Biosignalverarbeitung

Grundlagen und Anwendungen mit MATLAB®

Stefan Bernhard, Andreas Brensing, Karl-Heinz Witte

• Verlag: De Gruyter Oldenbourg
• Jahr: 2018
• ISBN:
  9783110434484
• Auflage: 1
• Thema: Technik & Maschinenbau
• Thema: Signale & Signalverarbeitung

Das Buch bildet ein Grundlagenwerk zur Biosignalverarbeitung in dem neben einer allgemeinen Einführung zur Entstehung, Messung und analogen/digitalen Weiterverarbeitung von Biosignalen auch weiterführende Themen in Form von modernen Anwendungsbeispielen diskutiert werden. Die Grundlagenthematik des Buches wird durch zahlreiche aktuelle Forschungsthemen der Biosignalverarbeitung in Form von anwendungsnahen Beispielen ergänzt und bietet damit auch Forschern aus den Natur-und Lebenswissenschaften wie der Medizin und Medizintechnik vielfältige Impulse für die Entwicklung neuer Methoden zur Verarbeitung von Biosignalen. Damit ist das Buch einerseits für Lernende und Lehrende ein geeignetes Werk zum Einstieg in die grundlegende Methodik und andererseits für langjährige Anwender im Bereich der Medizintechnik und -informatik ein kompaktes Nachschlagewerk.

• Behandelt die Grundlagen kontinuierlicher und diskreter Biosignalverarbeitung mit Anwendungen in MATLAB®.
• Mit Online-Zusatzmaterial, Simulationen in LTspice, Scilab, Aufgaben und MATLAB®-Skripte.

Stefan Bernhard

ist Professor für Biosignalverarbeitung und Medizinische Physik an der Hochschule Pforzheim.

Andreas Brensing

ist Professor für Medizintechnik an der Hochschule RheinMain.

Karl-Heinz Witte

ist Professor für digitale und optische Übertragungstechnik und war Lehrbeauftragter für Medizinische Messtechnik und Biosignalverarbeitung an der Hochschule RheinMain.

1Einführung in die Biosignalverarbeitung

Die Biosignalverarbeitung ist ein interdisziplinäres Arbeitsgebiet, das die Medizinische Informatik, die Signalverarbeitung und die Lebenswissenschaften umfasst. Hauptziel der Analyse menschlicher Biosignale ist die Unterstützung der medizinischen Diagnosestellung mit Hilfe mathematischer Methoden. Eine intelligente Auswertung der Signale soll dem Mediziner wertvolle quantitative Informationen zur Diagnosestellung bereitstellen und ihn bei der medizinischen Entscheidungsfindung effektiv unterstützen. Die Themengebiete sind breit gefächert. Sie umfassen einerseits die Signalaufbereitung, Methoden zur Überwachung und Kontrolle von Vitalfunktionen in der Intensivmedizin, zum Beispiel durch die automatische Klassifikation von Signalen, und andererseits die formale Beschreibung der Zusammenhänge zwischen Signalen und physiologischen Funktionen in der medizinischen Forschung. Eine weitere, wachsende Disziplin ist die Modellbildung für physiologische Phänomene mit dem Ziel des besseren Verständnisses der zugrunde liegenden pathologischen Mechanismen und der technologischen Nutzung in der Medizingerätetechnik. Moderne Simulationstechniken bedienen sich statistischer Methoden der Parametervariation und Parameterschätzung sowie der Quantifizierung von Unsicherheiten im Modellansatz – alles mit dem Ziel, immer raffiniertere Datenauswertungsmethoden zu entwickeln. In vielen Fällen sind diese Methoden die Grundlage zur optimalen Steuerung und Regelung oder führen zu einem gänzlichen Ersatz physiologischer Funktionen, wie beispielsweise in der Prothetik.

Die Erfassung von Biosignalen zu diagnostischen Zwecken hat eine lange Geschichte. Beginnend mit der Erkenntnis der elektrischen Aktivität von Nerven- und Muskelzellen, die Luigi Galvani in seinem berühmten Froschschenkel-Experiment im Jahre 1787 beschäftigte, reihte sich eine Kette von weitreichenden Erkenntnissen zu den grundlegenden Mechanismen der Elektrophysiologie. Bereits im Jahr 1876 gelang es E. J. Marey erstmals, diese Vorgänge grafisch darzustellen. Willem Einthoven erhielt für die Entwicklung des Saitengalvanometers1 und die Beschreibung des Elektrokardiogramms im Jahre 1924 den Nobelpreis für Medizin. Die konsequente Weiterentwicklung durch den Einsatz empfindlicherer Messtechnik, wie dem Röhrenverstärker, den Transistoren und später den integrierten Schaltkreisen sowie der aktuellen Mikroprozessortechnik, führte im Laufe der Zeit zur erheblichen Verbesserung der Signalqualität.

Heutzutage liegt das Hauptaugenmerk der Forschung auf immer anspruchsvolleren Auswertungsalgorithmen, zum Beispiel auf der Basis großer Datenmengen2 und der Miniaturisierung der Mess- und Übertragungstechnik sowie der Datenspeicherung im Internet. Die Auswertung der Informationen und Signale des menschlichen Körpers ist heute die Grundlage fast jeder ärztlichen Diagnose. Speziell die Elektrokardiographie (EKG) entwickelte sich zu einer der am häufigsten verwendeten medizinischen Untersuchungsmethoden – täglich werden auf der Welt Millionen von EKGs aufgezeichnet. Gerade im Bereich des Langzeit-EKGs (über 24 h) sind moderne Methoden nicht mehr wegzudenken, schlägt ein Herz in dieser Zeit doch ungefähr 80.000 bis 100.000 Mal. In dieser Größenordnung stellt die Suche nach auffälligen Herzschlägen wie beispielsweise Herzrhythmusstörungen oder ungewöhnlichen Veränderungen wie Kammerflimmern die Ärzte vor eine praktisch unmögliche Aufgabe. Neben der kostbaren Zeit, die mit einer manuellen Durchsicht einhergehen würde, wäre ein Nachlassen der Aufmerksamkeit und damit ein Verlust wichtiger Ereignisse zu befürchten – von der Erstellung einer Statistik ganz zu schweigen.

Aber nicht nur in der Analyse intensivmedizinischer Daten fallen große Datenmengen an, sondern ganz aktuell auch in der Telemedizin. Die Datenvielfalt im Bereich der kommerziellen Sportmedizin ist durch die Anwendung mobiler Technologien und Software auf Smartphones ebenso rasant angewachsen, wie das kontinuierliche Monitoring älterer Menschen zur Überwachung ihrer Gesundheit. Die Liste möglicher Vitalsignale und Gesundheitsparameter neben dem EKG ist lang: Blutdruck, Herzfrequenz, Blutsauerstoffsättigung, Körpergewicht und -temperatur – alle erfordern zur Diagnoseführung eine gewissenhafte und kontextbezogene Auswertung mit mathematischen Methoden. Mit ihrer Hilfe sollen die wesentlichen Kenngrößen automatisch gefunden und der Arzt auf relevante Inhalte hingewiesen werden. Speziell beim Monitoring auf der Intensivstation oder in der Telemedizin sollen bei Patienten bedrohliche Zustände schnell und zuverlässig erkannt und dem behandelnden Personal durch einen Alarm mitgeteilt werden.

Das Problem bei dieser Form der automatischen Erkennung von wichtigen Events liegt darin, einen zuverlässigen Algorithmus mit der bestmöglichen Trefferquote zu entwickeln – bei der Vielfalt der Patienten und der Variabilität in den Signalen eine schier unmögliche Aufgabe. Anders ausgedrückt bedeutet das, dass die Algorithmen auf alle möglichen Varianten eines bestimmten Signals anwendbar sein müssen. Diese sogenannte Robustheit eines Algorithmus ist in der späteren Zulassung als Medizinprodukt ein essenzielles Merkmal. Zudem müssen die Messtechnik und Algorithmen gegenüber äußeren elektromagnetischen Störeinflüssen, welchen ein Messaufbau ausgesetzt sein kann, absolut unempfindlich sein.

Mathematische Methoden und die Entwicklung von Software sind demzufolge unverzichtbare Bestandteile der Biosignalanalyse. Der Erfolg moderner Monitoringsysteme kommt deshalb nur noch zum kleinen Teil von der Entwicklung der elektronischen Hardware – den weitaus größeren Anteil zum Erfolg eines innovativen Produktes trägt mittlerweile eine intelligente Signalauswertung bei. Beispielsweise werden Störsignale heutzutage neben der ausschließlichen Filterung im Frequenz- oder Zeitbereich zunehmend mit der Wavelet-Transformation im Zeit/Frequenz-Verbundbereich durchgeführt, da sie eine bestmögliche Zeit- und Frequenzauflösung für einen bestimmten Signalabschnitt erlaubt. Die Detektion wichtiger Signalabschnitte in einem EKG-Signalverlauf beispielsweise erfordert die Extraktion von statistisch belastbaren Merkmalen, die dann einem Klassifikator oder einem neuronalen Netz zur Analyse zugeführt werden. Mit dieser Methode können heutzutage schon eine Vielzahl von Anomalien in EKGs zuverlässig unterschieden werden.

Auch modellbasierte Techniken wie das Kalman-Filter oder Markov-Modelle werden zur Erkennung abnormaler (pathologischer) Zustände beziehungsweise der damit einhergehenden Zustandsänderungen eingesetzt. Eine frühzeitige Erkennung von Trends oder zufälligen Schwankungen in einem Signalverlauf, wie etwa Signalveränderungen kurz vor einem epileptischen Anfall im Elektroenzephalogramm (EEG), durch Methoden des maschinellen Lernens kann dazu genutzt werden, um den Patienten schon vor Beginn auf einen kommenden Anfall hinzuweisen. Mit diesen statistischen Methoden sollen stochastische Schwankungen von deterministischen unterschieden beziehungsweise signifikante Änderungen erkannt werden, bevor sie selbst in Erscheinung treten. Die mathematischen Zusammenhänge, mit denen aus gegenwärtigen Messwerten die Wahrscheinlichkeit für eine zukünftige Änderung vorhergesagt werden kann, um daraus mögliche Anzeichen für eine im Entstehen befindliche Pathologie zu erkennen, liegen oft in der Theorie der komplexen Systeme und nichtlinearen Dynamik. Beispielsweise beobachtet man im normalen Herzrhythmus stabile Rhythmen (Trajektorien im Phasenraum), sogenannte Attraktoren, die aber manchmal über sogenannte Bifurkationen ins Chaos und damit in pathologische Zustände wie dem Kammerflimmern übergehen können. Diese Erkenntnis lässt sich vielleicht in nicht gar zu ferner Zukunft zur frühzeitigen Erkennung und Diagnose solcher Vorfälle zu Gunsten des Patienten nutzen.

Das vorliegende Buch gibt eine Einführung in die Theorie und prinzipielle Methodik der Biosignalverarbeitung, beschreibt die Entstehung der gängigsten Biosignale des Menschen und vermittelt die Techniken zur Messung und modernen Informationsverarbeitung mit LTSpice und Matlab/Simulink3. Nach einer kurzen Einführung und historischen Rückblende zu den einzelnen Themen der Elektrophysiologie sowie der analogen und digitalen Signalverarbeitung wird der Leser durch ausgewählte Anwendungen der erlernten Methodik in die Praxis der Biosignalverarbeitung mit Matlab/Simulink eingeführt.

Der Leser erhält dabei einen Überblick über die Vielfalt menschlicher Biosignale (vgl. Abbildung 1.1) und wird anhand ausgewählter Biosignale, wie etwa der Muskelaktivität im Elektromyogramm (EMG), der Aktivität des Herzmuskels im Elektrokardiogramm (EKG), der Aktivität der Nervenzellen des Gehirns im Elektroenzephalogramm(EEG) oder der Messung der Sauerstoffsättigung des Blutes im Photoplethysmogramm (PPG) in die Thematik eingeführt. In diesem Zusammenhang werden die Grundlagen zur Ableitung, Vorverarbeitung, Erkennung und Interpretation dieser Signale mit Hilfe der Simulationsumgebung LTSpice und der Programmiersprache Matlab/Simulink vermittelt. Die Durchführung der Übungen in Matlab/Simulink vermittelt zudem die notwendigen Techniken der praktischen Biosignalverarbeitung und bietet die Möglichkeit, erworbene theoretische Kenntnisse praktisch anzuwenden. Zur besseren Übersicht der verwendeten Formelzeichen, Einheiten und Konstanten befindet sich in Kapitel 7 eine nach Kapiteln sortierte Tabelle zum Nachschlagen.

Abb. 1.1: Mögliche Quellen aus den Bereichen der Elektroenzephalographie (EEG) und Elektromyographie (EMG) mit Abbildung der typischen zeitlichen Signalverläufe der Einzelrhythmen im EEG (oben) und einer wiederholten Muskelkontraktion im EMG (unten).

Der gegenwärtige Stand der Forschung und Entwicklung wird in drei Anwendungsfeldern aus den Forschungsthemen der Autoren dargestellt: (i) mathematische Modellierung und Analyse von Signalen des Herz-Kreislaufsystems sowie der Analyse der elektrischen Aktivität der (ii) Muskeln und (iii) des Gehirns. Jedes Kapitel beinhaltet eine Reihe von Beispielen und Übungsaufgaben sowie eine Darstellung der zukünftigen Perspektiven des jeweiligen Gebietes.

2Grundlagen der Informations-, Signal- und Systemtheorie

In der Biosignalverarbeitung werden vielfältige Methoden aus unterschiedlichen Disziplinen auf Problemstellungen in der Medizin angewendet. Die Methoden der klassischen Informations- und Signalverarbeitung bilden dabei eine wichtige Grundlage. Im folgenden Kapitel werden für die Biosignalverarbeitung wichtige Methoden aus diesen Fachdisziplinen eingeführt und beispielhaft in Bezug auf Biosignale diskutiert.

2.1Information und Informationsübertragung

Der Begriff der Information nimmt in allen wissenschaftlichen Disziplinen einen entscheidenden Platz ein, so auch in der Biosignalverarbeitung. Allerdings ist der Informationsbegriff in den verschiedenen Fachrichtungen nicht einheitlich definiert und hat...

Inhaltsverzeichnis

• Cover
• Titelseite
• Impressum
• Vorwort
• Inhalt
• Bildnachweise
• 1 Einführung in die Biosignalverarbeitung
• 2 Grundlagen der Informations-, Signal- und Systemtheorie
• 3 Grundlagen der Elektrophysiologie und die Entstehung von Biosignalen
• 4 Messung von Biosignalen und analoge Signalverarbeitung
• 5 Methoden zur diskreten Verarbeitung und Analyse von Biosignalen
• 6 Anwendungen der Methoden in der Biosignalverarbeitung
• 7 Appendix: Formelzeichen, Einheiten und wichtige Konstanten
• Literatur
• Stichwortverzeichnis