Wavelets Toepassingen

Transcriptie

1 Wavelets Toepassingen Joachim Taelman Katholieke Universiteit Leuven Faculteit ingenieurswetenschappen, Departement elektrotechniek ESAT-SCD (SISTA) Faculteit beweging en revalidatie, Departement biomedische kinesiologie 1

2 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Toepassing 2: Irisherkenning <2>

3 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Toepassing 2: Irisherkenning <3>

4 ConText Contactless Sensors for Body Monitoring Incorporated in Textiles <4>

5 Situering project (1) Musculoskeletale problemen (MSD) : mismatch fysische vereisten - fysische capaciteit MSD: repetitieve beweging, kracht-uitoefening, psychofysiologische stress, trillingen, slechte houding Het grootste gezondheids- en veiligheidsprobleem in Europa Invloed op 40 miljoen arbeiders in alle sectoren van de EU Telt mee voor 40-50% van alle werk-gerelateerde afwezigheden Kost miljarden voor de Europese werkgevers Verliezen van 0.5 tot 2% van het BNP elk jaar Probleem opgemerkt door Europese Commissie <5>

6 Situering project (2) Trend in de gezondheidszorg: Disease Home care/ Continuity of care Professional intervention risk Personal risk management Public health risk management Self assessment Professional consult <6>

7 Objectieven ConText Integreren van contactloze sensoren in textiel Meten van elektromygram (EMG) Voor continu monitoren Te gebruiken door niet-gespecialiseerde individuen Geeft informatie over de spieractiviteit en stress- status Stress Time <7>

8 Elektromyogram (EMG) V Skin surface Tendon I Muscle Tendon Motor neuron <8>

9 Meten van EMG I V Skin Optie 1: contactelektrode Weerstand verminderen door gel en Ag/AgCl elektrode Optie 2: Ideaal gepolariseerde elektrode Gebruik de capaciteit <9>

10 contactloze EMG-meting skin electrode patch ½kg EMG Amplitude [mv] Active contact electrode Contactless electrode Vrms [dbv] Exercise Active cont act electrode Contactless electrode Rest <10> Time [sec] Frequency [Hz]

11 Integratie in textiel (1) Contactloze sensor integreren Weven Interconnecties met datalijnen Elektronica bij de sensor op flex-foil <11>

12 Integratie in textiel (2) Data- en voedingslijnen geïntegreerd in textiel Weven printen TNO titv <12>

13 Prototype I van de vest TNO Science & Industry <13>

14 Stress Stress veroorzaakt fight-flight reactie Fysiologische stress Psychologische stress Fysische fight-flight reactie Hormonaal Neurologisch Musculair systeem: verhoogde spierspanning <14>

15 Stress Verband aangetoond tussen stress en schouderspanning -> MSD 2 spieren opgemeten: M. Trapezius pars ascendens M. Erector Spinae EMG: ruizig signaal -> signaalverwerking nodig om stress eruit te halen <15>

16 Gebruikerstoepassing (1) MSD-monitor-systeem via het meten van stress Contactloze sensoren voor emg-doeleinden: bij goeie werking zijn toepassingen oneindig Gezondheidszorg Revalidatie Ergonomie Topsportbegeleiding => Zo ver zijn we nog lang niet! <16>

17 Gebruikerstoepassing (2) <17>

18 Gebruikerstoepassing (2) <18>

19 Gebruikerstoepassing (2) Thanks to TNO Science & Industry <19>

20 ConText consortium Philips NL sensors, electronica HW and SW TNO NL print-technologie, confectie vest TU Berlin D ontwerp elektronica, interconnectie sensor-elektronica-geleiders TITV D weven, geleidende textielvezels KU Leuven B EMG expertise, stress en spieractiviteitsalgoritmes Clothing+ FIN applicatie ontwikkeling <20>

21 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Inleiding Template subtraction wavelet ICA Wavelet-ICA Toepassing 2: Irisherkenning <21>

22 Wavelet-ICA: Inleiding Electromyografie: techniek om elektrische signalen van spier op te meten Elektrisch signaal van de hersenen -> via zenuwen innerveren ze spieren -> spiercontractie door depolarisatiegolf V Skin surface Tendon I Muscle Tendon 19/12/2007 Motor neuron Wavelets Een introductie <22>

23 Wavelet-ICA: Inleiding Stress: detecteren via spieren in de schoudergordel EMG meet niet enkel de elektrische activiteit van de spier, maar ook van de omgeving: grote spier nabij de schouder = hart Heel groot interferentiesignaal van het hart in de signalen aanwezig <23>

24 Wavelet-ICA: Inleiding Stress: kleine en subtiele verandering van het signaal: zowel in frequentie- als in tijdsdomein ECG-vervuiling zorgt voor fouten tot 100% in het frequentiespectrum: Tot 40% bij RMS Mean power frequency: STFT en de gemiddelde frequentie van de verdeling berekenen Nood om ECG uit signaal te verwijderen <24>

25 Wavelet-ICA: Inleiding <25>

26 Wavelet-ICA: Inleiding Metingen: 6 metingen op spieren in de schoudergordel. 5 van de 6 van deze kanalen hebben een interferentiesignaal van het hart Referentie-signaal van het hart simultaan opgemeten <26>

27 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Inleiding Template subtraction (TS) Wavelets ICA Wavelet-ICA Toepassing 2: Irisherkenning <27>

28 Wavelet-ICA: TS Bioelektrisch signaal van het hart heeft een heel specifieke vorm Hart: gestructureerde contractie door heel specifieke structuur van de hartspier <28>

29 Wavelet-ICA: TS Spieren: niet zo gestructureerd qua opbouw als het hart Verdeling van de meetpunten: Gaussisch verondersteld Gemiddelde van een hele reeks metingen is 0 <29>

30 Wavelet-ICA: TS Idee: Bij elke hartslag is er een interferentiesignaal van het hart op het meetsignaal van de spieren Bij elke hartslag een template aftrekken zodat het signaal gezuiverd is Beperkingen: Vorm het interferentiesignaal is afhankelijk van het kanaal Vorm van het interferentiesignaal is onveranderlijk gedurende de tijd. <30>

31 Wavelet-ICA: TS Bepalen van hartritme: Pan-Tompkins algoritme. 4 stappen: Bandpass filter: 5-11Hz overhouden Afleiding: scherpe repolarisatie RS detecteren Kwadrateren: alle waarden positief en grote waarden worden versterkt Integreren: uitmiddelen van het signaal: 1 maximum detecteren => moment van hartslag <31>

32 Wavelet-ICA: TS Trainen van de template Trainingsdataset: deel van de data Op hartslag: epoch selecteren: 200 samples voor en na de detectie Uitmiddelen van de epochs: via eigenschappen van EMG en ECG => template Verwijderen Op hartslag: template aftrekken van signaal <32>

33 Wavelet-ICA: TS Originele data Opgeruimde data met template subtraction <33>

34 Wavelet-ICA: TS Template subtraction Eenvoudig Real time Nadelen: Induceren van nieuw subtractiefouten Constante vorm van het ECG-artefact wordt verondersteld. Deze veronderstelling is aanvaardbaar voor de huidige electrodes, maar niet meer voor capacitieve electrodes => Meer geavanceerde methodes <34>

35 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Inleiding Template subtraction (TS) Wavelets ICA Wavelet-ICA Toepassing 2: Irisherkenning <35>

36 Wavelet-ICA: Wavelets Discrete Wavelet Transformatie Heeft een betere tijds-frequentie resolutie dan de Fourier Transformatie Wavelet decompositie waar het artefact duidelijk zichtbaar aanwezig is Zowel het hart als het gewenste signaal zijn spieren: overlap in het frequentiedomein <36>

37 Wavelet-ICA: Wavelets <37>

38 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Inleiding Template subtraction (TS) Wavelets ICA Wavelet-ICA Toepassing 2: Irisherkenning <38>

39 Wavelet-ICA: ICA Blinde bron scheidingsmethode Vb. cocktailparty probleem 1 lokaal met 2 mensen die spreken 2 micro s die geluiden opnemen in dat lokaal Elk van de micro s neemt een mix op van beide stemmen Extra voorwaarde opstellen: de 2 stemmen zijn afkomstig van onafhankelijke bronnen Met de 2 signalen en de extra voorwaarde kun je de 2 originele bronnen reconstrueren <39>

40 Wavelet-ICA: ICA A = X.S A: opgenomen data X: mixing matrix S: originele bronnen A is aanwezig De mixing matrix wordt opgesteld uit de data en de voorwaarde Tot slot wordt S bepaald <40>

41 Wavelet-ICA: ICA Originele data Gemixte data Gereconstrueerde data met ICA <41>

42 Wavelet-ICA: ICA ECG-verwijderingsprobleem: werkt niet 6 spierbronnen + 1 ECG bron Bronnen van spieren zijn onafhankelijk van elkaar In ideale omstandigheden moet het werken Werkelijke signalen: bevatten ruis Spierbronnen bevatten ook meerdere bronnen Geen stationaire signalen => Combineer wavelet ontbinding met ICA <42>

43 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Inleiding Template subtraction (TS) Wavelets ICA Wavelet-ICA (wica) Toepassing 2: Irisherkenning <43>

44 Wavelet-ICA: wica Wavelet-ICA: combinatie van DWT en ICA Decompositie van elke bron in 6 niveaus: 6 spiersignalen: 6*6 1 ECG-signaal: 1*6 42 signalen als input voor ICA in plaats van 7 Veel meer bronnen te onderscheiden van elkaar Dit algoritme is wel in staat om ECG-bronnen als originele bronnen te extraheren Vervuilingsbron op 0 zetten en signaal reconstrueren <44>

45 Wavelet-ICA: wica Originele data Opgeruimde data met wica <45>

46 Wavelet-ICA: wica Combinatie van DWT en ICA In staat om ECG-contaminatie uit het signaal te verwijderen Onafhankelijk van de vorm van de ECGinterferentie <46>

47 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Toepassing 2: Irisherkenning Inleiding Afzonderen iris Codering Validatie <47>

48 Irisherkenning: Inleiding Nood om mensen te identificeren PIN + ID-kaart Makkelijk te omzeilen, pin vergeten, kaart kwijt, Niet voldoende voor streng beveiligde plaatsen Gebruik van biometrische identificatie Eigenschappen van de mens zelf Vingerafdruk herkenning, handgeometrie, gezichtsherkenning, spraakherkenning, irisherkenning, <48>

49 Irisherkenning: Inleiding Succes van biometrische signalen, afhankelijk van: Uniekheid van het biometrisch kenmerk Eenvoudigheid van de opmeting Robuustheid van het kenmerk Moeilijk na te maken De iris scoort heel hoog: Specifieke, maar zeer willekeurige structuur die verschillend is van mens tot mens Goed beschermd tegen beschadiging Stabiel in de tijd Heel moeilijk na te maken <49>

50 Irisherkenning: Inleiding Commercieel systeem Iridian Heel betrouwbaar <50>

51 Irisherkenning: Inleiding Irisherkenning: Iris af te zonderen: Herkenning van de randen van de iris Herkenning van de pupil Randen van het ooglid detecteren Iris ontvouwen tot een genormaliseerd beeld Rekening houden met pupildilatatie en intensiteit van het beeld Wavelet-analyse Specifieke kenmerken Specifieke iriscode <51>

52 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Toepassing 2: Irisherkenning Inleiding Afzonderen iris Codering Validatie <52>

53 Irisherkenning: iris Irisherkenning Randen in het beeld detecteren: Canny edge detector Iris en pupil detecteren: circulaire Hough transformatie Detecteert cirkels in een beeld Oogleden detecteren Radon transformatie Detecteert rechte lijnen in een beeld <53>

54 Irisherkenning: iris Canny edge detector: Combinatie van verschillende filters op het signaal voor maximale randdetectie 1 e : wegfilteren van de ruis uit het signaal Gauss filter Trade-off tussen ongevoeligheid aan de ruis en localisatiefout van de randen 2 e : gradiënt van het signaal Sobelfilter: spatiële resolutie in horizontale richting Inverse hiervan geeft de richting in verticale richting Combinatie voor detectie van de randen <54>

55 Irisherkenning: Iris Origineel oog Ruisgefilterd oog Horizontale gradiënt Verticale gradiënt Totale gradiënt <55>

56 Irisherkenning: Iris Circulaire Hough Transformatie (CHT) Cirkel in beeld die meeste punten verbindt bij gegeven straal Gegeven figuur: elk punt van figuur wordt overlopen bij gegeven straal en intensiteitpatroon wordt uitgezet op het middenpunt van de straal Linkse figuur is een voorbeeld met 2 cirkels: straal 10 en 30 respectivelijk, middenste figuur: CHT met straat 10, Rechts CHT met straal 30 <56>

57 Irisherkenning: Iris CHT voor iris en pupil: Instellen van limieten van de straal voor pupil en iris Thresholden van intensiteit om gevoeligheid voor pupil en iris te verbeteren <57>

58 Irisherkenning: Iris Radon transformatie: detectie van rechten in een figuur Over de breedte van de figuur en in alle richtingen wordt de intensiteit geplot in een sinogram Links: beeld met 2 lijnen, rechts: sinogram van de radontransformatie <58>

59 Irisherkenning: Iris Oogleden: vereenvoudigd tot 4 lijnen 4 keer radontransformatie uitvoeren in 4 kwadranten: middelpunt iris is nulpunt Alles buiten de iris: genegeerd voor robuustheid <59>

60 Irisherkenning: Iris Volledige segmentatie: <60>

61 Irisherkenning: iris Normaliseren: Intensiteit: relatief tov maximum Pupildilatatie: Structuur blijft constant Rekening houden met de verhouding pupildiameter/irisdiameter <61>

62 Irisherkenning: iris Waar detectie fout loopt <62>

63 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Toepassing 2: Irisherkenning Inleiding Afzonderen iris Codering Validatie <63>

64 Irisherkenning: codering Slechts binnenste 60% van de segmentatie gebruiken: rest heel vaak vervuild door ooglid of wimpers Codering: Zo uniek mogelijk voor elke iris Zo klein mogelijk: weinig opslagruimte Weinig rekenwerk om 2 vectoren met elkaar te vergelijken => Wavelet transformatie <64>

65 Irisherkenning: codering 1D-Gabor wavelet: heel goed om patronen te herkennen Reëel en imaginair deel Toegepast: Vaste breedte van de Gabor wavelet kiezen Kolom per kolom van de uitgerolde iris Thresholden: 1 of 0 bij een bepaalde waarde (1bit) Figuur: binair na wavelet transformatie <65>

66 Irisherkenning: codering Reëel deel Imaginair deel <66>

67 Wavelets ConText: eigen onderzoek Toepassing 1: Wavelet-ICA voor verwijderen van artefacten Toepassing 2: Irisherkenning Inleiding Afzonderen iris Codering Validatie <67>

68 Irisherkenning: validatie Vergelijken van 2 irissen: Bepaal van beide de iriscode Bepaal de Hamming afstand tussen beide codes Hamming afstand: Waarde tussen 0 en 0.5 0: volledig gelijk, 0.5: geen gelijkenis Beslissing: Hamming onder de 0.3 => zelfde iris <68>

69 Irisherkenning: validatie Test zelf uitgevoerd op 180 verschillende irissen. 6 opnames per iris. Equal error rate van 85% op hamming afstand van <69>

70 Irisherkenning Iris is een heel goed biometrisch kenmerk voor identificatie Heel simpele uitwerking: EER van 85% Detectie van de oogleden: geen rechte => benadering Daugman: foutloze detectie. Het aantal valse positieve detecties is 1 op een aantal miljard op Hamming afstand van 0.3 2D Gabor Irisdetectie met aantal correcties Acceptatie van gebruik van irisherkenning moet nog hoger <70>