multilayer feedforward networks are universal approximators”, Neural Networks, vol. 2, no. 5, pp. 359-366.
• Huikuri H.V., Makikallio T.H., 2001. „Heart rate variability in ischemic heart disease”, Autonomic Neuroscience, vol. 90, pp. 95-101.
• IEEE First International Conference on Neural Networks, 1987. San Diego CA.
• IEEE Engineering in Medicine and Biology Magazine (EMBM), 1990. Issue on: Progress in Implanted Pacemakers and Defibrillators, vol. 9, no . 2.
• IEEE Engineering in Medicine and Biology Magazine (EMBM), 2000. Issue on: Advances in Medical Imaging Technology, vol. 19, no . 5.
• Iwata A., Nagasaka Y., Suzumura N., 1990. „Data compression of the ECG using neural network for digital Holter monitor”, IEEE Eng. Med. Biol. Mag., September/October, pp. 53-57.
• Jalaleddine S.M.S., Hutchens C.G., Strattan R. D., Coberly W.A., 1990. „ECG data compression techniques - a unified approach”, IEEE Trans. Biomed. Eng., vol. 37, no. 4 ,, pp. 329-343.
• Jankowski N., Duch W , 2000. “Ontogieniczne sieci neuronowe”, w Sieci neuronowe, Tom 6 serii: Biocybernetyka i Inżynieria Biomedyczna, Akademicka Oficyna Wydawnicza Exit, Warszawa, 257-294.
• Janse M.J., 1995. “Chaos in the prediction of sudden death, clinical perspective”, European Heart Journal, vol. 16, pp. 299-301.
• Johnston P. R. Gulrajani R. M , 1997. “A new method for regularization parameter determination in the inverse problem of electrocardiography,” IEEE Trans. Biomed. Eng., vol. 44, no. 1, pp. 19-39.
• Kaczorek T., 1977. Teoria sterowania, Тоm I, PWN, Warszawa.
• Kaplan D.T., Cohen R.J., 1990. „Is fibrillation chaos”, Circulation Research, vol. 67, no. 4, pp. 886- 892.
• Karayiannis N.B., 1999. “Reformulated radial basis neural networks trained by gradient descent”, IEEE Trans. Neural Networks, vol. 10, no. 3, pp. 657-671.
• Katz A. M., 1977. Physiology of the Heart, Raven Press.
• Kay S.M., 1993. Fundamentals of statistical signal processing: estimation theory, Prentice-Hall, Upper Saddle River, New Jersey.
• Kei-ichiro M., Nakajima H., Toyoshima T., 1999. „Real-time discrimination of ventricular tachyarrhythmia with Fourier-transform neural network”, IEEE Trans. Biomed. Eng., vol. 46, no. 2, pp. 179-185.
• Kiełbasiński A., Schwetlick H., 1992. Numeryczna algebra liniowa, WNT, Warszawa.
• Klingeman J., Pipberger H. V., 1967. “Computer classification of electrocardiograms”, Computers in Biomedical Research, no. 1, pp. 1-10.
• Koenderink J. 1984. “The structure of images”, Biological Cybernetics, vol. 50, pp. 363-370.
• Kohonen T., 1984. Self-organization and associative memory, Springer-Verlag, Berlin.
• Kołodziej W., 1982. Wybrane rozdziały analizy matematycznej, PWN, Warszawa.
• Korbicz J., Obuchowicz A., Uciński D., 1994. Sztuczne sieci neuronowe: podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Kowalski J., Kacprzak T., 2001. „Cellular neural network based weighted median filter for real time image processing”, IEEE International Conference on Image Processing, October 7-10, Thessaloniki, Greece, vol. I, pp. 545-548.
• Krzemińska-Pakuła M., 1991. Metody obrazowe w diagnostyce chorób układu krążenia, PZWL, Warszawa.
• Kudrewicz J., 1993. Fraktale i chaos, WNT, Warszawa.
• Kudrewicz J., 1996. Nieliniowe obwody elektryczne, WNT, Warszawa.
• Kulesza W., 1984. Systemy widmowej analizy danych cyfrowych, WKiŁ, Warszawa.
• Kwoczyński J., 1977. Elektrokardiografia, PZWL, Warszawa.
• Kwok T.-Y., Yeung D.-Y, 1997. “Objective functions for training new hidden units in constructive neural networks”, IEEE Trans. Neural Networks, vol. 8, no. 5, pp. 1131-1148.
• Lagerholm M., Peterson C., Braccini G., Edenbrandt L., Sommo L., 2000. “Clustering ECG complexes using Hermite Functions and Self-organizing maps”, IEEE Trans. Biomed. Eng., vol. 47, no. 7, pp. 838-847.
• Lindsay P. H., Norman D. A., 1984. Procesy przetwarzania informacji u człowieka, PWN, Warszawa.
• Lombardi F., Makikallio T. H., Myerburg R. J., Huikuri H. V, 2001. “Sudden cardiac death: role of heart rate variability to identify patient at risk”, Cardiovascular Research, vol. 50, pp. 210-217.
• Macfarlane P.W., 1999. “Renaissance in electrocardiography”, The Lancet, vol. 353, pp. 1377-1378.
• Macfarlane P.W., Lawrie T.D.W. (Eds.), 1989. Comprehensive electrocardiology: theory and practice in health and disease, Pergamon Press, New York.
• Maglaveras N., Stamkopoulos T., Pappas C., Strinzis M.G., „An adaptive backpropagation neural network for real-time ischemia episodes detection: development and performance analysis using the European ST-T database”, IEEE Trans. Biomed. Eng., vol. 45, no. 7, pp. 805-813.
• Mallat S., Zhang Z., 1993. “Matching pursuits with time-frequency dictionaries”, IEEE Trans. Signal Processing, vol. 41, no. 12, pp.3397-3415.
• Mallat S., 1998. A wavelet tour of signal processing, Academic Press.
• May R. M., 1976. “Simple mathematical models with very complicated dynamics”, Nature, vol. 261, pp. 459-467.
• McCulloch W.S., Pitts W , 1943. “A logical calculus of the ideas immanent in nervous activity”, Bulletin of Mathematical Biophysics, vol. 5, pp. 115-133.
• Medea, 1997. Instrukcja obsługi systemu KARDIOGRAF KARDIO PC firmy MEDEA, ver. 5.3, Gliwice.
• Miaou S.-G., Lin C.-L. 2002. „A quality-on-demand algorithm for wavelet-based compression of electrocardiogram signals”, ,„ IEEE Trans. Biomed. Eng., vol. 49, no. 3, pp. 233-239.
• Micheli-Tzanakou E., 1995. “Neural networks in biomedical signal processing” rozdział w pracy zbiorowej: The Biomedical Engineering Handbook, Bronzino J.D., (Ed.), CRC Press, pp. 917-931.
• Michalewicz Z., 1999. Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa.
• Minsky M.L., Papert S.A., 1969. Perceptrons, Cambridge, MA: MIT Press.
• MIT-BIH, 1993. MIT-BIH Arrhythmia Database, Second Edition, Massachusetts Institute of Technology.
• Moody J. E., Darken C. J., 1989. ’’Fast learning in networks of locally-tuned processing units”, Neural Computation, vol. 1, pp. 281-294.
• Murray C.J.L., Lopez A.D., 2000. “The global burden of disease & injury", The World Health Report, WHO, Geneva.
• Narenda K.S., Parthasarathy K., 1990. “Identification and control of dynamical systems using neural networks”, IEEE Trans. Neural Networks, vol. 1, no. 1, pp. 4-27.
• Nearing B. D ., Oesterle S. N ., Verrier R. L ., 1994. „Quantification of ischaemia induced vulnerability by precordial T wave alternants analysis in dogs and humans”, Cardiovascular Research, , vol. 28, pp. 1440-1449.
• Ogorzałek M., 2001. „Signal processing based on discrete-time chaos”, Proceedings of the International Conference on Signals and Electronic Systems, 18-21 September, Łódź, pp. 123-128.
• Olmos S ., Laguna R, 1999. „Multi-lead ECG data compression with orthogonal expansions: KLT and wavelet packets”, IEEE International Conference Computers in Cardiology 1999, Hannover, Germany, pp. 539-542.
• Oppenheim A.V., Schafer R.W., 1979. Cyfrowe przetwarzanie sygnałów, WKiŁ, Warszawa.
• Osowski S., 1996. Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa.
• Osowski S., Linh T.H., 2002. „Rozpoznawanie i klasyfikacja rytmów serca przy użyciu sieci neuronowych rozmytych”, Software 2.0, nr. 2, str. 20-24.
• Ott E., Grebogi C., Yorke J.A., 1990. „Controlling chaos”, Physical Review Letters, vol. 64, no. 11, pp. 1196-1199.
• Pander T., 1999. “Użycie algorytmu genetycznego do modelowania okresów sygnału EKG metodą przesuwanych w dziedzinie czasu paczek funkcji Hermite’a”, X I Krajowa Konferencja Naukowa, Biocybernetyka i Inżynieria Biomedyczna, Warszawa, str. 812-816.
• Pander T., Łęski J., 1999. „Precyzyjne centrowanie okresów sygnału EKG z użyciem widm trzeciego rzędu”, ”, X I Krajowa Konferencja Naukowa, Biocybernetyka i Inżynieria Biomedyczna, Warszawa, str. 580-589.
• Park J., Sandberg I. W , 1991. “Universal approximation using radial-basis-function networks”, Neural Computation, 3, pp. 246-257.
• Parker T.S., Chua L.O., 1989. Practical numerical algorithms for chaotic systems, Springer-Verlag.
• Pavlidis. T., 1987. Grafika i przetwarzanie obrazów, WNT, Warszawa.
• Pawlicki G., 1997. Podstawy inżynierii medycznej, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• Pearlmutter P. A., 1989. “Learning state space trajectories in recurrent neural networks”, Neural Computation, vol. 1, pp. 263-269.
• Petropulu A.P., 1995. “Higher-order spectra in biomedical signal processing” rozdział w pracy zbiorowej: The Biomedical Engineering Handbook, Bronzino J.D., (Ed.), CRC Press, pp. 907- 916.
• Pineda F. J., 1987. “Generalisation of backpropagation to recurrent neural networks”, Physical Review Letters, vol. 59, no. 19, pp. 2229-2232.
• Plonsey R., Barr R., 1988. Bioelectricity, a quantitative approach, New York: Plenum.
• Poggio T., Girosi E, 1990. “Networks for approximation and learning”, Proc. IEEE, vol. 78, no. 9, pp. 1481-1497.
• Ramakrishnan A. G., 1997. „ECG coding by wavelet-based linear prediction ”, IEEE Trans. Biomed.Eng., vol. 44, no.12, pp. 1253-1261.
• Rasiah A.I., Togneri R., Attikiouzel Y., 1997. “Modelling 1_D signals using Hermite basis functions ”, IEE Proc. - Vision and Image Signal Processing, vol. 144, no. 6, pp. 345-354.
• Ravelli F., Antolini R., 1992. “Complex dynamics underlying human electrocardiogram”, Biological Cybernetics, vol. 67, pp. 57-62.
• Romaniuk R, 1999. „Drogi przenikania i sposoby redukcji zakłóceń w pomiarach EKG”, X I Konferencja Naukowa Biocybernetyka i Inżynieria Biomedyczna, Warszawa, PAN, Warszawa, tom I, str. 273-277.
• Romaniuk R, 2002. „Zastosowanie filtracji nieliniowej w dziedzinie transformaty folkowej do redukcji zakłóceń mięśniowych w sygnale elektrokardiograficznym”, Rozprawa Doktorska, Instytut Elektroniki, Politechnika Łódzka.
• Rosenbaum D.S., Jakson L.E., Smith J.M., Garan H., Ruskin J.N., Cohen R.J., 1994. ’’Electrical altemans and vulnerability to ventricular arrhythmias,” New England Journal of Medicine, 330, pp. 235-241.
• Rosenblatt F„ 1962. Principles on neurodynamics, Washington DC: Spartan Books.
• Rudin W , 1998a. Podstawy analizy matematycznej, Wydawnictwo Naukowe PWN, Warszawa.
• Rudin W., 1998b. Analiza rzeczywista i zespolona, Wydawnictwo Naukowe PWN, Warszawa.
• Ruha A., Sallinen S., Nissila S., 1997. „A real-time microprocessor. QRS detector system with 1-ms timing accuracy for measurement of ambulatory HRV”, IEEE Trans. Biomed. Eng., vol. 39, no. 3, pp. 159-167.
• Rumelhart D.E., McClelland J.L., (Eds.), 1986. Parallel distributed processing: explorations in themicrostructure of cognition, vol. 1, Cambridge, MA:MIT Press.
• Rutkowska D., Piliński M., Rutkowski L., 1997. Sieci neuronowe, algorytmy genetyczne i systemyrozmyte, PWN, Warszawa.
• Rutkowski L., 1994. Filtry adaptacyjne i adaptacyjne przetwarzanie sygnałów: teoria i zastosowania, WNT, Warszawa.
• Sandwell D.T., 1987. “Biharmonic spline interpolation of GEOS-3 and SEASAT altimeter data”, Geophysical Research Letters, vol. 14, no. 2, 139-142.
• Schmidt G., Malik M., Barthel R, Schneider R., Ulm K., Rolnitzky L., Camm A.J., Bigger J. T., Schomig A., 1999. ’’Heart-rate turbulence after ventricular premature beats as a predictor of mortality after myocardial infarction”, The Lancet, vol. 353, pp. 1390-1396.
• Schreiber T., D.T. Kaplan, 1995. “Nonlinear noise reduction for electrocardiograms”, Chaos, vol. 6, no. 1, pp. 87-92.
• Senhadji L., Carroult G., Bellanger JJ., Passariello G., 1995. „Comparing Wavelet Transforms for Recognising Cardiac Patterns”, IEEE Eng. Med. Biol. Mag., March/April, pp. 167-195.
• Skordalakis E., 1986. “Syntactic ECG processing: a review”, Pattern Recognition, vol. 19. No. 4, pp. 305-313.
• Sobczak W., Malina W., 1985. Metody selekcji i redukcji informacji, Wydawnictwo Naukowo-Techniczne, Warszawa.
• Sommo L., Boijesson P.O., Nygards M.E., Pahlm O., 1981. “A method for evaluation of QRS shape features using a mathematical model for the ECG”, IEEE Trans. Biomed. Eng., BME-28, np. 10, pp. 713-717.
• Sorsa T., Koivo H.N., 1993. “Application of artificial neural networks in process fault diagnosis”, Automatica, v. 29, no. 4, pp. 843-849.
• Stone M., 1974. “Cross-validatory choice and assessment of statistical predictions”, Journal of theRoyal Statistical Society, vol. B36, pp.111-133.
• Streetman B.G., 1976. Przyrządy półprzewodnikowe, WNT, Warszawa.
• Szabatin J., 2000. Podstawy teorii sygnałów, wydanie III, WKiŁ, Warszawa.
• Slot K., 1999. Sieci neuronowe komórkowe: efektywne narzędzia przetwarzania informacji obrazowej, Rozprawa habilitacyjna, Zeszyty Naukowe Politechniki Łódzkiej, nr 819.
• Świątnicka G., Lubiński A. (Red.), 1996. Nagła śmierć sercowa: etiologia, diagnostyka, leczenie, WL, Warszawa.
• Tadeusiewicz R., 1994. Problemy biocybernetyki, Wydawnictwo Naukowe PWN, Warszawa.
• Takens F., 1981. “Detecting strange attractors in turbulence”, In RandD.A., Young L.S. (Eds.), Lecture Notes in Mathematics, Springer Verlag, New York, vol. 898, pp. 366-381.
• Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology, 1996. “Guidelines: heart rate variability”, European Heart Journal, vol. 17, pp. 1060-1074.
• Texas Instruments, 1993. “TMS320C5x User’s Guide", Digital Signal Processing Products Documentation, Texas Instruments Incorporated.
• Thome R. D., Olson L. G., 2000. “Fusion of body surface potential and body surface Laplacian signals for electrocardiographic imaging,” IEEE Trans. Biomed. Eng., vol. 47, no.4, pp. 452- 4652.
• Tompkins W.J. (Ed.), 1993. Biomedical digital signal processing, Prentice-Hall Int.
• Tracz W., Krzemińska-Pakuła M., 1982. Nieinwazyjne metody badania układu krążenia, PZWL, Warszawa.
• Wang Z., Ning X., Zhang Y., Du G., 2000. ’’Nonlinear dynamic characteristics analysis of synchronous 12-lead ECG signals”, IEEE Eng. Med. Biol. Mag., September/October, pp. 110-115.
• Wdowczyk A. 2001. New XML standard for managing and transmission of medical data, Praca Magisterska, Istytut Elektroniki, Politechnika Łódzka.
• Webster J.G., 1984. „Reducing motion artifacts and interference in biopotential recording”, IEEE Trans. Biomed. Eng., vol. BME_31, no. 12, pp. 823-826.
• Werbos P.J., 1974. “Beyond regression: new tools for prediction and analysis in the behavioral sciences”, Ph.D. Thesis, Harvard University, Cambridge, MA.
• Whitehead B. A., Choate T. D., 1996. ’’Cooperative-competitive genetic evolution of radial basis function centers and widths for time series prediction”, IEEE Trans. Neural Networks, vol. 7, no. 4, pp. 869-880.
• Widrow B., 1962. “Generalization and information storage in networks of adaline ‘neurons’”, in M.C. Yovitz, G.T. Jacobi, G.D. Goldstein, (Eds.), Self-organizing systems, pp. 435-461, Washington DC: Spartan Books.
• Widrow B., Steams S.D., 1985. Adaptive signal processing, Prentice-Hall Inc., Englewood Cliffs, New York.
• Willems J.L., Amoud P., van Bemmel J.H., Degani R., Macfarlane P.W., Zywietz Chr., 1990. „Common Standards for Quantitative Elektrocardiography: Goals and Main Results”, Methods of Information in Medicine, vol. 29, pp. 163-271.
• Willshow D.J., von der Malsburg C., 1976. „How patterned neural connections can be set up by self-organization”, Proc. of the Royal Society of London Series B, vol. 194, pp. 431-445.
• Wirth N., 1989. Algorytmy + struktury danych = programy, WNT, Warszawa.
• Witkin A.P., 1984. “Scale-space filtering: a new approach to multi-scale description”, S. Ullman, W. Richards (eds.), in Image Understanding, Norwood, N.J., Ablex.
• Xue Q., Hu H.Y., Tompkins W.J., 1992. „Neural-network based adaptive matched filtering for QRS detection”, IEEE Trans. Biomed. Eng., vol. 39, no. 4, pp. 317-329.
• Zaręba W., 1996. “T-wave altemans: new direction in noninvasive electrocardiology”, Annals of Noninvasive Electrocardiology, vol. 1, no. 2, pp. 99-103.