Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: macierz Hankela

Sortuj według:

Ogranicz wyniki do:

Accurate automated detection of congestive heart failure using eigenvalue decomposition based features extracted from HRV signals

Sharma Rishi Raj, Kumar Ashish, Pachori Ram Bilas, Acharya U. Rajendra

Biocybernetics and Biomedical Engineering

2019

Vol. 39, no. 2

312--327

Congestive heart failure (CHF) is a cardiac abnormality in which heart is not able to pump sufficient blood to meet the requirement of all the parts of the body. This study aims to diagnose the CHF accurately using heart rate variability (HRV) signals. The HRV signals are non-stationary and nonlinear in nature. We have used eigenvalue decomposition of Hankel matrix (EVDHM) method to analyze the HRV signals. The lowest frequency component (LFC) and the highest frequency component (HFC) are extracted from the eigenvalue decomposed components of HRV signals. After that, the mean and standard deviation in time domain, mean frequency calculated from Fourier-Bessel series expansion, k-nearest neighbor (k-NN) entropy, and correntropy features are evaluated from the decomposed components. The ranked features based on t-value are fed to least-squares support vector machine (LS-SVM) classifier with radial basis function (RBF) kernel for automated diagnosis of CHF HRV signals. The study is performed on three normal datasets and two CHF datasets. Our proposed system has yielded an accuracy of 93.33%, sensitivity of 91.41%, and specificity of 94.90% using 500 HRV samples. The automated toolkit can aid cardiac physicians in the accurate diagnosis of CHF patients to confirm their findings with our system. Hence, it will help to provide timely treatment for CHF patients and save life.

Hankel Singular Value Decomposition as a method of preprocessing the Magnetic Resonance Spectroscopy

Staniszewski M., Polański A.

Pomiary Automatyka Kontrola

2014

R. 60, nr 6

354--357

The signal resulting from magnetic resonance spectroscopy is occupied by noises and irregularities so in the further analysis preprocessing techniques have to be introduced. The main idea of the paper is to develop a model of a signal as a sum of harmonics and to find its parameters. Such an approach is based on singular value decomposition applied to the data arranged in the Hankel matrix (HSVD) and can be used in each step of preprocessing techniques. For that purpose a method has was tested on real phantom data.

Sygnał pochodzący z badania spektroskopii rezonansu magnetycznego zawiera również liczne szumy oraz nieprawidłości, stąd aby zastosować wyniki jako narzędzie diagnostyczne należy wprowadzić kilka usprawnień. W tym celu stosuje się filtrowanie, korekcję linii bazowej, korekcję fazy, korekcję prądów wirowych oraz usuwanie niechcianych komponentów, które nazywa się przetwarzaniem wstępnym. W dalszej analizie bardzo ważna jest identyfikacja poszczególnych metabolitów, którą można otrzymać poprzez zamodelowanie sygnału. Głównym pomysłem przedstawionym w artykule jest rozwinięcie modelu sygnału jako sumy harmonicznych. Metoda polega na znalezieniu parametrów opisujących sygnał takich jak amplituda, przesunięcie fazowe, częstotliwości i współczynnik tłumienia. Takie podejście bazuje na rozkładzie według wartości osobliwych (SVD) zastosowanym na danych zawartych w macierzy Hankela (HSVD), który dekomponuje sygnał na sumę harmonicznych oraz wylicza potrzebne parametry. Autor zaproponował zastosowanie HSVD w technikach przetwarzania wstępnego. Artykuł opisuje główne kroki przetwarzania i rozwiązanie każdej części oparte na HSVD. Podsumowując można stwierdzić, iż HSVD stosuje się w dekompozycji sygnału ale może być również skutecznym narzędziem w przetwarzaniu wstępnym. Artykuł składa się z 6 rozdziałów, w tym wstępu, rozdziału opisującego HSVD, metody przetwarzania wstępnego i główne wyniki, wniosków i referencji. W artykule znajdują się 4 obrazki oraz 7 referencji.