7 বায়ো সিগন্যাল প্রাক প্রসেসিং টিপস: আপনার গভীর শিক্ষার শ্রেণিবদ্ধের দৃ the়তা কীভাবে বাড়ানো যায়

শব্দ এবং বিকৃতির সাথে কেন কাজ করা এত গুরুত্বপূর্ণ

সাধারণত, বায়ো সিগন্যাল সম্পর্কিত যেকোন শ্রেণিবদ্ধকরণের কাজ (অস্বাভাবিকতা সনাক্তকরণ) যেমন ইলেক্ট্রোকার্ডিওগ্রাফি (ইকেজি), ইলেক্ট্রোয়েন্সফ্লোগ্রাফি (ইইজি), ইলেক্ট্রোমায়োগ্রাফি (ইএমজি), ইত্যাদি সময় সিরিজ সনাক্তকরণ সমস্যা হিসাবে দেখা যেতে পারে।

কারুশ-কুহন-টকার শর্ত অনুসারে ইনপুট সিগন্যালে স্ট্যাটারিটির মানদণ্ড পূরণ করা উচিত। ইনপুট সিগন্যালের নিদর্শনগুলি কেবল সময়ের সাথে সংকেতের বিতরণ পরিবর্তন না করে কোনও প্রশিক্ষণ সংস্থার মতো বা একই রকম হতে হবে।

একটি নিয়ম হিসাবে, বায়ো সিগন্যালের প্রতিটি রেকর্ডিং প্রচুর আওয়াজের সাথে জড়িত। এই পক্ষপাতদুশতা মডেলগুলিতে অতিরিক্ত বৈকল্পিকতা যুক্ত করে কারণ তারা স্টেশনারিটির মানদণ্ড লঙ্ঘন করে।

এই শব্দগুলি প্রকৃতিতে পৃথক হতে পারে এবং আরও বিশদ তথ্য এখানে এবং এখানে পাওয়া যাবে। এই নিবন্ধগুলি ইসিজি শব্দগুলি বর্ণনা করে তবে কোনও বায়ো-সিগন্যালেও প্রয়োগ করা যেতে পারে।

এটি বলেছিল, আপনার ডিএল শ্রেণিবদ্ধের সামগ্রিক কর্মক্ষমতা প্রাকপ্রসেসিং প্রযুক্তিগুলির দক্ষতার দ্বারা নির্ধারিত হয়।

আসুন দেখুন প্রিপ্রোসেসিংয়ের মাধ্যমে কীভাবে গভীর শিক্ষার মডেলের দৃust়তা উন্নত করা কার্যত সম্ভাব্য।

1. দক্ষ ডিজিটাল সিগন্যাল প্রসেসিংয়ের 50% দক্ষ এনালগ প্রক্রিয়াকরণ

প্রতিটি ডিজিটাল সিগন্যাল প্রক্রিয়াজাতকরণ একটি দক্ষ অ্যানালগ সংকেত প্রক্রিয়াকরণ দিয়ে শুরু হয়। সর্বাধিক সাধারণ ভুলটি এলিয়াসিং সমস্যার সাথে সম্পর্কিত।

নাইকুইস্টের উপপাদ্য অনুসারে, এডিসির স্যাম্পলিং হার ইনপুট সিগন্যালের সর্বোচ্চ ফ্রিকোয়েন্সি থেকে দ্বিগুণ হওয়া উচিত। প্রতিটি সংকেত মূল ফ্রিকোয়েন্সি রেঞ্জের এই মানদণ্ডের উপাত্তের সাথে মেলে না এবং অতিরিক্ত হস্তক্ষেপ হিসাবে দরকারী উপকরণগুলি মাস্ক করে:

এই সমস্যাটি এড়াতে, এডিসির আগে এনালগ লো-পাস ফিল্টার প্রয়োগ করা হয়। খুব প্রায়ই হার্ডওয়্যার ইঞ্জিনিয়াররা একটি সাধারণ আরসি সার্কিটকে পর্যাপ্ত বলে বিবেচনা করে। যাইহোক, নিখুঁত এবং বাস্তব লো পাস ফিল্টার মধ্যে ফ্রিকোয়েন্সি প্রতিক্রিয়া খুব আলাদা:

আদর্শ (বাম) এবং আসল (বাম) এনালগ ফিল্টারগুলির ফ্রিকোয়েন্সি বৈশিষ্ট্যগুলি নিয়ে গঠিত

আপনার আন্তি-আলিয়াজিং এলপিএফ Nyquist ফ্রিকোয়েন্সি দমন প্রয়োজনীয়তা পূরণ করে তা নিশ্চিত করুন (আমি আরও বিবরণের জন্য এই বইয়ের প্রস্তাব দিই):

  • 8 বিট এডিসির জন্য 50 ডিবি
  • 10 বিট এডিসির জন্য 62 ডিবি
  • 12-বিট এডিসির জন্য 74 ডিবি
  • 16 বিট এডিসির জন্য 98 ডিবি

২. প্রশিক্ষণ এবং পূর্বাভাসের জন্য একই হার্ডওয়্যার ব্যবহার করুন

বিভিন্ন ডিভাইস সংকেত রেকর্ডিংয়ের জন্য বিভিন্ন শর্ত সংজ্ঞা দেয়, উদাঃ খ। ইলেকট্রনিক্সের অ-রৈখিক বিকৃতি, বিভিন্ন আবাসন, সেন্সরগুলির পৃথক অবস্থান ইত্যাদি

যেহেতু বিভিন্ন শর্তগুলি বিভিন্ন সংকেতকে সংজ্ঞায়িত করে, তাই প্রশিক্ষণ মডেল এবং পূর্বাভাসের জন্য একই হার্ডওয়্যার ব্যবহার করার পরামর্শ দেব। ট্রেনিং সেটে অতিরিক্ত পক্ষপাতিত্বের এটি কারণ হতে পারে।

যদি কোনও বিকল্প উপলব্ধ না হয়, আপনি প্রশিক্ষণ সেট প্রাক skew চেষ্টা করতে পারেন। তবে এটির জন্য হার্ডওয়্যার এবং গোলমাল সম্পর্কে অতিরিক্ত জ্ঞান প্রয়োজন।

3. প্রশিক্ষণের গতি বাড়ানোর জন্য Nyquist উপপাদ্য

উপরে বর্ণিত হিসাবে, নাইকুইস্টের উপপাদ্যটি রূপান্তরের পরে অ্যানালগ সংকেতের 100% তথ্য সংরক্ষণের জন্য এডিসির ন্যূনতম নমুনা হারকে সংজ্ঞায়িত করে। এটি হ'ল, যদি সিগন্যালের সর্বাধিক ফ্রিকোয়েন্সি এফএস / 2 এর চেয়ে কম হয় তবে এটির অতিরিক্ত কাজটি গভীর নেটওয়ার্কের প্রশিক্ষণের গতি বাড়ানোর জন্য ব্যবহার করা যেতে পারে।

আসুন একটি উদাহরণ তাকান।

ইসিজি সিগন্যালটি ফিজিওনেট ডাটাবেস দ্বারা প্রদত্ত 125 হার্জেডের নমুনা হারের সাথে পাওয়া যায় (30 হার্জ ফিল্টার প্রয়োগ করা হয়েছিল):

ইসিজি প্রিপ্রোসেসিংয়ের জন্য টিপ: ইসিজি সংকেতগুলি 0-100 হার্জেড বরাদ্দ করে তবে 30 হার্জ লো লো পাস ফিল্টার প্রয়োগ করা যেতে পারে। এটি পি এবং টি তরঙ্গগুলি নিরবচ্ছিন্ন রাখে, তবে আর শিখরের প্রশস্ততা 20-30% হ্রাস করে। এটি অস্বাভাবিকতা সনাক্তকরণ এবং হার্ট রেট গণনা সমালোচনামূলক নয়।

এই সংকেতের পাওয়ার স্পেকট্রাম ঘনত্বটি এর মতো দেখাচ্ছে:

উপরে প্রদর্শিত হিসাবে, সংকেতের বেশিরভাগ শক্তি 0 এবং 30 হার্জ-এর মধ্যে কেন্দ্রীভূত হয়। আসুন এটি 80 হার্জেডে হ্রাস করুন এবং এটি মূল সংকেতের সাথে তুলনা করুন:

ডেসিমেশন প্রভাবের প্রদর্শন: 80 হার্জ (উপরে) এবং 125 হার্জ (নীচে) এর নমুনা হারের সংকেত

মূল আকৃতিটি ধরে রাখা হয়, তবে সিগন্যালের মোট দৈর্ঘ্য ২৯% থেকে ৫৯ টি নমুনায় 35% কমে যায়। এটি নির্ভুলতার ক্ষতি ছাড়াই 35% এর প্রশিক্ষণের ত্বরণের সাথে মিলে যায়।

আমার গিথুব প্রকল্পটি দেখায় যে এই পদ্ধতিটি কতটা দক্ষ।

গুরুত্বপূর্ণ দ্রষ্টব্য: আপনার ডেসিমেশন সনাক্তকরণের জন্য ব্যবহার করা যেতে পারে এমন কোনও অতিরিক্ত বিশদ হারায় না তা নিশ্চিত করুন। এটি প্রমাণ করার একমাত্র উপায় পরীক্ষা-নিরীক্ষা। বাস্তবে, তবে, পারফরম্যান্সের ত্যাগ ছাড়াই মূল নমুনা হারের সাথে একটি মডেলকে প্রশিক্ষণের চেয়ে নমুনাযুক্ত সংকেতযুক্ত দুটি সজ্জিত (সিএনএন + এলএসটিএম) মডেলকে প্রশিক্ষণ দেওয়া আরও দ্রুত হয়।

৪. সিস্টেমের প্রয়োজনীয়তাগুলি বোঝুন

ওয়েভলেট বা অ্যাডাপটিভের মতো আরও জটিল ফিল্টার অ্যালগরিদমগুলি চেষ্টা করার আগে আপনার সনাক্তকরণের জন্য কী কী কার্যকারিতা প্রয়োজন তা জেনে রাখা উচিত।

এখানে একটি উদাহরণ।

আসুন ধরা যাক গভীর শেখার মডেলের কাজ হ'ল হাঁটার সময় অ্যারিথমিয়াস সনাক্ত করা। সাধারণত, ইসিজি ওয়াকিং ডেটাতে কম-ফ্রিকোয়েন্সি শব্দ থাকে:

ইতিমধ্যে, স্পষ্ট ইকেজি সিগন্যালটি এর মতো দেখাচ্ছে:

পি এবং টি তরঙ্গগুলি মুখোশযুক্ত এবং এগুলি বের করা কোনও সহজ কাজ নয়। জটিল অ্যালগরিদমগুলি বিকাশের চেষ্টা করার আগে, আসুন দেখে নেওয়া যাক অ্যারিথমিয়া আসলে কী:

অ্যারিথমিয়াস শনাক্তকরণের জন্য, কেবলমাত্র ডাল গণনা দক্ষ ডিটেক্টর সেটআপ করার জন্য যথেষ্ট। স্পষ্টতই, তবে, কম-ফ্রিকোয়েন্সি বেসলাইন মাইগ্রেশন স্টেশনারিটির লঙ্ঘনের সাথে একটি অতিরিক্ত বৈকল্পিক যুক্ত করে।

ইসিজির বিভিন্ন অংশ বিভিন্ন ফ্রিকোয়েন্সি রেঞ্জ নির্ধারণ করতে পারে:

একটি সাধারণ 5-15 হার্জ ব্যান্ড পাস ফিল্টার নিষ্কাশন আর-পিক সমস্যা সমাধান করে। এই ফিল্টারটি প্রয়োগ করা পি- এবং টি-তরঙ্গগুলিকে দমন করে (এবং সম্পর্কিত ব্যতিক্রমগুলি সনাক্তকরণের জন্য উপলব্ধ নয়) তবে সিস্টেমের প্রয়োজনীয়তা পূরণ করা হয়।

মূল নিয়ম: অ্যালগরিদম যত জটিল, তত কম শক্তিশালী এবং এটি বাস্তবায়নে আরও বেশি সংস্থান (সময় এবং অর্থ উভয়) লাগে। সবচেয়ে সহজ ডিজিটাল ফিল্টারিংয়ের চেষ্টা করা উচিত।

৫. পাইপলাইনগুলি বিকাশ করার সময় মিনিম্যাক্স নীতিটি ব্যবহার করুন

মিনিম্যাক্স নীতিটি গেম থিওরি থেকে দুর্দান্ত কৌশল।

বায়োসিগনালগুলির প্রধান সমস্যা হ'ল সময়ের সাথে সাথে সংকেতের মানের পরিবর্তন:

  • কেস 1. পরীক্ষার ব্যক্তির সামান্য ক্রিয়াকলাপ সহ উচ্চমানের:
  • কেস ২. তীব্র চলাচলের সময় নিম্ন মানের ডেটা। পি এবং টি মুখোশযুক্ত এবং 1-চ্যানেল সিস্টেমের সাথে গোলমাল থেকে বের করা যায় না:

প্রথম ক্ষেত্রে, পি, কিউআরএস এবং টি সনাক্তযোগ্য। এর অর্থ হল যে সর্বাধিক অস্বাভাবিক EKG নিদর্শনগুলি (হার্ট অ্যাটাক, অ্যাট্রিয়েল ফাইব্রিলেশন ইত্যাদি) সনাক্ত করা যায়।

দ্বিতীয় ক্ষেত্রে, কেবল কয়েকটি কিউআরএস-সংক্রান্ত অস্বাভাবিকতা (অ্যারিথমিয়া ইত্যাদি) সনাক্ত করা যায়।

উপরে প্রদর্শিত হিসাবে, কিউআরএস উত্তোলনের সর্বোত্তম উপায় হ'ল 5-15 হার্জ ব্যান্ড পাস ফিল্টার ব্যবহার করা। ইতিমধ্যে, পি এবং টি দমন করা হয়।

কেস 2 এর ক্ষেত্রে এটি সমালোচনাযোগ্য নয় কারণ পি এবং টি শব্দটি দ্বারা মুখোশযুক্ত, তবে এটি ইনপুটটিতে উচ্চ মানের ডেটা সরবরাহ করার সময় সনাক্ত হওয়া সম্ভাব্য প্যাথলজগুলির পরিমাণকে সীমাবদ্ধ করে।

এই সমস্যাটি এড়ানোর সর্বোত্তম উপায় হ'ল একটি অভিযোজক ফিল্টার প্রয়োগ করা যা পরিবর্তিত পরিবেশের প্রবণতা প্রতিক্রিয়া পরিবর্তন করে:

ধারণাটি সহজ:

  1. ডেটা কোয়ালিটি ডিটেক্টর (লিনিয়ার ডিটেক্টর / সিএনএন) তৈরি করুন;
  2. ফিল্টার একটি সংজ্ঞা।
  3. ইনপুট সংকেতের মানের উপর নির্ভর করে আবেগ প্রতিক্রিয়া পরিবর্তন করার জন্য একটি নিয়ম প্রতিষ্ঠা করুন।

High. উচ্চ পাস ফিল্টার ব্যবহারের স্মার্ট উপায়

সাধারণত, বেসলাইন ঘুরে বেড়ানো পরিচালনা করতে উচ্চ পাস ফিল্টারিংয়ের প্রয়োজন:

পটভূমি শব্দের সাথে ইইজি

সুস্পষ্ট পদ্ধতিরটি হ'ল-পাস ফিল্টারটি ব্যবহার করা। এর জন্য প্রধান সীমাবদ্ধতা হ'ল খুব কম কাট অফের ফ্রিকোয়েন্সি (0.05 Hz) এবং উচ্চ স্তরের প্রত্যাখ্যান (> 30 ডিবি)। প্রয়োজনীয়তাগুলি পূরণ করতে, ফিল্টারটিতে অবশ্যই একটি উচ্চ ক্রম থাকতে হবে, অর্থাত্ একটি দীর্ঘ বিলম্ব যা রিয়েল-টাইম অ্যাপ্লিকেশনগুলির জন্য উপযুক্ত নাও হতে পারে।

বিকল্প উপায়:

  • বিলম্ব ইনপুট সংকেত;
  • ০.০৫ হার্জেডের একটি কাট অফের ফ্রিকোয়েন্সি সহ লো পাস ফিল্টার সহ শব্দকণাটি বের করুন।
  • সংকেতকে ফাঁকা করুন;
  • মূল সংকেত থেকে বেসলাইনটি বিয়োগ করুন

কোড নমুনা (মতলব) এই গিটহাব সংগ্রহস্থলে উপলব্ধ।

7. Iterative পরীক্ষা

যে কোনও ডেটা বিজ্ঞানের সমস্যার মতো, বায়োসাইনগগুলির শ্রেণিবিন্যাস একটি পুনরাবৃত্তিমূলক পরীক্ষামূলক প্রক্রিয়া কারণ বিভিন্ন ফিল্টারিং পদ্ধতিগুলি বিভিন্ন অ্যাপ্লিকেশনের জন্য উপযুক্ত হতে পারে।

আমি সবচেয়ে নির্ভরযোগ্য থেকে খারাপ পর্যন্ত ফিল্টারিং কৌশলগুলির একটি সংক্ষিপ্ত তালিকা সংক্ষিপ্ত করেছি।

দ্রষ্টব্য: এটি কেবল আমার ব্যক্তিগত মতামত এবং আপনার সাথে ভাগ করা যায় না।

  • ডিজিটাল ফিল্টারিং (এফআইআর, আইআইআর)। গ্রুপের বিলম্ব বিকৃতির অভাবের কারণে এফআইআর সুপারিশ করা হয়। পারফরম্যান্সটি মাঝারি, অদম্য শর্তের জন্য আদর্শ, কার্যকর করা খুব সহজ এবং 100% মজবুত।
  • ওয়েভলেট ফিল্টারিং। শক্তিশালী পারফরম্যান্স, তবে পরামিতি নির্বাচনের ক্ষেত্রে বাস্তবায়ন জটিল হতে পারে।
  • অভিযোজিত ফিল্টারিং। এই পদ্ধতিতে তরঙ্গলেখা ফিল্টারিংয়ের চেয়ে দরিদ্র কর্মক্ষমতা রয়েছে তবে ভাল তত্পরতা এবং দক্ষতার সাথে এটি প্রয়োগ করা আরও সহজ implement
  • স্বতন্ত্র উপাদান বিশ্লেষণ (আইসিএ) / অন্ধ উত্স পৃথকীকরণ (বিএসএস)। সর্বাধিক জনপ্রিয় প্রোগ্রামিং ভাষায় ফাস্ট আইসিএ অ্যালগরিদমের বাস্তবায়ন এখানে পাওয়া যাবে। আমি শেষ চেষ্টা করার সুপারিশ করব কারণ:
  1. এটি কেবলমাত্র বহু-চ্যানেল কনফিগারেশনের সাথে কাজ করে।
  2. আমি এই পদ্ধতির দৃust়তা খুব দুর্বল হিসাবে পেয়েছি যেহেতু অভিভাবনের গ্যারান্টি নেই।
  3. এর জন্য তুলনামূলকভাবে আরও বেশি কম্পিউটিং সংস্থান প্রয়োজন এবং এটি রিয়েল-টাইম অ্যাপ্লিকেশনগুলির জন্য উপযুক্ত নাও হতে পারে।

________________________________________________________________________

আপনি কি কাগজটি দরকারী খুঁজে পেয়েছেন? এই লিঙ্কটি ব্যবহার করে অনুগ্রহ করে নিবন্ধটিতে আপনার মতামত দিন

________________________________________________________________________

দিমিত্রি শুবিন, আর অ্যান্ড ডি ইঞ্জিনিয়ার, মেডিকেল ডিভাইস

টরন্টো, অন, কানাডা

যোগাযোগের তথ্য:

ইমেল: [email protected]

লিঙ্কডইন, গিটহাব