Srovnání algoritmů založených na analýze nezávislých komponent při zpracování plodového elektrokardiogramu

Abstract

Cílem této bakalářské práce je zpracování neinvazivního plodového elektrokardiogramu (fEKG) pomocí algoritmů založených na analýze nezávislých komponent (ICA) a následné hodnocení kvality extrakce fEKG pomocí těchto algoritmů. Jedná se o algoritmy rychlá analýza nezávislých komponent (Fast ICA), přibližné diagonalizované spojení vlastních matic (JADE ICA), flexibilní analýza nezávislých komponent (Flex ICA) robustní přesná a přímá analýza nezávislých komponent (Radical), robustní analýza nezávislých komponent (Robust ICA), slepá identifikace druhého řádu (SOBI), maximalizování informace analýzy nezávislých komponent (Infomax), ekvivalentní robustní analýza nezávislých komponent (ERICA), maximalizace kurtózy analýzy nezávislých komponent (kICA), simultánní slepá extrakce signálu (SIMBEC) a algoritmus pro extrakci vícero neznámých zdrojů (Amuse). Studie byla provedena na reálných datech z rozšířené databáze abdominálního a přímého fetálního elektrokardiogramu (ADFECGDB). Hodnocení kvality extrakce je provedeno na základě stanovení celkové pravděpodobnosti správné detekce (ACC), senzitivity (SE), pozitivní prediktivní hodnoty (PPV) a harmonického průměru mezi SE a PPV (F1). Nejlepších výsledků dosáhl při experimentu algoritmus Flex ICA pravděpodobnosti správné detekce R kmitu (ACC) > 80 % u 8 z 12 záznamů.

The aim of this bachelor thesis is the processing of non-invasive fetal electrocardiogram (fECG) using algorithms based on independent component analysis (ICA) and subsequent evaluation of the quality of fECG extraction using these algorithms. These algorithms are: fast independent component analysis (Fast ICA), joint approximation diagonalization of Eigen-matrices (JADE ICA), flexible independent components analysis (Flex ICA) robust accurate and direct independent components analysis (Radical), robust independent components analysis (Robust ICA) , second order blind identification (SOBI), information maximization of independent components analysis (Infomax), equivalent robust independent components analysis (ERICA), curtosis maximization of independent component analysis (kICA), simultaneous blind signal extraction (SIMBEC) and algorithm for extraction of multiple unknown sources (Amuse). The study was performed on real data from the extended abdominal and direct fetal electrocardiogram database (ADFECGDB). Evaluation of extraction quality is evaluated by determining the overall probability of correct detection (ACC), sensitivity (SE), positive predictive value (PPV) and harmonic mean between SE and PPV (F1). The best results were obtained in the experiment by the Flex ICA algorithm with ACC > 80 % in 8 of 12 records.