Filtering and Wavelet Regression Methods with Application to Exercise ECG

Sammanfattning: Popular Abstract in Swedish Signalen som registreras under ett arbets EKG prov kan innehålla viktig information rörande hjärtats kondition. De störningar som ofta uppträder i signalen kan dock försvåra en korrekt diagnos. I avhandlingens första del används tidsserie modeller för att skatta profilen, den del av signalen som härrör från hjärtats elektriska aktivitet. Målet med dessa metoder är att dela upp signalen i huvudsakligen två komponenter, profil och störningar. Modellerna skattas på tre riktiga EKG signaler. I ett fall tycks signal uppdelningen fungera. Men för högre samplingsfrekvenser (500 Hz) får den skattade modellen dock problem med att separera signalen. De skattade modellerna utvärderas via traditionella metoder från tidsserie området. En utvärdering i klinisk miljö återstår dock att göra. I avhandlingens andra del presenteras wavelets, en teknik för att dela upp en signal eller funktion i komponenter där upplösningen i tids och frekvens planet varierar. Två metoder för att skatta kurvor eller signaler störda av brus utvecklas och studeras i simuleringar. Den första metoden är baserad på en utvidgning av Haar waveleten. Den andra metoden som till viss del är robust, dvs skattningen påverkas inte alltför mycket av enstaka stora avvikande värden, baseras på rekursiv subtraktion av medianen. Metoderna testas bland annat på simulerade EKG signaler. Fördelarna med dessa metoder är att de är snabba och adaptiva. Nackdelar är att de måste justeras för att ge skattningar med lägre varians, dvs jämnare skattningar.