بخشی از مقاله
خلاصه
در سال های اخیر و با پیشرفت علم و تکنولوژی استفاده از سیگنال غیر تهاجمی الکتروکاردیوگرام در شناسایی و بررسی حجم گسترده ای از عوارض قلبی کشنده چون ایسکمی و آنفارکتوس میوکارد گسترش یافته است. در سال های گذشته روش های خودکار بسیاری در زمینه ی شناسایی این عوارض ارائه شده اند. اما هم چنان رسیدن به روشی قابل اعتماد به منظور تشخیص این عوارض به صورت چالشی حل نشده باقی مانده است.
در این پژوهش روشی مقاوم به نویز به منظور تشخیص ضربان های سالم سیگنال از دوره های حاوی قطعات ایسکمیک ارائه شده است. این الگوریتم روی پایگاه های داده ST-T جامعه ی قلب و عروق اروپا و ST طولانی مدت پیاده سازی شده و مورد ارزیابی قرار گرفته است. در این پژوهش ابتدا روشی بر اساس تبدیل موجک و فیلتر پایین گذر به جهت حذف نویز و نوسانات خط پایه ارائه شده است.
در ادامه به شناسایی اجزای مولفه ی سیگنال و استخراج سه بردار ویژگی مورفولوژیک و معیار آنتروپی تبدیل موجک بسته ای برای هر سیگنال پرداخته شده است. در انتها با استفاده از دو طبقه بند ماشین یادگیری افراطی و روش تخمین چگالی هسته، ضربان های سالم از دوره های حاوی قطعات ST ایسکمیک تفکیک شده اند.
.1 مقدمه
طبق دست آورد های جدید سازمان بهداشت جهانی، بیماری های قلبی و عروقی از علل اصلی مرگ و میر در جوامع امروزی به شمار می روند که در میان آن ها بیماری عروق کرونر بالاترین سهم مرگ و میر را به خود اختصاص داده است
با پیشرفت علم در زمینه های علوم کامپیوتر، الکترونیک و بهره گیری از تجهیزات پزشکی و کنترلی الکترونیکی، زمینه ی ارزیابی و تشخیص عوارض قلبی با استفاده از سیستم های کامپیوتری فراهم شده است. در نتیجه امروزه بسیاری از محقیقن و دانشمندان به بررسی، تشخیص و درمان عوارض قلبی کشنده با استفاده از روش ها و الگوریتم های خودکار روی آورده اند
بیماری عروق کرونر یا بیماری ایسکمیک قلب در نتیجه ی تنگی عروق و نرسیدن خون کافی به عضله ی قلب ایجاد می شود. با بالا رفتن سن و تشکیل پلاک هایی از جنس کلسترول کلسیم و چربی در سرخرگ های کرونری، عروق تنگ تر شده و با کاهش جریان خون عبوری از آن ها تصلب شرایین یا آترواسکلروزیس پدید می آید
با پیشرفت تنگی عروق جریان خون حاوی اکسیژن و مواد غذایی به عضله ی قلب یا میوکارد کاهش می یابد که در نتیجه ی این فرآیند بخشی از سلول های عضله ی قلب می میرند و ایسکمی میوکارد رخ می دهد .با ادامه ی این روند و آسیب دیدن بخش بزرگتری از سلول های میوست قلب، آنفارکتوس میوکارد و مرگ ناگهانی قلبی رخ می دهد
سیگنال الکتروکاردیوگرام ثبتی از فعالیت الکتریکی قلب است که با استفاده از اتصال الکترود های تماسی به سطح بدن بدست آمده و برای شناسایی و بررسی اختلالات قلب به کار گرفته می شود
هر ضربان قلب در این سیگنال به شکل یک چرخه نمایان می شود که از امواج 3 کمپلکس QRS و موج 7 تشکیل شده است. در هر چرخه از سیگنال الکتریکی قلب موج 3 مرحله ی دپلاریزاسیون دهلیزی را نشان می دهد کمپلکس QRS نشانگر دپلاریزاسیون بطنی و موج 7 نشانگر ریپلاریزاسیون بطنی است
قطعه ی ST در حد فاصل بین نقطه ی پایانی کمپلکس QRS و شروع موج 7 واقع شده است. مدت زمان این قطعه 120-80 میلی ثانیه است. نقطه ی ابتدایی این قطعه نقطه ی - نامیده می شود که در انتهای کمپلکس QRS قرار دارد. قطعه ی ST نشانگر تغییر پتانسیل الکتریکی در فاصله ی بین دپلاریزاسیون و ریپلاریزاسیون بطنی است .[6] در شرایط عادی و قلب سالم این قطعه بر خط ایزوالکتریک یا پایه منطبق است. خط ایزوالکتریک، خطی فرضی است که جمع جبری پتانسیل های الکتریکی در نقاط واقع بر این خط برابر صفر است .[5] در برخی از عوارض قلبی، قطعه ی ST نسبت به خط پایه منحرف شده و دارای بالارفتگی و پایین رفتگی می باشد
به هنگام وقوع ایسکمی میوکارد به علت مرگ برخی از سلول های قلبی، تغیییراتی در عمل ریپلاریزاسیون بطنی بوجود می آید. این تغییرات در سیگنال الکتروکاردیوگرام خود را به صورت تغییر و جابجایی قطعه ی ST به سمت بالا یا پایین نشان می دهد. از این رو شناسایی تغییرات و جابجایی های قطعه ی ST به عنوان یکی از اصلی ترین شاخص های تشخیص ایسکمی میوکارد و عوارض کشنده ی ناشی از آن همواره مورد توجه محققین واقع شده است
درسال های اخیر تحقیقات فراوانی درزمینه ی شناسایی تغییرات قطعهی ST و دورههای حاوی قطعات ST ایسکمیک به جهت شناسایی ایسکمی میوکارد انجام شده است. با وجود ارائهی حجم کثیری از روشها و الگوریتمها درزمینهی تشخیص ایسکمی و دوره های حاوی تغییرات ایسکمیک قطعهی ST، این چالش هم چنان حل نشده باقی مانده و روشی دقیق و قابل اعتماد در این زمینه ارائه نشده است. در نتیجه ایسکمی میوکارد همچنان در صدر جدول علل مرگ و میر در جهان قرار دارد . از جمله روشهای ارائه شده در این زمینه میتوان به تبدیل موجک اشاره کرد
بخشی پور و همکاران [8] با استفاده از تبدیل موجک و تجزیه ی سیگنال به سطوح انرژی مختلف به شناسایی دوره های حاوی قطعات ST ایسکمیک پرداخته اند. بعضی از محققین با بررسی تغییرات آنتروپی به شناسایی قطعات ST ایسکمیک پرداخته اند.
Lemire و همکاران [9] با محاسبهی آنتروپی سیگنال در سطوح مختلف فرکانسی به شناسایی تغییرات قطعهی ST پرداخته است.
ربانی و همکاران [10] با استفاده از بررسی اختلالات در آنتروپی سیگنال به تشخیص ایسکمی میوکارد پرداخته است. در برخی از تحقیقها از روش سیستم استنتاج عصبی فازی تطبیقی استفاده شده است.
Pang و همکاران [11] با استفاده از استخراج ویژگیها و روش طبقه بندی سیستم استنتاج عصبی فازی تطبیقی دورههای حاوی قطعه ST ایسکمیک را شناسایی کردهاند.
حجم گسترده ای از تحقیقات با استفاده از روشهای مبتنی بر شبکههای عصبی صورت گرفتهاند. Maglaveras و همکاران [12] با استفاده از تبدیل موجک استخراج بردارهای ویژگی و بکار گیری شبکههای عصبی با الگوریتم آموزشی انتشار خطا به عقب به تشخیص ایسکمی پرداخته است.
برخی دیگر از تحقیقات با استفاده از روشهای مورفولوژیک و حوزهی زمان انجام شده است. حجم گستردهای از تحقیقات با استفاده از روشهای دیگر انجام شدهاند. Bulusu و همکاران [13] با بهرهگیری از استخراج ویژگیهای مورفولوژیکی و طبقه بند ماشین بردار پشتیبان به شناسایی تغییرات قطعهی ST و ایسکمی میوکارد پرداخته است. Garcia و همکاران [14] با استفاده از فیلتر تطبیقی و خطای جذر میانگین مربعات، سیگنال های سالم را از ایسکمیک تفکیک کرده اند.
در این پژوهش ابتدا به حذف نویز و نوسانات خط پایه، شناسایی نقاط مشخصه ی سیگنال و استخراج بردارهای ویژگی موثر در تفکیک ضربان های سالم از بخش های ایسکمیک سیگنال پرداخته شده است. سپس با استفاده از طبقه بند های ماشین یادگیری افراطی و روش تخمین چگالی هسته به طبقه بندی و جداسازی بخش های سالم از ایسکمیک پرداخته شده است. این پژوهش را می توان به طور اختصار به چهار بخش اصلی پیش پردازش سیگنال خام، شناسایی اجزای مولفه ی سیگنال، استخراج ویژگی ها ی موثر از قطعه ی ST و طبقه بندی ضربان های سالم از دوره های حاوی قطعات ایسکمیک تقسیم کرد.
.2 مواد و روش ها
.1-2 پایگاه داده
در این پژوهش از پایگاه داده ی ST-T جامعه ی قلب و عروق اروپا و پایگاه داده ی قطعه ST طولانی مدت که در ادامه به اختصار شرح داده خواهند شد، استفاده شده است.
پایگاه داده ی ST-T جامعه ی قلب و عروق اروپا شامل 90 نمونه است که از 79 بیمار بدست آمده اند. هر سیگنال دو کاناله بوده و دارای مدت زمان دو ساعت است. هر نمونه دارای تعداد متفاوتی از دوره های حاوی قطعات ST ایسکمیک است.
فرکانس نمونه برداری سیگنال ها Hz 250 و سیگنال ها از دستگاه هولتر بدست آمده اند .[15] در این پایگاه داده در مجموع 367 دوره ی حاوی قطعات ایسکمیک وجود دارد. هر سیگنال این پایگاه داده شامل علامت گذاری تغییرات قطعه ی ST، موج T و تغییرات کیفیت سیگنال است
پایگاه داده ی ST طولانی مدت شامل 86 سیگنال الکتروکاردیوگرام طولانی مدت است که از 80 بیمار بدست آمده اند. هر نمونه ی این پایگاه دارای مدت زمان 24-21 ساعت بوده و دارای 3-2 کانال است. نرخ نمونه برداری سیگنال های این پایگاه داده Hz 250 است
این سیگنال ها توسط پزشکان مورد تایید نشانه گذاری شده و شامل تغییرات قطعات ST، دوره های حاوی تغییرات ایسکمیک قطعات ST، دوره های حاوی تغییرات قطعه ST به علت جابجایی خط ایزوالکتریک و دوره های حاوی قطعات ST با نوسان ملایم است . نشانه گذاری ها همچنین در زمینه ی کیفیت سیگنال، اجزای مولفه ی سیگنال و اندازه گیری سطح قطعه ی ST نسبت به خط ایزوالکتریک انجام شده است
.2-2 تبدیل موجک گسسته
در تحلیل عملیاتی تبدیل موجک گسسته - Discrete Wavelet Transform - تبدیلی است که توابع آن نمونه برداری شده اند. این تبدیل سیگنال را به اجزا با باند های فرکانسی متفاوت تجزیه می کند
با استفاده از تبدیل موجک گسسته سیگنال به دو قسمت تجزیه می شود که بخشی حاوی عناصر با فرکانس بالا و بخشی حاوی عناصر با فرکانس پایین هستند. شکل 1 مراحل تجزیه ی سیگنال توسط تبدیل موجک را نشان می دهند
