Onset detection of pulse-shaped bioelectrical signals using linear state space models
Lade...
Autor:innen
Autor:in (Körperschaft)
Publikationsdatum
02.09.2022
Typ der Arbeit
Studiengang
Typ
01A - Beitrag in wissenschaftlicher Zeitschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Current Directions in Biomedical Engineering
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
8
Ausgabe / Nummer
2
Seiten / Dauer
101-104
Patentnummer
Verlag / Herausgebende Institution
De Gruyter
Verlagsort / Veranstaltungsort
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
Bioelectrical signals are often pulse-shaped with superimposed interference signals. In this context, accurate identification of features such as pulse onsets, peaks, amplitudes, and duration is a frequent problem. In this paper, we present a versatile method of rather low computational complexity to robustly identify such features in real-world signals. For that, we take use of two straight-line models fit to the observations by minimizing a quadratic cost term, and then identify desired features by tweaked likelihood measures. To demonstrate the idea and facilitate access to the method, we provide examples from the field of cardiology.
Schlagwörter
Linear state space models, Recursive least squares, Likelihood, Feature extraction, Onset detection, Ecg waves
Fachgebiet (DDC)
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
2364-5504
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Gold
Lizenz
Zitation
Waldmann, F., Baeriswyl, C., Andonie, R., & Wildhaber, R. (2022). Onset detection of pulse-shaped bioelectrical signals using linear state space models. Current Directions in Biomedical Engineering, 8(2), 101–104. https://doi.org/10.1515/cdbme-2022-1027