5-1 結論
對於遠距醫療模式在心電圖量測作業上可能造成的問題，本研究目前已 有良好的方法應對。
在電力線干擾的處理上，由於遠距醫療模式的發展，使得資料來源可能 會遍及世界各地，進而形成干擾頻率的不確定性。而本研究基於 Goertzel 演 算法，提出短時 Goertzel 演算法來處理這項問題。短時 Goertzel 演算法的優 點在於可以控制頻率解析度，因此相對於原本 Goertzel 演算法受限於資料長 度影響的缺點，短時 Goertzel 演算法會是處理此問題的好方法。
至於電極接觸雜訊的影響，是因為在遠距醫療的模式下，通常設備操作 者會是使用者本身，而通常使用者並不備有專業的操作知識，所以資料受到 電極接觸雜訊干擾的機會就會更大。而且電極接觸雜訊屬於嚴重的干擾，若 沒有適當的處理，很容易使得後續的特徵偵測演算法失效。因此，本研究利 用粗粒化的方法，配合適當的閥值找出分析的切入點，再將這些結果供給後 續的特徵偵測演算法使用。如此一來，就能確保特徵偵測演算法不受電極接 觸雜訊影響，而且又不會因為額外的濾波處理造成訊號失真。
而關於 QRS 波群偵測，本研究的實作則是改良自 Hooman Sedghamiz 所 著的版本，配合 2-2 節的電極接觸雜訊流程進行偵測，並利用 k-means 分群 演算法來處理無法被 Pan-Tompkins 演算法辨識出的錯誤 R 波。
最後對於 P、T 波的處理，本研究除了修正 Elgendi 演算法中部分的問 題，還加上了以振幅為依據的檢驗流程，以補足 Elgendi 演算法原先只以 BOI 位置的資訊來處理的缺陷。雖然如此，此改良的演算法對於心房顫動、倒置
5-2 本研究之具體貢獻
本研究除了提出一些新的方法來處理在遠距醫療模式下可能會遇到的 問題，也分別對研究中使用的特徵偵測演算法提出改良的流程或檢驗程序，
以下將以條列式的陳述本研究的貢獻：
1. 以 Goertzel 演算法與短時傅立葉轉換的概念，提出更有效率的短時 Goertzel 演算法來偵測電力線干擾的頻率。
2. 以粗粒化流程與閥值過濾的概念，針對目前關注度較低的電極接觸雜訊，
提出一套有效處理的演算法。
3. 藉由本研究提出的電極接觸雜訊處理演算法，使得 Pan-Tompkins 演算法 與 Elgendi 演算法可以不受電極接觸雜訊影響並正常運作。
4. 以 k-means 演算法找出無法被 Pan-Tompkins 演算法自身辨識出的錯誤 R 波。
5. 提出以振幅為依據的 P、T 波檢驗流程，幫助 Elgendi 演算法辨識出更多 原本無法辨識的異常 RR 區間。
6. 本研究整套的心電圖特徵偵測演算法已被用於 Revlis CMate®的系統，至 目前為止仍在線上運作中。
5-3 未來展望
本研究至目前為止已有些許成果，但是對於部份問題仍然沒有完善的解 決方案，以下將一一說明。
5-3-1 短時 Goertzel 演算法
由於各地電廠的規格差異或其他因素影響，還是可能造成頻率漂移的範
做防範。目前規劃可以嘗試的解法有：
1. 維持解析度為 1Hz，但要分析的頻率改為以目標頻率（50Hz 與 60Hz）
為中心向外擴張選擇多個，最後相互比較。
2. 維持解析度為 1Hz，設定判斷目標頻率為電力線干擾的強度閥值。
分析後，兩個目標頻率其中之一必須大於該強度閥值才認定為偵測 成功，否則便再次降低頻率解析度，並重新分析。
5-3-2 誤判 R 波的處理
目前使用 k-means 分群演算法僅能將 R 波分類為正常與不正常兩類，在 不正常的類別中無法進一步的區分是受何種干擾影響而造成的。若要更精準 的分辨不正常標記為何，最好還是配合其他特徵來檢測。
以 VPC 為例，雖然使用 k-means 分群演算法可以將其與正常 R 波分離，
但還可以再利用 RR 區間的變化來檢驗其是否真的是 VPC。
5-3-3 P、T 波檢驗
本研究於 3-2-2 節提出的檢驗流程還不夠完善。雖然 kRPT是相對數值的 比例，但是用來檢驗 kRPT是否過小的閥值──0.1 只是目前的實驗數據，因 此適用性仍然不夠。未來仍須思考其他方法來加強或取代這項檢驗流程。
參考文獻
[1] J. Malmivo and R. Plonsey, “Bioelectromagnetism,” [Online], Available:
http://www.bem.fi/book/.
[2] “Physionet – Physiobank ATM,” [Online], Available: http://www.physionet.
org/cgi-bin/atm/ATM.
[3] M. Blanco-Velasco, B. Weng, and K.E. Barner, “ECG signal denoising and baseline wander correction based on the empirical mode decomposition,”
Computers in Biology and Medicine, 2008.
[4] A.K. Ziarani and A. Konrad, “A nonlinear adaptive method of elimination of power line interference in ECG signals,” IEEE Transactions on Biomedical Engineering, vol. 49, no. 6, pp. 540-547, 2002.
[5] D.A. Tong, K.A. Bartels, and K.S. Honeyager, “Adaptive reduction of motion artifact in the electrocardiogram,” Engineering in Medicine and Biology, vol.
2, pp. 1403-2, 2002.
[6] J.S. Paul, M.R. Reddy, and V.J. Kumar, “A transform domain SVD filter for suppression of muscle noise artefacts in exercise ECG’s,” IEEE Transaction on Biomedical Engineering, vol. 47, no. 5, pp. 654-663, 2002.
[7] F.S. Tyner and J.R. Knott, “Fundamental of EEG Technology: Basic concepts and methods,” Lippincott Williams & Wilkins, vol. 1, pp. 108, 1983.
[8] P.S. Hamilton, “A comparison of Adaptive and Nonadaptive Filters for Reduction of Power Line Interference in the ECG,” IEEE Transaction on Biomedical Engineering, vol. 43, pp. 105-109, 1996.
[9] C. Levkov, G. Mihov, R. Ivanov, I. Daskalov, I. Christov, and I. Dotsinsky,
subtraction procedure,” BioMedical Eng. Online, 2005.
[10] M. Fernández and R. Pallás-Areny, “Electrode contact noise in surface biopotential measurements,” Engineering in Medicine and Biology Society, vol. 1, pp. 123-124, 1992.
[11] E. Huigen, “Noise in biopotential recording using surface electrodes,” Delft Technical University, MSc thesis, 2000.
[12] J. Pan and W.J. Tompkins, “A real-time QRS detection algorithm,” IEEE Transaction on Biomedical Engineering, vol. BME-32, no. 3, pp. 230-236, 1985.
[13] H.A.N. Dinh, D.K. Kumar, N.D. Pah, and P. Burton, “Wavelets for QRS detection,” Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE. Vol. 2. IEEE, 2001.
[14] “Daubechies 3 wavelet,” [Online]. Available: http://wavelets.pybytes.com/
wavelet/db3/.
[15] S.S. Mehta and N.S. Lingayat, “Detection of P and T-waves in Electrocardiogram,” World Congress on Engineering and Computer Science, vol. 4, pp. 978-984, 2008.
[16] C. Lin, C. Mailhes, and J.Y. Tourneret, “P- and T-Wave delineation in ECG signals using a Bayesian approach and a partially collapsed Gibbs sampler,”
IEEE transcation on Biomedical engineering, vol. 57, pp. 2840-2849, 2010.
[17] D.G. Manolokis and V.K. Ingle, “Applied Digital Signal Processing,”
Cambridge University Press, ch. 8, pp.460, 2011.
[18] “Discrete-time Signal Processing – Lecture 20: The Goertzel Algorithm and the Chirp Transform,” [Online]. Available: http://ocw.mit.edu/courses/
electrical-engineering-and-computer-science/6-341-discrete-time-signal-processing-fall-2005/lecture-notes/lec20.pdf. Accessed: Mar. 18, 2016.
[19] C. Zhao, U. Topcu, and S.H. Low, “Frequency-based load control in power systems,” 2012 American Control Conference (ACC), IEEE, pp. 4423-4430, 2012.
[20] “Electricity transmission operational data,” 2015. [Online]. Available:
http://www2.nationalgrid.com/uk/Industry-information/electricity-transmission-operational-data/. Accessed: May 1, 2016.
[21] R.S. Khandpur, “Patient Monitoring Systems,” Handbook of Biomedical Instrumentation, 2nd ed. Tata McGraw-Hill Education, 2003, ch. 6, pp. 190.
[22] L.D. Liao, Y.H. Chen, C.P. Chao, C.T. Lin, A. Sun, S.C. Chen, and M.H.
Chung, “Biosensor and electrode structure thereof,” Patent US20110074396, 2011.
[23] Y.M. Chi, T.P. Jung, and G. Cauwenberghs, “Dry-contact and noncontact biopotential electrodes: Methodological review,” IEEE Reviews in Biomedical Engineering, vol. 3, pp. 106-119, 2010.
[24] I. Amidror, “The theory of the Moiré phenomenon: Volume I: Periodic layers,”
Springer Science & Business Media, 2009
[25] S.D. Wu, C.W. Wu, S.G. Lin, C.C. Wan, and K.Y. Lee, “Feature extraction for bearing fault diagnosis using composite multiscale entropy,” Advanced Intelligent Mechatronics (AIM), 2013 IEEE/ASME International Conference on. IEEE, 2013.
[26] V.X. Afonso, “ECG QRS Detection,” Biomedical Digital Signal Processing.
Englewood Cliffs, NJ: Prentice-Hall, 1993. [Online]. Available:
http://www.ejwoo.com/uploads/2/5/4/0/25400517/ecg_qrs_detection.pdf
[Online]. Available: http://www.mathworks.com/matlabcentral/
fileexchange/45840-complete-pan-tompkins-implementation-ecg-qrs-detector. Accessed: Feb. 4, 2015.
[28] B. Surawicz, R. Childers, B. J. Deal, and L. S. Gettes, “AHA/ACCF/HRS recommendations for the Standardization and interpretation of the electrocardiogram,” Circulation, vol. 119, no. 10, pp. 235–240, 2009.
[29] R.G. Hiss, Capt. USAF, and L.E. Lamb, “Electrocardiographic Findings in 122,043 Individuals,” Circulation, vol. 25, no. 6, pp. 947-961, 1962.
[30] J.A. Hartigan and M.A. Wong, “A K-Means Clustering Algorithm,” Journal of the Royal Statistical Society, Applied Statistics, vol. 28, no. 1, pp. 100-108, 1979.
[31] D.J.C. MacKay, “Information Theory, Inference and Learning Algorithms,”
Cambridge University Press, pp. 284-292, 2003. ISBN 0-521-64298-1.
[32] M. Elgendi, “P and T waves annotations and detection in MIT-BIH arrhythmia database,” rxiv.org, 2014. [Online]. Available: http://www.rxiv.org/
pdf/1301.0056v1.pdf.