بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
تشخیص و شناسایی سیگنالهای الکتروکاردیوگرام
چکیده
تشخیص وقوع ترکیبهای QRS و استخراج پارامترهای آن از سیگنال الکتروکاردیوگرام((ECG می تواند در نقش یک سیستم خبره، وظیفه شناسایی آریتمی ها و ناهنجاریهای قلبی را بر عهده گیرد. در فاز اول الگوریتم پیشنهادی، ترکیبهای QRS از سیگنال استخراج شده و ضمن شمارش تعداد آنها، برای کلاسه بندی سیگنال در فاز بعدی مورد استفاده قرار می گیرند. الگوریتم تشخیص، دامنه، عرض و شیب ترکیبها را برای بررسی وقوع آنها بکار می برد و حدود آستانه مورد نیاز را بطور خودکار تنظیم می کند. کلاسه بندی سیگنالها نیز از سه دیدگاه شبکه عصبی، آماری و فازی بررسی شده است.
واﮊه های کلیدی: سیگنال ‐ECG تشخیص – QRS شناسایی – QRSهیستوگرام
مقدمه
الکتروکاردیوگرام٢ ثبت فعالیت الکتریکی قلب در هر انقباض می باشد. هنگامی که یک موج الکتریکی در قلب ایجاد می شود، داخل سلول قلبی به سرعت نسبت به خارج آن مثبت می گردد. تحریک به واسطه موج الکتریکی باعث تغییر در قطبیت سلول می گردد که دپولاریزاسیون نام دارد. بازگشت سلول تحریک شده به حالت استراحت را رپولاریزاسیون می گویند. شکل ١ مشخصات سیگنال ECG و مراحل تشکیل آن در هر انقباض قلب را نشان می دهد.
از سالها قبل گرایش روزافزونی در پردازش ECG با استفاده از کامپیوترها وجود داشته است و سیستم های بسیاری طراحی و پیاده سازی شده اند که عملیات پردازش سیگنال های پزشکی را انجام می دهند، مثل آنالیز نوار ] Holter١[، آنالیز ECG ١٢ لیدی ]٢[ و نمایش وضعیت بیمار بصورت بلادرنگ ]٣.[ تمامی این کاربردها به یک شناسایی دقیق از ترکیب QRS در سیگنال ECG نیاز دارند.
طیف توان سیگنال ECG می تواند برای طراحی فیلترهای میان گذر ]٤[ و بالا گذر(مشتق گیر) جهت استخراج ترکیب QRS از سیگنال مؤثر واقع شود. عملکرد یک فیلتر تطبیقی وفقی خطی برای تشخیص ترکیبهای QRS در محیط نویزی ]٥[ بهتر از کارکرد فیلترهای میان گذر است. Xue و همکاران ]٦[ الگوریتمی برای یک فیلتر تطبیقی ‐ وفقی بر پایه شبکه عصبی مصنوعی٣ ارائه دادند که برای مدل کردن فرکانسهای پایین سیگنال ECG که ذاتاﹰ غیرخطی و غیرایستا هستند، قابل استفاده است.
در پژوهشی ]٧[ از روشهای آموزش بدون معلم در شبکه های عصبی برای کلاسه بندی سیگنالهایECG استفاده شده است. Tompkins و همکاران ]٨[ برای افزایش کارآیی تشخیص سیگنالهای ECG از ویژگیهای وابسته به بیمار استفاده کردند که این ویژگیها می توانند در روشهای کلاسه بندی به کمک شبکه های عصبی مؤثر واقع شوند]٩.[
در این مقاله، الگوریتمی برای تشخیص و شناسایی سیگنالهای ECG ارائه شده است. این الگوریتم بصورت بلادرنگ و در دو فاز عمل می کند. فاز اول، عمل تشخیص و شمارش ترکیب های QRS از سیگنال فیلتر شده را انجام می دهد و در فاز دوم، QRS های یافته شده در فاز قبل شناسایی شده و کلاسه بندی می شوند. این دسته بندی می تواند آریتمی های قلبی را شناسایی نموده و در جهت تشخیص بیماریها و ناهنجاریهای قلب انجام وظیفه نماید.
تشخیص وشمارش ترکیبهای QRS
مهمترین مشخصه سیگنال ECG که کاردیولوﮊیست ها در تشخیص بیماریهای قلب بکار می گیرند، ترکیب QRS است. این مشخصه نسبت به موجهای P و T و ویژگیهای دیگر سیگنال، دارای اهمیت بیشتری است زیرا تشخیص و جداسازی آن از سیگنال ECG نسبت به بقیه ویژگیها آسانتر است. همچنین، ترکیب QRS دپولاریزاسیون بطنی را نشان می دهد که در فعالیت الکتریکی قلب مهمترین نقش را دارد. بنابراین، تشخیص و جداسازی ترکیب QRS، در کلاسه بندی و تشخیص ناهنجاریهای قلب حیاتی است.
همچنین با تشخیص و شمارش QRS ها می توان شدت ضربان قلب و ناهماهنگی های احتمالی آن را مشاهده و بررسی نمود. در روشهای متداول تشخیص QRS، معمولاﹰ از دامنه و طول زمانی (بلندی و عرض) ترکیب های QRS استفاده می شود]۳.[ اگر چه این پارامترها کاملاﹰ ضروری و حیاتی هستند ولی برای تشخیص قاطع کافی به نظر نمی رسند.
بدین منظور از شیب موج R نیز استفاده شده است. چون این شیب خیلی بیشتر از شیب موج T می باشد، در نتیجه
این پارامتر از احتساب موج T به عنوان ترکیب QRS جلو گیری می کند.
شکل موج سیگنال های ECG، به ویژه ترکیبهای QRS، به عوامل متعددی چون لید مورد استفاده، شخص مورد آزمایش و وضعیت قلبی او بستگی دارد. بدیهی است که ترکیب های QRS در این سیگنالها دارای دامنه و عرض متنوعی خواهند بود بطوریکه ممکن است دارای قله یا گودی بوده و تغییرات ناگهانی یا ملایم داشته باشند. بدین دلیل علاوه بر دامنه و عرض ترکیب QRS، از انرﮊی محلی آن نیز استفاده شده است.
نمودار بلوکی الگوریتم تشخیص ترکیب های QRS در شکل ٢ نشان داده شده است. ابتدا سیگنال ECG از یک مشتق گیر عبور داده می شود تا اطلاعات مربوط به شیب موج R، قابل استفاده گردند. سپس یک انتگرال گیر پنجره متحرک، انرﮊی محلی سیگنال را محاسبه می کند. در نهایت، یک تشخیص دهنده QRS که پارامترهای آن از طریق پیشگویی قابل تنظیم هستند، وقوع QRS ها را تشخیص داده و آنها را شمارش می کند.
الگوریتم مشتق گیر پنج نقطه ای که یک فیلتر با پاسخ ضربه محدود بالاگذر است]١٠[، عمل مشتق گیری را انجام می دهد. این مشتق گیر تقریبی از مشتق ایده آل در محدوده فرکانسی dc تا ٣٠ هرتز رافراهم می آورد در حالیکه تأخیر آن 2T است. پاسخ دامنه ای فیلتر، تقریب دقیقی از مشتق واقعی تا حدود ٢٠ هرتز (١/٠ فرکانس نمونه برداری) را نشان می دهد. این محدوده فرکانسی مهم است زیرا تمامی فرکانسهای بالاتر، در مرحله حذف نویز توسط فیلتر میان گذر وفقی تضعیف شده اند. از طرف دیگر، چون مشتق گیر یک فیلتر بالا گذر است، پس نویزهای فرکانس پایین مثل اختلالات حرکتی و سرگردانی خط پایه سیگنال ECG و همچنین موجهای P و T را در حد قابل توجهی تضعیف می کند.
برای محاسبه انرﮊی محلی، باید تک تک نقاط سیگنال مثبت شوند و سپس انتگرال گیری روی آنها صورت گیرد.
بدین منظور از تابع مربع که یک تقویت غیرخطی نیز انجام می دهد، استفاده شده است. این عمل علاوه بر مثبت کردن تمام نقاط سیگنال، آنها را بطور غیرخطی تقویت می کند بطوریکه مولفه های فرکانس بالاتر در سیگنال که اساساﹰ مربوط به ترکیب QRS هستند، تقویت می شوند.
انتگرال گیر پنجره متحرک، ویژگیهایی علاوه بر شیب موج R را استخراج می کند. رابطه (١) معادله تفاضلی آن را نشان می دهد که در آن x(nT) نمونه nام از سیگنال، T فاصله زمانی(پریود) نمونه برداری و N تعداد نقاط (عرض) پنجره است که باید به دقت انتخاب شود. عرض پنجره باید تقریباﹰ به اندازه عریض ترین ترکیب QRS ممکن باشد.
عرض کاربردی این پنجره وابسته به سیگنال بوده و بصورت تجربی تعیین می شود.
تشخیص دهنده وقوع QRS ها، براساس انرﮊی محلی سیگنال که توسط انتگرال گیر پنجره متحرک محاسبه می شود، عمل می کند. با توجه به دامنه این انرﮊی، یک حد آستانه برای آن در نظر گرفته می شود که ارتباط مستقیم با میزان انرﮊی سیگنال در محل وقوع QRS ها دارد. اگر دامنه انرﮊی سیگنال از حد آستانه بیشتر باشد، آن قسمت از سیگنال به عنوان یک ترکیب QRS شناخته شده و ضمن شمارش، موقتاﹰ جهت فاز کلاسه بندی ذخیر می گردد. تشخیص دهنده نسبت به دامنه های انرﮊی کمتر از حد آستانه عکس العملی نشان نمی دهد.
اندازه حد آستانه برای تشخیص QRS بعدی، از روی حد آستانه های قبلی تخمین زده می شود. با تشخیص QRS
جاری، قدیمی ترین حد آستانه از مجموعه خارج شده و حد آستانه فعلی وارد مجموعه می گردد و از روی اعضاﺀ این مجموعه، حد آستانه جدید برای تشخیص بعدی بدست می آید. به منظور افزایش حساسیت الگوریتم نسبت به تغییرات سیگنال ورودی، به جدیدترین حدود آستانه در مجموعه اهمیت بیشتری داده می شود و در هنگام محاسبه حد آستانه جدید، ضریب این حدود نسبت به بقیه قابل توجه تر است.
سیگنالهای مختلف ECG، خصوصیات و شکل موجهای متنوعی دارند. الگوریتم تشخیص باید نسبت به این تنوع، انعطاف پذیری زیادی از خود نشان دهد. بدین جهت قبل از شروع به کار الگوریتم، باید ویژگیها و مشخصات سیگنال ورودی استخراج شده و حد آستانه اولیه بر اساس آنها تعیین گردد. بدین منظور، به اندازه چندین پریود زمانی QRS طول می کشد تا پارامترها و حد آستانه الگوریتم پایدار گردند که در نمونه پیاده سازی شده حدود چهار پریود زمانی استفاده شده که به اندازه تعداد اعضای مجموعه مذکور می باشد.
شناسایی وکلاسه بندی ترکیب های QRS
کلاسه بندی سیگنال ECG یک عمل تشخیص الگوست و با روشهای مختلف شناسایی الگو می توان عمل کلاسه بندی را انجام داد. روشهایی که در این مقاله مورد بررسی قرار گرفته و می توانند استفاده شوند عبارتند از روش شبکه عصبی، روش آماری و روش فازی.
بکارگیری شبکه عصبی
در این روش برای کلاسه بندی سیگنال از شبکهBPP4 استفاده شده ]١١[ که سه لایه دارد. تعداد نرونها در لایه ورودی به تعداد ویژگیهای الگوی ورودی است. تعداد نرونهای لایه خروجی نیز برابر تعداد کلاسها یا تعداد مشخصه های آنهاست. پارامترهایی چون تعداد لایه های مخفی و تعداد نرونهای آنها، تعداد کلاسها و میزان شباهت آنها و نیز تعداد ویژگیهای الگوها، تعیین کننده سرعت یادگیری شبکه و بازدهی آن می باشند.
در این الگوریتم، تعدادی ویژگی مربوط به ترکیب QRS از سیگنال استخراج شده و به ورودی شبکه اعمال می شود.
هر چه تعداد این ویژگیها بیشتر باشد، سرعت یادگیری شبکه بیشتر شده و کارآیی آن بالاتر می رود. در این روش باید فاصله ویژگیهای کلاسهای مختلف از هم زیاد باشد تا شبکه بتواند آموخته شود. جدول ١ ویژگیهای مربوط به کلاسهای مورد آزمایش را نشان می دهد.
همانطوریکه از روی جدول مشخص است، بیشتر کلاسها ویژگیهای نزدیک به هم دارند و در مواردی فقط یک یا دو ویژگی، چند کلاس را از هم متمایز می سازد. در عمل و هنگام آموزش شبکه، چنین ویژگیهایی مغلوب اکثریت شده و بنابراین شبکه آموخته نخواهد شد. برای رهایی از این تنگنا باید کلاسهای مختلفی که دارای ویژگیهای مشترک هستند را به عنوان یک کلاس در نظر گرفت و همچنین تعداد ویژگیها را افزایش داد. هیچیک از این راه حلها عملی نیست زیرا شکل سیگنالهای مربوط به این کلاسها، از هم متمایز بوده و نمی توانند در یک کلاس قرار گیرند.
شکل ۶ منحنی یادگیری شبکه عصبی را برای حالتی نشان می دهد که از ۰۱ کلاس موجود در جدول، کلاسهای شماره ۱، ۲ و ۸ بدلیل پراکندگی زیاد در ویژگیها حذف شده و بقیه کلاسها به ۳ کلاس مختلف تقسیم شده اند.
روش آماری ( کمترین فاصله )
در روش حداقل فاصله تا میانگین]١١[، از بین کلاسهای موجود، نزدیکترین کلاس به الگوی ورودی مشخص شده و به عنوان کلاس الگوی موردنظر معرفی می شود. این الگوریتم ویژگیهایی از کلاسها را به عنوان مشخصه کلاس انتخاب نموده و کلاسه بندی را با توجه به این ویژگیها انجام می دهد. برای افزایش کارآیی و قابلیت اطمینان الگوریتم، باید تعداد ویژگیها زیاد و شباهت کلاسها به هم کم باشد. برخلاف روش شبکه عصبی، در این روش تک تک ویژگیها ت٥عیین کننده می باشند بطوریکه اگر دو کلاس مشابه فقط یک یا دو ویژگی متمایز داشته باشند، عمل کلاسه بندی می تواند با تقریب قابل قبولی صورت پذیرد.