بخشی از مقاله
چکیده -
تشخیص صحیح بیماریها جهت ارائه خدمات درمانی و بهبود شرایط بیمار در پروسه درمان جزء مهمترین پارامترها میباشد. از طرفی تشخیص بیماریها توسط متخصصین اغلب با خطاهای جبران ناپذیری همراه بوده است. در این پژوهش که با هدف طراحی و شبیه سازی شبکه عصبی مصنوعی مناسب جهت تشخیص بیماریهای آریتمی قلبی انجام شده است، از شبکه قدرتمند پرسپترون با چهار مرحله آموزش استفاده شده است. دادههای ورودی دو دسته صدتایی میباشند که صد داده از آن جهت آموزش و صد داده دیگر جهت آزمون به سیستم اعمال شدهاند.
دادهها مورد تأیید متخصصین دانشگاه MIT بوده و به چهار بیماری آریتمی و یک حالت نرمال و به صورت مساوی تقسیم شدهاند. نتایج نشان میدهد که به غیر از این مهم که آموزش چند باره باعث افزایش دقت در تشخیص میشود، شبکه تبدیل موجک نیز تطبیق بسیار مناسبی از دادههای ورودی به شبکه عصبی اعمال میکند. همچنین راندمان نهایی تشخیص 92 درصد بوده است که در مقایسه با پژوهشهای صورت گرفته مقدار مطلوبی به نظر میرسد.
-1 مقدمه
بیماریهای قلبی بنا بر آمارهای سازمان جهانی بهداشت شایعترین علت فوت را در میان سایر بیماریها به خود اختصاص میدهند. تشخیص سریع و مراقبت ویژه پزشکی میتواند از مرگ ناگهانی آنها جلوگیری نماید. تغییر و اعوجاج در هریک از پارامترهای اصلی سیگنال الکتروکاردیوگرام میتواند نشان دهنده یک بیماری قلبی باشد که ممکن است به هرعلتی ایجاد شده باشد. هر یک از این تغییرات نابهنجار به طورکلی یک" آریتمی قلبی " نامیده میشود. سیگنالهای حیاتی در سطح بدن وضعیت درونی و فعالیت الکتریکی بدن را منعکس میکنند. بنابراین با استفاده از اندازه گیریهای غیرتهاجمی اطلاعاتی درباره ارگانهای داخلی فراهم آورده میشود.
الکتروکاردیوگرام - ECG - مهمترین سیگنال حیاتی است که توسط کاردیولوژیستها برای اهداف تشخیصی استفاده میشود .سیگنال ECG اطلاعات کلیدی درباره فعالیت الکتریکی قلب فراهم میآورد .بنابراین نمایش دائم این سیگنال منجر به مشاهده تغییرات فعالیت الکتریکی قلب در طول زمان میشود که این تغییرات ،اطلاعات بسیار کلیدی را برای پزشکان به ارمغان میآورد. بنابراین مانیتورینگ پیوسته، اطلاعات شرح حال بیمار را افزایش میدهد و منجر به تشخیص مطمئنتر از بیماری های قلبی میگردد . تشخیص سیگنالهای ECG غیر نرمال یک مرحله کلیدی در اهداف نظارتی برای بیماران میباشد. اغلب بیماران به صورت پیوسته، به مانیتورهای قلب در بیمارستان متصل میشوند. این مانیتورینگ پیوسته نیاز به پزشکان ناظر برای تشخیص دارد . وابسته به تعداد زیاد بیماران در واحد مراقبتهای شدید و نیاز برای مشاهده پیوسته آنها، چندین روش برای آشکارسازی اتوماتیک آریتمیها در چند دهه گذشته توسعه پیدا کرده است.
این روشها شامل روشهای ابتکاری [1] و سیستمهای خبره [2] و نقشه خود سازمانده میباشند. براساس نتایج منتشر شده روشهای موجود به طور کلی به وجود نویز بالا در اطلاعات حساس هستند که سبب غیرقابل اطمینان شدن این روشها در ارتباط با الگوهای جدید یا مبهم میشود . موج QRS در سیگنال ECG با مبدأ و مسیر هدایتی از پالس ایجاد شده در ضربان قلب تغییر میکند.
زمانی که پالس فعال شده از مسیر هدایتی نرمال عبور نکند موج QRS عریض میشود و اجزای فرکانس بالا تضعیف میشوند. در برخی از این روشها خصوصیات ECG در حوزه زمان مثل عرض، ارتفاع و ناحیه موج QRS و شکل موج QRS مورد ارزیابی قرار میگیرند. در برخی روشهای دیگر از حوزه فرکانس استفاده شده است. به دلیل اهمیت توأم حوزه زمان و فرکانس در سیگنال ECG این روشها اصولاًدارای مشکلات زیادی بودند. با استفاده از تبدیل موجک گروه دیگری از روشها ارائه شدند.
در این روشها سیگنال در مقیاسهای 2 و انتقالهای 3 مختلف نمایش داده میشود. به علاوه تبدیل موجک گسسته یک سیگنال را به سیگنالهای مختلف در درشتیهای 4 مختلف تجزیه میکند. ضرایب موجک میزان شباهت شکل محلی از سیگنال را به موجک مادر تحت پارامترهای مختلف مقیاس و انتقال، نمایش میدهد. این آنالیز برای سیگنالهای تغییر پذیر با زمان بسیار قدرتمند است و میتواند زمان رویداد را نمایش دهد. خصوصیات استخراجی از این ضرایب میتواند مشخصات سیگنال اصلی را به صورت کارایی در جزئیات مختلف نمایش دهد.
برای طبقه بندی کنندهها، شبکههای عصبی مصنوعی ANN به صورت وسیعی در سیستمهای تشخیص اتوماتیک توسعه پیدا کردهاند. درمیان آنها شبکههای پرسپترون چند لایه MLP مشهورند. این شبکهها صحت بالایی را در تشخیص سیگنال ECG به دو گروه نرمال و غیرنرمال نشان دادهاند. برخلاف محاسبات بالا در MLP، شبکههای بر مبنای توابع پایه شعاعی RBFN به خاطر سرعت بالای آموزش و خصوصیات ساده بیشتر مورد توجه قرار میگیرند. در این مقاله ما از روش پرسپترون چند لایه با پایه شعاعی استفاده کردیمضمنًا. روشی را برای جداسازی 5 گروه از سیگنال های ECG پیشنهاد میدهیم.
- 2 روش بررسی سیگنال ECG
برای هر سیگنال الکتروکاردیوگرافی موجود در پایگاه داده، آریتمیهای مختلف و نیز تفسیری که توسط متخصصان قلب بر روی آن صورت گرفته است نیز موجود است. با توجه به اینکه ممکن است یک سیگنال در زمانهای مختلف نشان دهنده وجود بیماریهای متفاوت باشد، لازم است قطعاتی از یک سیگنال که حاوی یک بیماری خاص هستند جدا شوند. این امر باعث دقت در تشخیص سیستم میشود.
در این مقاله 200 نوار ECG از پایگاه دادهها در arrhythmia MIT-BIH برای آنالیز و باز شناسایی انتخاب شدهاند. این نوارها 5 رده مختلف را شامل میشوند که عبارتند از : نرمال - N - ،بلوک شاخه چپ باندل - LBBB - ، بلوک شاخه راست باندل - RBBB - ، انقباض زودرس بطنی - PVC - و ضربان . - PB - Paced در هر رده از سیگنالهای ECG خصوصیات و اطلاعات شکل شناسی متمایزکنندهای را ایجاد میکند که میتوان از آن برای رده بندی استفاده کرد. شکل - 1 - از هر رده 40 نمونه موجود میباشد که به دو دسته مساوی دادههای آموزش و تست تقسیم شدهاند. موج QRS از ECG اطلاعات بسیار مهمی را شامل میشود.
موج R با یک الگوریتم آشکارسازی قله تشخیص داده میشود .این الگوریتم فضای بخشی از سیگنال را برای پیدا کردن یک ماکزیمم محلی در مقدار مطلق سیگنال ECGجاروب میکند. در این مقاله از دو ویژگی موجک و زمانی استفاده کردهایم. در حالت موجک با توجه به این که ضرایب موجک قادرند اطلاعات زمان -فرکانس سیگنال را به طور توام توصیف کنند، بهترین انتخاب برای استخراج ویژگی از یک سگنال الکتروکاردیوگرافی خواهند بود. در این راستا باید تعداد سطوح تجزیه و نوع موجک مشخص شوند. تعداد سطوح تجزیه بر اساس مولفه فرکانسی غالب سیگنال و به گونه ای انتخاب میشود که اطلاعات بخشهایی از سیگنال که با فرکانس مورد نیاز برای طبقه بندی سیگنال به خوبی مطابقت دارند، در ضرایب موجک حفظ شوند.
این مقاله با استفاده از ویژگی موجک و زمانی انجام شده است. در حالت موجک با توجه به اینکه ضرایب موجک قادرند اطلاعات زمان- فرکانس سیگنال را به طور توأم توصیف کنند، بهترین انتخاب برای استخراج ویژگی از یک سیگنال الکتروکاردیوگراف خواهد بود. در این راستا باید تعداد سطوح تجزیه و نوع موجک مشخص شود. تعداد سطوح تجزیه بر اساس مولفه فرکانسی غالب سیگنال به گونهای انتخاب میشود که اطلاعات بخشهایی از سیگنال که با فرکانس مورد نیاز برای طبقه بندی سیگنال به خوبی مطابقت دارند، در ضرایب موجک حفظ شوند.
-3 روش کار
در شبیه سازی این مقاله روال کار به گونهای است که ابتدا شبکه عصبی طراحی شده آموزش اولیه را دیده است ، سپس نمونه نوار قلب افراد سالم یا بیمار که از ECG بدست آمده را به شبکه میدهیم. شبکه با توجه به برنامههای پیش فرض محاسبات خود را انجام میدهد و با توجه به آموزشهای داده - طی سه مرحله آموزش - شده شبکه اعلام میکند که با توجه به محاسباتی که انجام داده وضعیت فرد بیمار است یا سالم ، سپس پاسخ صحیح به شبکه اعلام میشود. شبکه از این طریق برای ثبت صحت تصمیمی که اخذ کرده است آموزش میبیند.
-4 شیوه عملکرد سیستم
ابتدا نوار قلب توسط اسکنر از فرد مشکوک به بیماری گرفته میشود. سپس یک فیلترینگ جهت افزایش کیفیت و حذف نویزهای ممکن که عموماً ناشی از خطاهای انسانی نظیر کج گذاشتن برگه مربوط به نوار قلب، کثیف بودن صفحه اسکنر و نظیر آن است، انجام میشود. سپس تصویر دریافت شده به لحاظ کیفی توسط کاربر چک میشود. در مرحله بعد، تصویر با استفاده از شبکه تبدیل موجک و زمانی مورد تحلیل قرار گرفته تا دیتاهای مورد نیاز جهت ورودی شبکه را تأمین کند. در مرحله بعد این دیتاها توسط نورونهای لایه ورودی شبکههای عصبی چک میشوند. در مرحله بعد، کار اصلی شبکه عصبی پرسپترون چند لایه که همان انجام محاسبات میباشد، انجام میگیرد
