期刊名称:Intelligent Systems in Electrical Engineering
印刷版ISSN:2251-6530
电子版ISSN:2252-083X
出版年度:2013
卷号:3
期号:4
页码:15-26
语种:Persian
摘要:مرگ ناگهانی قلبی (SCD) همه ساله جان ميليونها انسان را میگيرد . با استفاده از تجهيزات پزشکی از قبيل ديفيبريلاتور می توان تعداد اين نوع مرگها را کاهش داد، با وجود اين راههای مناسبی برای پيش بينی مرگ ناگهانی قلبی که پزشکان بتوانند از طريق آن تصميمات مناسبی را برای بيماران در معرض خطر بگيرند، وجود ندارد. در اين مقاله با استفاده از پردازش سيگنال الکتروکارديوگرام مرگ ناگهانی قلبی پيش بينی شده است. برای اين کار پس از استخراج سيگنال HRV از سيگنال ECG به استخراج ويژگیهای خطی، زمان – فرکانس و غير خطی پرداخته شده است. در مرحله بعد، بهترين ويژگیهای ترکيبی منتجه برای ايجاد بيشترين تمايز بين دو کلاس را انتخاب کرده، سپس با اعمال PCA به بردار ويژگی ترکيبی، ابعاد ويژگی کاهش يافته و در نهايت، از طريق شبکه عصبی MLP افراد سالم و افراد ريسک پذير، دسته بندی میشوند .به منظور ارزيابی توانمندی هر يک از روشهای تحليلی در تفکيک افراد، آنها را به صورت مجزا و ترکيبی با هم مقايسه کرده ايم .نتايج به دست آمده نشان میدهند که در سيگنال HRV مربوط به افراد ريسک پذير، در نزديکی وقوع SCD ويژگی هائی وجود دارد که آنها را کاملا از افراد سالم متمايز می کند. روش بردار ترکيبی از توانايی بمراتب بيشتری برای آشکار کردن اين اختلاف برخوردار است. در نهايت صحت تفکيک پذيری برای دقايق اول، دوم ،سوم و چهارم قبل از واقعه به ترتيب 99.43%؛ 97.86% ؛ 90.49% ؛73.35 % است که نسبت به کارهای قبلی انجام شده از صحت بمراتب بالاتری برخوردار است. از طرفی، نشان داده ايم که از 4 دقيقه قبل از رخ دادن مرگ قلبی، اين افزايش احتمال خطر کاملا مشهود است؛ به طوری که هرچه به وقوع حادثه نزديکترمی شويم، احتمال وقوع نيز افزايش می يابد و اين زمان برای اتخاذ راهکارهايی برای جلوگيری از اين واقعه کافی است.
其他摘要:Despite the significant decline in coronary artery disease (CAD) mortality in the second half of the 20th century, sudden cardiac death (SCD) continues to claim 250 000 to 300 000 US lives annually. Even in the presence of advanced first responder systems for resuscitation of out-of-hospital cardiac arrest, the overall survival rate in a recent North American analysis was 4.6%. If there are existed suitable ways to predict sudden cardiac death, doctors can make better decisions for patients at risk. In this paper, we investigate a way to predict sudden cardiac death. To do this, after the extraction of the HRV signal from ECG signal, some nonlinear and time-frequency features have been extracted from HRV signal. Then, the dimension of the feature space is reduced by applying the feature selection and PCA. Finally, healthy people and people at risk of SCD are classified using an MLP neural network. To evaluate the capabilities of analytical methods in classification, we have compared the classification rates for nonlinear and TF features, separately and in combination. The results show that there are features in the HRV signal of SCD patients just near the occurrence of SCD, which is quite different from normal people. Also, results show that the combination of time-frequency and nonlinear features have a greater ability to detect this difference. It has also been investigated that there are precious information in four minutes before the incident of SCD to predict the death; and this is enough time to save the patient by doctors or medical centers.
关键词:مرگ ناگهانی قلبی ؛ سیگنال الکتروکاردیو گرام ;تغییرات نرخ ضربان قلب ؛ روش زمان- فرکانس
其他关键词:Sudden cardiac death; heart rate variability; time – frequency transform; linear processing; nonlinear processing; ECG signal