شماره مدرك
21318
شماره راهنما
18248
پديد آورنده
الحديد، حسين
عنوان
مرور نظام‌مند و تحليل مقايسه‌اي مبتني بر شبيه‌سازي روش‌هاي يادگيري عميق براي بهبود كيفيت سيگنال ECG در شبكه‌هاي ناحيه بدن بي‌سيم (WBANs)
مقطع تحصيلي
كارشناسي ارشد
گرايش تحصيلي
بيوالكتريك
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
سال دفاع
1405
صفحه شمار
103ص
توصيفگر ها
حذف نويز ECG , شبكه‌هاي ناحيه بدن بي‌سيم , يادگيري عميق , سيگنال تخريب شبيه‌سازي‌شده مبتني بر كانال , بهبود كيفيت سيگنال
تاريخ ورود اطلاعات
1405/07/20
كتابنامه
كتابنامه
رشته تحصيلي
مهندسي پزشكي
دانشكده
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات
1405/07/22
كد ايرانداك
23262747
چكيده فارسي
پايش الكتروكارديوگرام (ECG) در شبكه‌هاي ناحيه بدن بي‌سيم (WBAN) و سامانه‌هاي پوشيدني، هم تحت تأثير آرتيفكت‌هاي ناشي از الكترود و هم كانال بي‌سيم دچار افت كيفيت مي‌شود؛ بااين‌حال، روش‌هاي حذف نويز مبتني بر يادگيري عميق گزارش‌شده در مطالعات پيشين، تقريباً به‌طور انحصاري با نويز جمع‌شونده مصنوعي آموزش داده شده‌اند و به‌ندرت بر روي كانال انتقال يا هزينه اجراي آن‌ها بر روي دستگاه ارزيابي شده‌اند. اين پايان‌نامه يك مرور نظام‌مند از روش‌هاي حذف نويز عميق ECG و يك تحليل مقايسه‌اي كنترل‌شده و مبتني بر شبيه‌سازي را ارائه مي‌دهد كه تحت يك مدل تخريب شبيه‌سازي‌شده WBAN مبتني بر كانال انجام شده است. يك مولد پنج‌مرحله‌اي شامل افت مسير همراه با سايه‌زني لگاريتمي-نرمال (ضرايب مشتق‌شده از CM3 استاندارد IEEE 802.15.6)، محوشدگي رايسين همراه با داپلر وابسته به حركت، نويز AWGN گيرنده، كوانتيزه‌سازي 8 بيتي و ازدست‌رفتن مستقل بسته در هر فريم، داده‌هاي جفت‌شده (داده پاك، داده تخريب‌شده توسط كانال) را از مجموعه‌داده MIT-BIH (مرجع اصلي) و زيرمجموعه PTB-XL موجود به‌صورت محلي توليد مي‌كند كه در سطح بيمار تفكيك شده‌اند. سه رژيم تخريب با يكديگر مقايسه شدند: رژيم A (نويز سنتزشده پارامتريك مطابق با طبقه‌بندي NSTDB)، رژيم B (كانال شبيه‌سازي‌شده WBAN) و رژيم C (آموزش بر روي A و آزمون بر روي B). يك شبكه عصبي كانولوشني يك‌بعدي 6 لايه (1D CNN)، يك خودرمزگذار حذف نويز كانولوشني، يك U-Net يك‌بعدي (1D U-Net) و يك روش پايه موجك/NLMS، تحت يك پروتكل واحد و در گستره SNR ورودي از −10 تا +20 dB آموزش داده شدند. همچنين، دو مطالعه ثانويه شامل شرطي‌سازي آگاه از كانال و مطالعه حذف مرحله‌اي و نيز ارزيابي تأخير/محاسبات بر روي يك پلتفرم جانشين Raspberry Pi 4 انجام شد.
سيگنال تخريب شبيه‌سازي‌شده، در چارچوب شبيه‌سازي پيشنهادي، در مقايسه با نويز سفيد با توان برابر، هم‌بسته، نايستا و از نظر طيفي غيريكنواخت نشان داده شد (24/24 بررسي). در رژيم B، مدل‌هاي يادگيري‌شده در سراسر گستره مورد بررسي، بهبود مثبت SNR را حفظ كردند و معيارهاي ارزيابي‌شده مورفولوژي QRS/ST را حفظ كردند، درحالي‌كه خطاي آن‌ها تقريباً نصف خطاي روش پايه بود. انتقال مدلي كه بر روي رژيم A آموزش ديده بود به رژيم B، منجر به ايجاد شكاف تعميم منفي شد كه با پاك‌تر شدن ورودي افزايش يافت: براي DAE در 0 dB، مقدار كلي اين شكاف -3.26 dB بود و در +20 dB به −9.94 dB براي DAE و −9.61 dB براي U-Net رسيد. در مطالعات انجام‌شده با پروتكل كاهش‌يافته، شرطي‌سازي آگاه از كانال نسبت به DAE بدون آگاهي از كانال، بهبود +1.178 dB ايجاد كرد و حذف كوانتيزه‌سازي و ازدست‌رفتن بسته، مراحلي بودند كه حذف آن‌ها بيشترين تغيير را در SNR بازيابي‌شده ايجاد كرد. بر روي پلتفرم جانشين - Raspberry Pi 4، هر سه مدل يادگيري‌شده يك گذر رو به جلو را براي هر قطعه 8 s در كمتر از 3 ms تكميل كردند. نتايج نشان مي‌دهند كه در اين شبيه‌سازي، مدل تخريبي مورد استفاده براي آموزش دست‌كم به اندازه معماري اهميت دارد و بر ضرورت طراحي روش‌هاي حذف نويز آگاه از كانال و ملاحظات سخت‌افزاري تأكيد مي‌كنند. اين مطالعه به ارزيابي صرفاً شبيه‌سازي‌شده، پارامترهاي كانالي اتخاذشده از پيكربندي (و نه به‌صورت مستقل راستي‌آزمايي‌شده)، معيارهاي مورفولوژي مبتني بر يك ليد منفرد به‌عنوان جانشين و يك پلتفرم سخت‌افزاري جانشين بدون اندازه‌گيري انرژي روي دستگاه محدود مي‌شود.
چكيده انگليسي
Wearable and wireless body area network (WBAN) electrocardiogram (ECG) monitoring is degraded both by electrode artifacts and by the wireless channel, yet the deep-learning denoisers reported in the literature are trained almost exclusively on synthetic additive noise and are rarely evaluated on the transmission channel or its on-device cost. This thesis presents a systematic review of deep ECG denoising and a controlled, simulation-based comparative analysis conducted under a channel-based simulated WBAN degradation model. A five-stage generator — path loss with log-normal shadowing (IEEE 802.15.6 CM3-derived coefficients), Rician fading with motion-dependent Doppler, receiver AWGN, 8-bit quantization, and independent per-frame packet loss — produces paired (clean, channel-degraded) data from MIT-BIH (the primary reference) and the locally available PTB-XL subset, split at patient level. Three corruption regimes are compared: Regime A (parametrically synthesized noise following the NSTDB taxonomy), Regime B (the simulated WBAN channel), and Regime C (train on A, test on B). A 6-layer 1D CNN, a convolutional denoising autoencoder, a 1D U-Net, and a wavelet/NLMS baseline are trained under one protocol across an input-SNR sweep of −10 to +20 dB, with two secondary studies (channel-aware conditioning and stage-dropout ablation) and a latency/compute assessment on a Raspberry Pi 4 proxy platform.
The simulated degradation signal was shown, within the proposed simulation, to be correlated, non-stationary, and spectrally non-flat relative to equal-power white noise (24/24 checks). Under Regime B the learned models retained positive SNR improvement across the sweep and preserved the evaluated QRS/ST morphology metrics, with roughly half the baseline error. Transferring a model trained on Regime A to Regime B incurred a negative generalization gap that widened as the input became cleaner: −3.26 dB in aggregate for the DAE at 0 dB, reaching −9.94 dB (DAE) and −9.61 dB (U-Net) at +20 dB. In reduced-protocol studies, channel-aware conditioning added +1.178 dB over a blind DAE, and quantization and packet loss were the stages whose removal changed the recovered SNR most. On the Raspberry Pi 4 proxy, all three learned models completed a forward pass in under 3 ms per 8 s segment. The results indicate that, in this simulation, the corruption model used for training matters at least as much as the architecture, and they support the need for channel-aware and hardware-conscious denoiser design. The study is bounded by simulation-only evaluation, configuration-adopted (not independently re-verified) channel parameters, single-lead proxy morphology metrics, and a hardware proxy without on-device energy measurement.
استاد راهنما
فروغ السادات طباطباء
استاد داور
محمدرضا احمدزاده , امير اخوان بي تقصير