مقاله تجزیه ‌و تحلیل سیگنال نوار قلب : مروری بر ادبیات

بخشی از مقاله

چکيده

در دنيای امروزه با توجه به افزايش مرگوميرهای اخير به علت بيماریهاای قلبای، بررسای و تحليا سايگنا های قلا اهميات زياادی پيداکرده است. سيگنا الکتريکی فعاليت قل  يا نوار قل  ، سيگنا  الکتريکی توليدشاده توسا  علالهی قلا کاه در او يا چرخاهی قلبی انجامگرفته است را لب  میکند. برای تشخيص ناهنجاریهاا از ناوار قلا   الکتروکاارديوگرام - استفادهشاده اسات. در حاا حالار بررسی تجزيه و تحلي سيگنا  ECG مبتنی بر پردازش تصوير کام و جامع وجود نادارد، حتای برخای از بررسایها کاه در ايا زميناه انجامشده است يا بر اساس استخراجگرويژگی و يا بر اساس بقهبندیها باوده اسات.

در ايا مقالاه سايگنا های الکتروکاارديوگرام بار اساااس دو گااروه اسااتخراجگرويژگی و روشهااای  بقهبناادی همزمااامقايسااه و از زاويااهی ديگااری اياا مولااو  بررسیشااده اساات و
پااارامتر دقاات بااهعنوا  معياااری باارای ساانجش کيفياات در نظاار گرفتهشااده اساات. هااد ايا مقالااه م العااهی تجرباای کارهااای انجامشااده درزمينهی تحلي  نوار قل  است تا درنهايت راه را برای تحقيقات آينده ديگر محققا هموار کند.                

كلمات كليدي تجزيهی سيگنا  الکتروکارديوگرام، نوار قل  ، استخراجگرويژگی،

مقدمه

تصویربرداری پزشکی برای تشخیص بیماریها از سالهای اخیر مورداستفاده قرارگرفته است. برای هر اندام یا بافت بدن روشهای مختلف ثبت تصویر وجود دارد که برای ثبت سیگنالهای قلب از نوار قلب - الکتروکاردیوگرام - استفادهشده است. سیگنال الکتریکی فعالیت قلب، نوار قلب یا الکتروکاردیوگرام نامیده میشود. ضبط سیگنال الکتریکی تولیدشده توسط عضله قلب، در طول یک چرخهی قلبی انجام میگیرد.

نوار قلب، فعالیت الکتریکی قلب را ثبت میکند. همانطور که در شکل 1 نشان دادهشده است هر سیگنال قلب نشاندهندهی یک سری از امواج الکتریکی با قلهها و درهها هست. هر الکتروکاردیوگرام دو نوع اطلاعات به ما میدهد: - 1 مدتزمان عبور موج الکتریکی از قلب که نشان میدهد آیا فعالیت الکتریکی قلب طبیعی، کند و یا نامنظم است. - 2 مقدار عبوری فعالیت الکتریکی از طریق عضله قلب که بیانکننده این است آیا بخشهایی از قلب بیشازحد بزرگ یا پرکار نباشند .

بهبود تجزیه و تحلیل نوار قلب که بخشی از سیگنالهای پردازش زیستی است توسط بسیاری از محققان از گذشته موردمطالعه قرارگرفته است و ایدهی اصلی این است که روشهای تحلیلی میزان دقت را در طبقهبندی بیماریها افزایش و بقهبندی تعداد بیماریهای بیشتری را بتوانند از روی نوار قلب تشخیص دهند.

مقالهی حاضر سیگنال قلب را برای تشخیص نوار قلب نرمال از غیر نرمال و همچنین تشخیص بیماریها به کمک شناسایی قلها و درّههای غیرطبیعی در شکل موجها مطالعه و بررسی میکند. گاهی سیگنالهای الکتروکاردیوگرام دارای نویز هستند و باید نویز آنها را با روشهای مربوطه قبل از استخراج ویژگی از بین برد. بهبود تجزیهوتحلیل نوار قلب که بخشی از سیگنالهای پردازش زیستی است برای به دست آوردن طبقهبندی بیماریهای قلبی توسط بسیاری از محققان انجامگرفته است. ایدهی اصلی روشهای تحلیلی، افزایش در میزان دقت طبقهبندی و استخراج ویژگی است. دقت یک هدف اصلی و مهم است و باید به آن توجه شود.

سیگنال الکتروکاردیوگرام- استخراجگر ويژگی

با تجزیهی سیگنال نوار قلب به فرکانسهای مختلف مجموعهای از ویژگیهای آماری استخراج میشود. محققان در سراسر جهان در حال آزمایش سیگنالهای الکتروکاردیوگرام و HRV1 هستند تا تغییرات در آنها را بررسی کنند و با محاسبهی فاصلهی بین قلهها و درهها بیماریهای مختلف را تشخیص دهند. به پردازش و تجزیهوتحلیل نوار قلب برای دستیابی به جزئیات مربوط به آن نیاز داریم. در این مقاله، مروری بر مطالعات قبلی در استخراج ویژگی سیگنال قلب است. پس از مرحلهی پیشپردازش و حذف نویز در سیگنال نوار قلب باید ویژگیهای موردنیاز سیگنال را تشخیص داده و کوچکترین مجموعه از ویژگیها را پیدا و استخراج کرد.

همکاران در، تشخیص و طبقهبندی نوار قلب با شدت اختلالات در ارتباط است. هر ناهنجاری در شکل موج و مدتزمان آن بهعنوان آریتمی در نظر گرفته میشود. در این مقاله یک سیستم تشخیصی طبقهبندی آریتمی از دادههای الکتروکاردیوگرام با استفاده از مدل ترکیبی انجامگرفته ست. الکتروکاردیوگرام یک سیگنال پزشکی است که در سیستم تشخیص برای شناسایی فعالیت غیرطبیعی قلب مورداستفاده قرار میگیرد.

سیگنال الکتروکاردیوگرام مسئول نظارت بر حالت قلب و تشخیص ناهنجاریها است که این عبور موج که توسط عضلات قلب در رپلاریزاسیون و دپلاریزاسیون سرخرگها و بطنها تولید میشوند، ضبط میکنند. پتانسیل موجود در بافت قلب با استفاده از الکترودها اندازهگیری میشود و دادههای اصلی از فواصل بین موجهای QT، ST، PR و مجموعهی QRS به دست میآیند. یک سیستم تشخیص آریتمی از دادههای الکتروکاردیوگرام پیشنهاد دادهاند که بر اساس الگوریتم درخت بسته موجک برای طبقهبندی از ویژگیهای ECG از تجزیهی درخت بسته موجک - WPT2 - به دست میآیند. برای استخراج مجموعهای خطی از ویژگیها - حوزه زمان و فرکانس - از تکنیکهای WPT استفاده کرده است که این روش زمان پردازش کوتاهی دارد و از دقت و صحت خوبی برخوردار است؛ اما استفاده از سیستم با دقت بالاتر میتواند کارآمدتر و قابلاعتمادتر باشد.

همکاران در، کاردیومیوپاتی هیپرتروفیک - HCM3 - یک بیماری قلب و عروق است بیماری که در آن عضلهی قلب تا حدی ضخیم میشود و جریان خون مسدود میشود. بر اساس کاردیوگرام ECG که فعالیت الکتریکی قلب را ثبت میکند میتواند به تشخیص زودرس بیماران HCM کمک کرد. با استفاده از روش  و با کمک فواصل بین موجهای QRS و موج R، ویژگیهای زمانی و ویژگیهای مورفولوژیکی استخراجشده است.

شناسایی بیماران HCM از سیگنال الکتروکاردیوگرام را بهصورت خودکار تنظیم کردند و از استخراجگر ویژگی برای تشخیص شکل موج استفاده کردهاند که ابزاری برای تشخیص شکل موج فردی از ضربان قلب روی بیماران HCM و ICD4 هست. اگرچه در این مطالعه، بیماران HCM بهسادگی از روی ضربان قلب هر فرد طبقهبندی شدهاند اما در آینده میتوان با تجزیهوتحلیل ECG و تمرکز روی مدلسازی دنبالهای از ضربان قلب با استفاده از روشهای یادگیری ماشین پیشرفته بهدقت بالاتری رسید.

همکاران در، هدف اصلی از این کار پیشنهاد روشهای مبتنی بر تبدیل موجک کارآمد برای حذف حرکت و آثار مکشوفه از سیگنال الکتروکاردیوگرام برای غلبه بر کاستیهای روشهای قبلی است که از دو روش مختلف بر اساس تبدیل موجک به حذف مصنوعات حرکت از سیگنال نوار قلب پرداختهاند. روش اول بر اساس تبدیل موجک در آستانه غیرخطی است این الگوریتم قادر به از بین بردن آثار مخرب الکتروکاردیوگرام هست تا هشت سطح ادامه مییابد که ضرایب موجک در فرکانسهای پایین در یک فرآیند غیرخطی آستانه قرارگرفتهاند که آستانه از پیش تعیینشده است .

اگر قدر مطلق ضرایب بزرگتر از آستانه بودن به سمت صفر میل میکنند و پس از آن تبدیل موجک اجراشده برای به دست آوردن سیگنال نوار قلب بدون نویز که بر روی خط است و بر روی دادههای کانال به کار گرفته میشود و قادر به حذف اجزا با فرکانس پایین است. روش دوم یک روش ترکیبی تبدیل موجک و ICA5 است که بهصورت خودکار مصنوعات سیگنال را حذف میکند، یک روش آماری بر اساس واریانس برای پیدا کردن اجزا ICA مورداستفاده قرارگرفته است، به چند کانال نیاز ندارد و عملکرد این روش از تبدیل موجک بهتر است. مشکل این روش زمان غیرخطی آن است که پیچیدگی زمانی بالایی دارد.

همکارش در، سیگنالهای الکتروکاردیوگرام گرفته شده از نرمافزارها به علت ناهمگن بودن دارای نویز هستند بنابراین محاسبات دقیق قبل از پردازش برای حذف نویز و استخراج ویژگی از الکتروکاردیوگرام نیاز است. این مقاله یک روش تشخیص مؤثر برای بیماریهای قلبی طراحی کرده است. از آن جایی که استخراج ویژگی با عملکرد بالا برای طبقهبندی دقیق ضربان قلب موردنیاز است از مدل خود کاهشی - AR6 - برای استخراج ویژگی استفادهشده است. علاوه بر این از روشهای یادگیری ماشین مختلف نیز در این مقاله استفادهشده است.

همکاران در، نوار قلب بهطور گستردهای بهعنوان یک ابزار توسط متخصص قلب برای تعیین ناهنجاریهای قلب انسان استفاده میشود. یک پزشک متخصص قادر به تشخیص اختلالات قلب با توجه به ماهیت ثابت سیگنالهای الکتروکاردیوگرام میشود. تفسیر سیگنال الکتروکاردیوگرام مبتنی بر شکل مورفولوژیکی آن و پارامترهای دیگر مانند فاصلهی RR، فاصلهی PP و فاصلهی .QT وظیفهی نوار قلب تعیین نقاط اتکایی و محاسبهی پارامتر است که در این مقاله تکنیکهایی برای تجزیهوتحلیل ضربان الکتروکاردیوگرام، انقباض زودرس، ضربان بطن و غیره با استفاده از تبدیل موجک انجام میگیرد. از مجموعه ویژگیهایی که از روش DTCWT به دست میآید، استفاده میکنند که آن ویژگیها توان AC، کشیدگی، چولگی و نسبت فاصله RR هستند.

DTCWT7 را تا سطح چهارم و پنجم برای استخراج ویژگیهای موردنیاز ادامه دادهاند که به یک دقت بالا و قابل قبولی رسیدهاند. میتوان برای افزایش دقت از انواع روشهای یادگیری ماشین نیز استفاده کرد.همکاران در، تشخیص و درمان ناهنجاریها به یک موضوع اصلی درزمینهی مراقبتهای قلبی و در حوزهی پردازش اطلاعات سیگنال و تصویر تبدیلشده است. این مقاله ترکیبی از دو الگوریتم برای استخراج ویژگیهای تصویر که نام مستعار آن هار است استفاده میکنند.

الگوریتم قادر به تشخیص اختلالات قلبی مثل تاکیکاردی و برادیکاردی و غیره است. یک سیستم طبقهبندی نوار قلب را با کمک یکی از الگوریتمهای قدرتمند پردازش تصویر و هوش مصنوعی - - Like - Haar طراحی کردهاند. برای سرعت بخشیدن و تسهیل محاسبات و جداسازی تصاویر از ویژگیهای بهدستآمده از تبدیل موجک Haar استفاده میشود. خصوصیت Haar استحکام و سرعت بالای آن است. این روش الکتروکاردیوگرام طبیعی را از غیرطبیعی تشخیص میدهد میتوان با استفاده از روشهای تکاملیافتهتر، تاکیکاردی و برادیکاردی را نیز تشخیص داد.

همکاران در، بیماری عروق کرونر - CAD - باعث حداکثر مرگومیر در میان تمام اختلالات قلبی میشود. حفاظت اولیهی CAD میتواند زندگی بسیاری از انسانها را نجات دهد بنابراین یک روش جدید که قادر به تشخیص CAD با استفاده از ضربان قلب - سیگنال - HRV هست بهکاربرده شده است. تجزیهوتحلیل سیگنالها به زیرباندها با استفاده از روش انعطافپذیر تبدیل موجک - FAWT8 - مطرحشده است.

مقالهی حاضر بهمنظور توسعهی یک روش غیرتهاجمی خودکار تشخیص CAD با استفاده از سیگنال HRV چاپ شده است که برای تحلیل HRV از FAWT استفاده و سیگنال را تجزیهی میکند. سیگنالهای HR تا سطح سوم با استفاده از FAWT تجزیه میشوند که یک سیستم قوی و قابلاعتماد ایجاد میکنند. در آینده میتوان با استفاده از توابع هسته، CAD را بسیار سریعتر و دقیقتر تشخیص داد.

همکاران در ، تبدیل موجک یک نمایندگی خوب برای تجزیهی سیگنال ECG است که شامل سه پارامتر مهم موقعیت، مقیاس و فرکانس است. تبدیل موجک یک روش بسیار جذاب برای تجزیهوتحلیل آریتمیها است بهخصوص هنگامیکه در برخورد با آریتمی یک تغییر فرکانس داریم. واقعیت این است که سیگنال میتواند به زیرسیگنال تجزیه شود و فرکانسها در یک فاصلهی فرکانسی آریتمی میتواند در یک شیداده مفید واقع شود. این مقالهها همگی از روش تجزیهی موجک گسسته برای استخراج ویژگی استفاده کردهاند که یک روش رایج با عملکرد خوب و بازدهی بالا است.

بقهبندی

روشهای مختلفی برای طبقهبندی وجود دارد، برخی از محققان تلاش کردهاند سطح تشخیص دقت را به حداکثر برسانند. عملکرد یک سیستم تحلیل الکتروکاردیوگرام بهصورت خودکار به روش طبقهبندی بستگی دارد. در هر مقاله روشهای مختلف طبقهبندی بهکاربرده شده است. هدف دست یافتن به یک روش دقیق برای تشخیص درست است.

همکارش در ، بسته به نوع کاربرد منطقهی جهانی، شناخت آرتیمی را میتوان به دو مرحله تقسیم کرد: تشخیص آریتمی و تأیید آن، تشخیص که همان استخراج ویژگی است و در تأیید تصمیم میگیرد که نمونهی نوار قلب بیماری را درست تشخیص داده است یا درست تشخیص نداده است که در این مقاله سه تابع تأیید استفادهشده است، روش پیشنهادی خود را WAFE نامیدند، یک روش طبقهبندی جدیدی است که توسط سه تابع تأیید معرفی میشود. روش ارائهشده گام مهمی در دستیابی به یک سیستم تشخیص خودکار دقیق در عدم وجود متخصص قلب و عدم نیاز به الگوریتمهای ژنتیک و یا شبکه عصبی برداشته است.

همکارش در، در این مطالعه، ما یک سیستم خودکار برای طبقهبندی سیگنال ضربان قلب الکتروکاردیوگرام پیشنهاد کردیم. سیستم قادر به طبقهبندی پنج نوع شایع آریتمی است. ویژگیهای استخراج شده را با روشهای طبقهبندی درخت تصمیم: طبقهبندی و درخت رگرسیون - سبد خرید، - - CART - و درخت تصادفی و روش MSPCA9 طبقهبندی کردهاند. هدف آنها پیشنهاد یک سیستم خودکار برای طبقهبندی سیگنالهای ضربان قلب بود و این روش ازنظر کارایی و اثربخشی در مقایسه با نتایج مطالعات دیگر کارآمدتر و سادهتر است. برای نشان دادن کارایی اثربخشی سیستم پیشنهادی مقایسهی عملکرد آن با نتایج دیگر عملکردها به نتایج قابلقبول و بهتری رسیده است.

همکاران در، الگوریتم زمان توسعه را میتوان برای یک سیستم خبره برای تشخیص CAD بهطور خودکار با استفاده از ضربان قلب سیگنال HR توسعه داد و قابلاستفاده در بیمارستانها، درمانگاهها و همچنین برای غربالگری جامعه برای کمک به متخصصان قلب در تشخیص استفاده میشود. این مقاله روشهای طبقهبندی knn، برآوردگر آنتروپی و آنتروپی فازی که قادر به ضبط پویای سیگنال غیرخطی نرخ ضربان قلب هستند، استفاده کردهاند. برای بهینهسازی عملکرد طبقهبندی، بالاترین عملکرد با برخورداری از چهار پارامتر اولیه، رتبهبندی آنتروپی تشخیص داده شد. از این سیستم میتوان برای تشخیص بیماریهای دیگری مثل صرع، اوتیسم و سکته مغزی هم استفاده کرد. برای بالا رفتن دقت میتوان توابع هسته را به کاربرد.