Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia

Detalhes bibliográficos
Autor(a) principal: Freitas, Gabriel Luis de Araújo e
Data de Publicação: 2019
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Biblioteca Digital de Monografias da UnB
Texto Completo: https://bdm.unb.br/handle/10483/24367
Resumo: Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2019.
id UNB-2_034276ae51400592d7e2d857e891993c
oai_identifier_str oai:bdm.unb.br:10483/24367
network_acronym_str UNB-2
network_name_str Biblioteca Digital de Monografias da UnB
repository_id_str 11571
spelling Freitas, Gabriel Luis de Araújo eMenegaz, Henrique Marra TairaMendes, Cristiano Jacques Miosso RodriguesFREITAS, Gabriel Luis de Araújo e. Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia. 2019. 56 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2019.https://bdm.unb.br/handle/10483/24367Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2019.A aquisição de sinais digitais com uma quantidade reduzida de medidas é possibilitada por Compressive Sensing (CS). O Filtro de Kalman Adaptativo Baseado em CS é um exemplo de algoritmo que foi elaborado no contexto de streaming. Seu processo de reconstrução considera que os sinais são recebidos de forma contínua e realiza estimativas de suporte para melhorar seus resultados. Entretanto, seu funcionamento foi observado apenas para sinais simulados e esparsos no domínio de Fourier. A aplicação desse algoritmo considerando sinais reais foi investigada no presente trabalho. Para tanto, modificações foram feitas com o objetivo de se obter melhores resultados no cenário específico Para estudo de caso, decidiu-se por adotar sinais de eletrocardiografia. Inicialmente, foram estudadas transformadas esparsificantes para essa nova classe de sinais. Além do domínio de Fourier, foram avaliadas reconstruções utilizando a transformada de Daubechies 4 e uma criada com Análise de Componentes Principais. A observação de resultados parciais permitiram que se propusesse: (i) a atualização iterativa da matriz de covariância do modelo e (ii) modificações na etapa de estimação de suporte. Nas reconstruções, observouse um nível médio de relação sinal ruído de 15, 6 𝑑𝐵, porém atingiu-se, nos melhores casos, valores próximos a 40 𝑑𝐵.Submitted by Caroline Botelho Teixeira (carolinebotelhoteixeira@gmail.com) on 2020-06-18T23:53:40Z No. of bitstreams: 1 2019_GabrielLuisDeAraujoFreitas_tcc.pdf: 2905598 bytes, checksum: 0560344100c5a80237831729c556a098 (MD5)Approved for entry into archive by Biblioteca Digital de Monografias Gerência (bdm@bce.unb.br) on 2020-07-20T14:27:44Z (GMT) No. of bitstreams: 1 2019_GabrielLuisDeAraujoFreitas_tcc.pdf: 2905598 bytes, checksum: 0560344100c5a80237831729c556a098 (MD5)Made available in DSpace on 2020-07-20T14:27:44Z (GMT). No. of bitstreams: 1 2019_GabrielLuisDeAraujoFreitas_tcc.pdf: 2905598 bytes, checksum: 0560344100c5a80237831729c556a098 (MD5)Compressive Sensing (CS) allows a digital signal acquisition with a small amount of measurements. Adaptive Kalman Filter Based on CS is an algorithm created for streaming signals. Its reconstruction approach assumes that the signals are continuously received and support estimations are made to enhance the results. However, its behavior was analyzed only for simulated signals sparse on Fourier domain. The use of this algorithm with real signals was investigated at the present work. Thus, some modifications were made in order to get better results in the new specific scenario. As a case study, electrocardiography signals was chosen. Firstly, sparsifying transforms for the new class of signals were studied. Daubechies 4 transform and one defined by Principal Component Analysis was evaluated, besides the Fourier domain. Partial results enabled us to propose: (i) iterative update of model covariance matrix and (ii) a new method to estimate the support. The reconstructions showed 15, 6 𝑑𝐵 as average signal to noise ratio, however the best situations achieved values close to 40 𝑑𝐵.A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar meu trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.info:eu-repo/semantics/openAccessFiltro de KalmanEletrocardiografiaProcessamento de sinaisReconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografiainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis2020-07-20T14:27:44Z2020-07-20T14:27:44Z2019-12-12porreponame:Biblioteca Digital de Monografias da UnBinstname:Universidade de Brasília (UnB)instacron:UNBLICENSElicense.txtlicense.txttext/plain1817http://bdm.unb.br/xmlui/bitstream/10483/24367/2/license.txt21554873e56ad8ddc69c092699b98f95MD52ORIGINAL2019_GabrielLuisDeAraujoFreitas_tcc.pdf2019_GabrielLuisDeAraujoFreitas_tcc.pdfapplication/pdf2905598http://bdm.unb.br/xmlui/bitstream/10483/24367/1/2019_GabrielLuisDeAraujoFreitas_tcc.pdf0560344100c5a80237831729c556a098MD5110483/243672020-07-20 11:27:44.742oai:bdm.unb.br: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Biblioteca Digital de Monografiahttps://bdm.unb.br/PUBhttp://bdm.unb.br/oai/requestbdm@bce.unb.br||patricia@bce.unb.bropendoar:115712020-07-20T14:27:44Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
title Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
spellingShingle Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
Freitas, Gabriel Luis de Araújo e
Filtro de Kalman
Eletrocardiografia
Processamento de sinais
title_short Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
title_full Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
title_fullStr Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
title_full_unstemmed Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
title_sort Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia
author Freitas, Gabriel Luis de Araújo e
author_facet Freitas, Gabriel Luis de Araújo e
author_role author
dc.contributor.advisorco.none.fl_str_mv Menegaz, Henrique Marra Taira
dc.contributor.author.fl_str_mv Freitas, Gabriel Luis de Araújo e
dc.contributor.advisor1.fl_str_mv Mendes, Cristiano Jacques Miosso Rodrigues
contributor_str_mv Mendes, Cristiano Jacques Miosso Rodrigues
dc.subject.keyword.pt_BR.fl_str_mv Filtro de Kalman
Eletrocardiografia
Processamento de sinais
topic Filtro de Kalman
Eletrocardiografia
Processamento de sinais
description Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2019.
publishDate 2019
dc.date.submitted.none.fl_str_mv 2019-12-12
dc.date.accessioned.fl_str_mv 2020-07-20T14:27:44Z
dc.date.available.fl_str_mv 2020-07-20T14:27:44Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv FREITAS, Gabriel Luis de Araújo e. Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia. 2019. 56 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2019.
dc.identifier.uri.fl_str_mv https://bdm.unb.br/handle/10483/24367
identifier_str_mv FREITAS, Gabriel Luis de Araújo e. Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia. 2019. 56 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2019.
url https://bdm.unb.br/handle/10483/24367
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Monografias da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Biblioteca Digital de Monografias da UnB
collection Biblioteca Digital de Monografias da UnB
bitstream.url.fl_str_mv http://bdm.unb.br/xmlui/bitstream/10483/24367/2/license.txt
http://bdm.unb.br/xmlui/bitstream/10483/24367/1/2019_GabrielLuisDeAraujoFreitas_tcc.pdf
bitstream.checksum.fl_str_mv 21554873e56ad8ddc69c092699b98f95
0560344100c5a80237831729c556a098
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv bdm@bce.unb.br||patricia@bce.unb.br
_version_ 1801493119920766976

Registros relacionados