Esisuodattimien vaikutus mekanokardiografisten signaalien laatuun

Abstract

Sydänsairaudet ovat maailmanlaajuisesti suuri terveydenhuoltoa kuormittava tekijä, minkä vuoksi on tärkeää löytää sekä EKG:tä täydentäviä menetelmiä sydänsairauksien tunnistukseen että sydämen kotimonitorointiin sopivia laitteita. Esimerkiksi älypuhelimiin integroidut seismografit ja gyroskoopit soveltuvat mekanokardiografiaan, mutta ongelmana on suuri määrä kohinaa, jota signaaliin päätyy kehon liikkeistä, hengityksestä ja puheesta. Kohina saattaa olla profiililtaan hyvin samankaltainen kuin mekanokardiografinen signaali, mikä tekee signaalin suodatuksesta erittäin haastavaa. Mekanokardiografisten signaalien esikäsittelyyn ei ole vielä kehitetty standardoituja menetelmiä, joten tämän tutkimuksen tarkoituksena oli käydä läpi erilaisia esisuodatusmenetelmiä kirjallisuuskatsauksen muodossa sekä kokeellisesti testata eri suodattimia saman tietokannan signaaleihin. Kirjallisuuskatsauksen perusteella esisuodatus perustui pääosin useiden menetelmien yhdistelmiin, mutta erilaiset kaistanpäästösuodattimet olivat yleisimmin käytetty metodi. Kaistanpäästösuodattimet saattavat kuitenkin sulkea tärkeää informaatiota taajuusalueen ulkopuollelle, joten olisi tärkeää löytää myös muita toimivia menetelmiä mekanokardiografisten signaalien esisuodatukseen.

Cardiovascular diseases are a major burden on healthcare systems worldwide, making it relevant to find methods that complement ECG in heart disease detection as well as devices suitable for home monitoring. For example, seismographs and gyroscopes integrated into smartphones can be used to detect the mechanical motion of the heart. However, a major challenge is the high level of noise in the signal, originating from body movements, breathing, and talking. The noise profile can be very similar to the heart’s motion signal, making the filtering of the signal very challenging. Currently, no standardized methods exist for preprocessing mechanocardiographic signals. Therefore, the aim of this study was to review different preprocessing techniques through a literature review and experimentally test various filters on signals from the same database. According to the literary review, the preprocessing was mainly based on a combination of multiple methods, but bandpass filters were the most commonly used technique. However, bandpass filters may exclude important information outside the selected frequency range, highlighting the need to identify other effective methods for preprocessing mechanocardiographic signals.