Title
Poprawa możliwości ekstrakcji cech sygnału fotopletyzmograficznego z użyciem zaawansowanych technik dekompozycji sygnału
Authors
Title variant
EN Improving photoplethysmography signal feature extraction using advanced signal decomposition techniques
Year of publication
2025
Chapter type
chapter in monograph / paper
Publication language
polish
Abstract
PL Celem pracy było przeanalizowanie możliwości użycia metod inteligentnego przetwarzania sygnału PPG na potrzeby udoskonalenia ekstrakcji parametrów życiowych człowieka takich jak HR (ang. Heart Rate) i RR (ang. Respiratory Rate) z sygnału PPG (ang. Photoplethysmography). Wykorzystanie poszczególnych metod dekompozycji o określonych parametrach w dziedzinie fizjologii zezwala na autonomiczną pracę układów gwarantując otrzymanie precyzyjnego wyniku nawet w przypadku występowania zakłóceń sygnału. Kluczowym etapem w estymacji HR i RR pozostaje segmentacja sygnału, dlatego poniższy artykuł skupia się na prezentacji wybranych metod realizujących przetwarzanie sygnału PPG. Na podstawie wymienionych metod dekompozycji - EWT (ang. Empirical Wavelet Transform), EEWT (ang. Enhanced Empirical Wavelet Transform), EFD (ang. Empirical Fourier Decomposition), VMD (ang. Variational Mode Decomposition), EMD (ang. Empirical Mode Decomposition) - opracowano algorytm w środowisku Python służący do ekstrakcji cech sygnału PPG. Jako obiekt badań obrano dwa zbiory danych charakteryzujące się różną metodą akwizycji oraz warunkami rejestracji. Artykuł kończy podsumowanie, w którym wskazano najskuteczniejszą metodę dekompozycji na podstawie przyjętych kryteriów oceny.
EN The aim of this study was to analyze the potential of using smart signal processing methods to improve extraction of human vital signs, such as heart rate (HR) and respiratory rate (RR), from the PPG (Photoplethysmography) signal. The use of selected decomposition methods with defined parameters in a physiological context enables autonomous system operation while ensuring accurate results, even in the presence of signal disturbances. Since signal segmentation remains a crucial step in the estimation of HR and RR, this article focuses on presenting selected methods of PPG signal processing. Based on the decomposition techniques – EWT (Empirical Wavelet Transform), EEWT (Enhanced Empirical Wavelet Transform), EFD (Empirical Fourier Decomposition), VMD (Variational Mode Decomposition), EMD (Empirical Mode Decomposition) - an algorithm was developed in Python to extract relevant features from the PPG signal. The study was conducted using two data sets, each characterized by different acquisition methods and recording conditions. The article concludes with a summary, identifying the most effective decomposition method based on the defined evaluation criteria.
Date of online publication
22.09.2025
Pages (from - to)
211 - 235
License type
CC BY-SA (attribution - share alike)
Open Access Mode
open repository
Open Access Text Version
final published version
Release date
22.09.2025
Full text of chapter
Access level to full text
public
Ministry points / chapter
20
System created by Poznań University of Technology
and Poznan Supercomputing and Networking Center
Log in through eKonto to add to SIS