Μέθοδοι για ανίχνευση και χαρακτηρισμό βιοσημάτων σε θορυβώδεις χρονοσειρές με βάση το μετασχηματισμό Hilbert-Huang

Η διπλωματική εργασία με τίτλο «Μέθοδοι για Ανίχνευση και Χαρακτηρισμό Βιοσημάτων σε Θορυβώδεις Χρονοσειρές βασισμένοι στο Μετασχηματισμό Hilbert-Huang» μελετάει ζητήματα που σχετίζονται με βιοϊατρικά σήματα και την ανάλυση τους. Γίνεται διερεύνηση των διαθέσιμων τεχνικών και μεθόδων ανάλυσης βιοϊατρικών σημάτων, επισημαίνονται τα ιδιαίτερα χαρακτηριστικά των χρονοσειρών που προκύπτουν από την παρατήρηση και καταγραφή των σημάτων και έμφαση δίνεται στη μη στασιμότητα, την μη γραμμικότητα των υποκείμενων φυσικών διεργασιών και την ανάγκη προσαρμοστικότητας της μεθόδου. Μια μέθοδος που ικανοποιεί αυτές τις απαιτήσεις είναι η εμπειρική μέθοδος αποσύνθεσης η οποία αναλύει ένα σήμα σε ένα σύνολο συνιστωσών (IMFs) από τις οποίες ένα υποσύνολο θεωρείται ότι έχει φυσική σημασία. Επιπλέον, με το μετασχηματισμό Hilbert ανιχνεύονται οι στιγμιαίες συχνότητες και διαμορφώνεται η χρονοσυχνοτική κατανομή του σήματος. Τα θέματα που διερευνώνται αναφορικά με την εμπειρική μέθοδο αποσύνθεσης αφορούν τη στατιστική σημαντικότητα των IMFs, την αποθορυβοποίηση βιοϊατρικών σημάτων, την εξαγωγή χαρακτηριστικών από ηλεκτροκαρδιογράφημα και την απόδοση της μεθόδου. Ειδικά η απόδοση της εμπειρικής μεθόδου αποσύνθεσης είναι κρίσιμη παράμετρος για συστήματα με περιορισμένους πόρους όπως είναι οι κόμβοι ασύρματων δικτύων αισθητήρων ή τα ενσωματωμένα συστήματα. Η μοντελοποίηση μεθόδων που υλοποιούνται στο επίπεδο κόμβων ασύρματου δικτύου αισθητήρων είναι απαραίτητη για τη βέλτιστη διαχείριση πόρων και τον προγραμματισμό διεργασιών ώστε να μην διαταραχθεί η λειτουργία και λειτουργικότητα του συστήματος This diploma thesis entitled "Methods for Identification and Characterization of Biosignals in Noise corrupted Time Series based on Hilbert-Huang Transform " studies issues concerning biomedical signal analysis. There is a review of the available techniques and methods for biomedical signal analysis pointing at certain characteristics of biomedical time series such as non stationarity, the non linearity of the underlying physical process and the need for the adaptive nature of the analysis method. One method that meets these requirements is considered to be the Empirical Mode Decomposition (EMD) which decomposes a signal into a set of components (IMFs) that a subset of them is believed to have a physical meaning. Application of Hilbert Transform on these IMFs provides the instantaneous frequencies and forms the time-frequency distribution of the signal. Issues studied are related to the statistical significance of the IMFs, denoising of biomedical signals, characteristics extraction and feature selection out of the electrocardiogram as well as the performance of the method. Particularly, the performance of empirical mode decomposition is considered to be a critical parameter especially in the case of implementation on nodes of wireless sensor networks or generally embedded systems due to the limited amount of resources available onboard. Modeling method's performance and demand for resources is a significant task facilitating the optimum resource management and task execution schedule of these systems.