1. UNIVERSITÀ DEGLI STUDI DI TRENTO - FACOLTÀ DI INGEGNERIA
CORSO di LAUREA SPECIALISTICA
in INGEGNERIA delle TELECOMUNICAZIONI
APPROCCIO BASATO SU OTTIMIZZAZIONE
PSO PER MONITORAGGIO
CARDIACO PRENATALE
TESI di L AUREA
Relatore
Ing. Farid Melgani
Correlatore
Ing. Noureddine Ghoggali
Ing. Edoardo Pasolli
Laureando
Luca Lorenzi
Anno Accademico 2007/2008

2. SEPARAZIONE di SORGENTI
• La Blind Source Separation (BSS) permette
di identificare sorgenti di informazione non
direttamente accessibili
• Applicazioni
- denoising di immagini
- analisi di dati finanziari
- separazione di segnali audio
• Stato dell’arte
- Principal Component Analysis (PCA)
- minimizzazione dell’Informazione Mutua
- Independent Component Analysis (ICA)
Sorgente 1
Sorgente 2
Sorgente n
.
.
.
MIXING
?
Osservazione 1
Osservazione 2
Osservazione n
.
.
.
BSS

3. MONITORAGGIO PRENATALE
•Esistono diverse tecnologie per il controllo
delle condizioni di benessere del feto:
ecografia, flussimetria, amnioscopia,
cordocentesi, ecc …
•Novità: elettrocardiografia fetale
–Motivazioni: per prevenire ipossia-anossia, che
possono portare ad una acidemia metabolica,
quindi anche a danni cerebrali
–Tecnologie attuali: cardiotocografia (CTG), ECG da
scalpo (invasiva) e ECG dal ventre materno

4. OBIETTIVO 1: separazione a coppia
•Problema: ignoranza della posizione del feto
•Soluzione: sistema di selezione dei 2 elettrodi più adatti,
da cui si possano estrarre le componenti ECG
•Obiettivo: sviluppo di un sistema basato su Particle
Swarm Optimization (PSO)
ECG materno
ECG fetale

5. OBIETTIVO 2: Separazione multipla
• Problema: estrarre da n acquisizioni n segnali
sorgenti
– la scelta di identificare i 2 segnali ECG sorgenti è
lasciata ad un analista
• Soluzione: sistema di estrazione multipla: PCA,
ICA, …
• Obiettivo: sviluppo di un metodo alternativo
basato su Particle Swarm Optimization (PSO)

6. APPROCCIO AL PROBLEMA
2
ˆs
x1
OSSERVATO
MATRICE MIXING
A
x2
OSSERVATO
Whitening
&
filtering
BSS
MATRICE
DEMIXING
W =A-1
ELEMENTI
NON ACCESSIBILI
1
ˆs
s1
MATERNO
s2
FETALE






2221
1211
AA
AA






2221
1211
WW
WW

7. PARTICLE SWARM OPTIMIZATION
• PSO è una tecnica di ottimizzazione
stocastica
• Concetto base = condivisione sociale
dell’informazione
• Più “particelle” (soluzioni candidate)
esplorano lo spazio delle soluzioni,
modificando posizione e velocità in relazione
alla propria esperienza e quella delle altre
particelle
• Valutazione della soluzione tramite funzione
fitness

8.    




)()()()()()()()1(
)()()1(
2211 tttrctttrctwt
ttt
igibiii
iii
ppppvv
vpp
EQUAZIONI PSO
Coefficiente
di inerzia
Coefficiente di
accelerazione
Peso
stocastico

9. METODO 1
• Obiettivo: identificare i 2 elettrodi che meglio separano i 2
contributi ECG
• Idea: implementazione di un’applicazione basata su feature
selection, in grado di selezionare la coppia migliore
• Design: particella binaria:
• Fitness function: negentropia dell’ICA: )-H(y)J(y )=H(ygauss
Particella binaria

10. METODO 2
• Obiettivo: riuscire a separare n segnali sorgenti:
    224
3 yE-ykurt(y)=EJ(y)
24
4 +kurt(y)skew(y)J(y)
  223
48
1
12
1
kurt(y)+yEJ(y)
     2
2
2
2
1 2
2
π-|y|E+kyeEkJ(y) a
/-y

      2
2
2
22
1 21
22
/-eE+kyeEkJ(y) /-y
b
/-y

• Inizializzazione del PSO mediante l’uso dell’ICA
• Fitness function:
Matrice
demixing:
particella

11. PIANO SPERIMENTALE
• Dati:
– simulati:
• SNR: 5, 10, 15 [dB]
• Frequenza M/F: 60/120, 60/150 [Hz]
• Ampiezza M/F: 10/1, 10/3
– reali: dataset “DaISy” di Lieven De Lathauwer
• Criteri di validazione: σ
-μy
σ
-μx
N
ρ=
N
i y
yi
x
xi















1
1

12. RISULTATI METODO 1: dati simulati
2/10
][120
][60
/ 





FM
F
M
ampiezza
Hzfrq
Hzfrq
Coeff. di correlazione
Madre 96.98 %
Feto 91.20 %
][5 dBSNR 

13. SNR Amp M/F Frq M/F Corr M Corr F Tempo [s]
5 10/1 60/120 97.13% 81.65% 29.2
10 10/1 60/120 98.99% 90.15% 30.1
15 10/1 60/120 99.32% 93.98% 30.6
5 10/3 60/120 97.18% 90.74% 29.1
10 10/3 60/120 98.83% 94.19% 28.8
15 10/3 60/120 99.34% 95.01% 28.7
5 10/1 60/150 97.14% 81.54% 28.1
10 10/1 60/150 98.91% 90.19% 30.0
15 10/1 60/150 99.44% 93.70% 28.2
5 10/3 60/150 96.98% 91.20% 26.0
10 10/3 60/150 98.62% 94.36% 28.6
15 10/3 60/150 99.40% 95.01% 26.1
Corr M Corr F Tempo [s]
Media 98.44 % 90.98 % 28.6
Max 99.44 % 95.01 % 30.5
Min 96.98 % 81.54 % 26.0
RISULTATI METODO 1: dati simulati

14. RISULTATI METODO 1: dati reali

15. RISULTATI METODO 2: dati simulati
Coeff. correlazione
Madre 91.96 %
Feto 90.42 %

16. RISULTATI METODO 2: dati simulati
SNR amp M/F frq M/F
PSO ICA
Corr M Corr F Tempo [s] Corr M Corr F Tempo [s]
5 10/1 60/120 91.94% 81.38% 1369.2 85.68% 83.25% 20.13
10 10/1 60/120 92.90% 90.47% 1657.7 91.91% 90.33% 19.01
15 10/1 60/120 93.08% 94.55% 1526.0 90.19% 93.62% 17.96
5 10/3 60/120 92.89% 91.70% 1442.3 90.79% 90.15% 20.49
10 10/3 60/120 92.39% 92.39% 1471.4 91.86% 91.12% 19.03
15 10/3 60/120 94.94% 92.44% 1459.7 93.24% 92.21% 18.33
5 10/1 60/150 92.32% 85.04% 1365.1 91.61% 84.96% 21.26
10 10/1 60/150 93.53% 90.15% 1437.9 91.26% 89.13% 20.98
15 10/1 60/150 95.48% 93.55% 1271.2 92.88% 92.79% 17.06
5 10/3 60/150 91.96% 90.42% 1369.2 91.18% 91.55% 22.98
10 10/3 60/150 90.74% 94.78% 1464.8 91.85% 93.67% 20.18
15 10/3 60/150 91.82% 95.45% 1439.7 92.13% 94.96% 19.73
PSO ICA
Corr M Corr F Tempo [s] Corr M Corr F Tempo [s]
media 92.83 % 91.03 % 1439.5 91.22 % 90.65 % 19.76
min 90.74 % 81.38 % 1271.2 85.68 % 83.25 % 17.06
max 95.48 % 95.45 % 1657.7 93.24 % 94.96 % 22.98

17. RISULTATI METODO 2: dati reali
Segnali estratti attraverso la tecnica ICASegnali estratti attraverso la tecnica PSOConfronto tra le due metodologie

18. CONCLUSIONI
Separazione cieca di sorgenti, basata su Particle
Swarm Optimization, per separare il tracciato ECG
fetale da quello materno:
– Separazione a coppia: feature selection di 2 elettrodi
• sufficiente per Fetal Heart Rate (FHR)
• poco adatta per uno studio della forma d’onda
– Separazione multipla: scomposizione da n
acquisizioni a n segnali sorgenti
• buoni risultati
• si necessita di un analista per la decisione finale
• Sviluppi futuri: validare il sistema con ulteriori
dataset reali