بخشی از مقاله
چکیده -
سیگنال الکتروکاردیوگرام - - ECG، یکی از مهمترین ابزارها برای طبقهبندی انواع مختلف آریتمیهای قلبی است. از آنجا که سیگنال-های مورد پردازش بصورت واقعی از افراد اخذ میشوند، به احتمال زیاد حاوی نویزهای مختلفی چون نویز ماهیچهای یا تداخل خط تغذیه هستند. بنابراین قبل از پردازش و طبقهبندی سیگنالهای الکتروکاردیوگرام، نیاز است مرحلهی پیشپردازش که همان کاهش نویز است، انجام گردد. به علت غیرایستا بودن این سیگنال، تکنیک تجزیه به روش تجربی مجموع - - EEMD پیشنهاد داده میشود.
پس از مرحلهی حذف نویز، با استفاده از تکنیک تجزیهی بستهی موجک، ویژگیهای آماری استخراج و بین صفر و یک نرمالیزه میشوند. در نهایت به کمک شبکه عصبی پس انتشار، سیگنالها براساس ویژگیهای آماری استخراج شده، طبقهبندی میگردند. در شبیهسازی این مقاله، تعداد 17 عدد سیگنال الکتروکاردیوگرام، از پایگاه دادهی MIT-BIH، اخذ شده است که در مرحلهی طبقهبندی در 6 کلاس مختلف قرار میگیرند. الگوریتم شبکهی عصبی پس انتشار با استفاده از EEMD، نتایج طبقهبندی بسیار خوبی با دقت 99/33 درصد را بدست آورده است.
-1 مقدمه
هنگامی که ایمپالس قلبی در قلب سیر میکند، جریانهای الکتریکی نیز از قلب به داخل بافتهای اطراف که قلب را احاطه میکنند، گسترش مییابند و قسمت کمی از این جریان در تمامی مسیر تا سطح بدن منتشر میشود. هرگاه الکترودهایی روی پوست بدن در دو طرف مقابل قلب، قرار داده شوند، میتوان اختلاف پتانسیل الکتریکی تولید شده بوسیلهی این جریان را ثبت کرد. منحنی بدست آمده موسوم به الکتروکاردیوگرام - 1 - ECG است
الکتروکاردیوگرام برای یک فرد سالم معمولا از سه قسمت موج P، کمپلکس QRS و موج T تشکیل مییابد. موج P قبل از شروع انقباض دهلیزی و کمپلکس QRS پیش از شروع انقباض بطنها تولید میشوند. موج T نیز زمانیکه بطنها همچنان منقبض هستند، ایجاد میگردد. در شکل - 1 - سیگنال ECG نمایش داده شده است.
برخی از ناراحت کنندهترین انواع اختلال عمل قلب، ناشی از عضلهی قلبی غیر طبیعی نبوده، بلکه در نتیجهی ریتم غیر طبیعی قلب بوجود میآیند. به عنوان مثال، گاهی ضربان دهلیزها کاملا با ضربان بطنها ناهماهنگ است بطوری که دهلیزها، دیگر نمیتوانند به عنوان پمپهای اولیه برای بطنها عمل کنند.
شکل :1 سیگنال الکتروکاردیوگرام طبیعی[1]
کندکاری یا تندکاری قلب، انسداد گره سینوسی-دهلیزی، انقباضات گره دهلیزی- سینوسی پیش از موقع و انقباضات بطنی پیش از موقع، از جمله مهمترین آریتمیهای قلبی هستند
توانایی محاسبه و اداره کردن دادهها بصورت پارامترهای فشرده که اغلب به آن ویژگی میگویند، یکی از کارهای مهم به شمار میرود. بنابراین ضربان ECG، که شامل نقاط زیادی داده است، میتواند تنها به صورت چند پارامتر فشرده نمایش داده شود. این پارامترها رفتار ضربان سیگنال را مشخص مینمایند.
روش تجزیهی بستهی موجک - 1 - WPD، ابزار مفیدی جهت تحلیل و استخراج اطلاعات از سیگنال الکتروکاردیوگرام می-باشد.
آنالیز سیگنال ECG، در آشکارسازی ناهنجاریهای قلبی، بسیار مهم است. در یک مجموعهی بالینی مثل واحد مراقبت شدید، وجود سیستمهای خودکار برای آشکار نمودن و طبقهبندی دقیق سیگنالهای الکتروکاردیوگرام ضروری است. عملکرد صحیح این سیستمها بستگی به چند فاکتور مهم از جمله؛ کیفیت سیگنال ECG، قاعدهی طبقهبندی مورد استفاده و مجموعهی دادههای تست و یادگیری دارد.
لی و همکاران در سال 2017، با استفاده از شبکهی عصبی پس انتشار - 1 - BPNN، اقدام به طبقهبندی سیگنالهای ECG افراد سالم و دارای آریتمی قلبی نمودند. آنها در مرحلهی حذف نویز از تکنیک تبدیل موجک استفاده کردند. نتایج طبقهبندی، حکایت از عملکرد خوب این الگوریتم در طبقهبندی دارد.
هدف از ارائهی این مقاله، طبقهبندی انواع مختلف سیگنالهای الکتروکاردیوگرام بر اساس شبکهی عصبی پس انتشار است، اما با این شرط که در مرحلهی حذف نویز از روش تجزیه به روش تجربی مجموع - 2 - EEMD استفاده گردد . هرچه سیگنال عاری از نویز باشد، نتایج طبقهبندی آن بهتر و قابل استنادتر خواهد بود. از آنجا که سیگنال ECG، یک سیگنال غیر ایستا و غیر خطی است، تکنیکهای مبتنی بر تجزیه به روش تجربی - 3 - EMD، روشهای مناسبی جهت کاهش نویز محسوب میشوند. برتری روش EEMD نسبت به EMD، حل مسالهی اختلاط مد است که در ادامه به صورت مختصر بیان میگردد.
ساختار کلی مقاله به این صورت است که در بخش 2، روش-های EEMD ، WPD و BPNN به صورت مختصر شرح داده می-شوند. روش پیشنهادی و مراحل انجام کار در قسمت 3 به آن پرداخته میشود. در بخش 4 نتایج شبیهسازی روش پیشنهادی و عملکرد آن در مقایسه با الگوریتم طبقهبندی ماشین بردار پشتیبان - 4 - SVM، مورد بررسی قرار میگیرد. در نهایت در بخش 5، نتیجهگیری نهایی بیان خواهد شد.
-2 ابزارهای مسئله
-1-2 روش EEMD
توابع مد تجربی در تجزیه و تحلیل سیگنالهای غیرایستا و غیر خطی همچون الکتروکاردیوگرام استفاده میگردد.
در این تکنیک ابتدا، مولفههای نوسانی موجود در سیگنال بصورت تجربی و بر اساس مقیاسهای زمانی تعیین میشود. سپس سیگنال مورد نظر به توابع مد ذاتی - 1 - IMF تجزیه میگردد.
همانطور که پیشتر بیان شد، روش EMD دارای مشکلی به نام اختلاط مُد است. در اختلاط مد، ممکن است یک از حالتهای زیر رخ دهد:
-1 تشکیل شدن دو یا چند مولفهی نوسانی غیر همسان در یک تابع مد ذاتی.
-2 بوجود آمدن دو یا چند مولفهی نوسانی مشابه در چند.IMF
پدیدهی اختلاط مد باعث میشود، اثربخش بودن فرآیند تجزیهی EMD کمرنگ شود. EEMD راهحلی منطقی و جالب است که میتواند این مشکل را بطور مطلوب رفع نماید. الگوریتم کلی تکنیک EEMD را میتوان به این صورت بیان نمود که ابتدا به سیگنال اصلی تعداد M بار M - عدد صحیح مثبت - ، نویز سفید بصورت تصادفی اضافه میگردد. سپس بر روی هر کدام از M سیگنال جدید، روش EMD اجرا، مدها استخراج و میانگین مدهای M سیگنال محاسبه میشوند. با اجرای این تکنیک، مسالهی اختلاط مد دیگر اتفاق نمیافتد.
-2-2 تکنیک WPD
روش WPD، در واقع تعمیمی از تبدیل موجک است. در تبدیل موجک با استفاده از فیلتر بانکها، سطح تجزیه در فرکانس-های پائین اتفاق میافتاد و باند فرکانس بالا به سطوح پائینتر تجزیه نمیشوند. اما در WPD نه تنها یک تفکیکپذیری دقیقی در فرکانسهای پائین - تقریبها - وجود دارد، بلکه در فرکانسهای بالا - جزئیات - نیز تفکیکپذیری خوبی مشاهده میشود. این قدرت تفکیکپذیری سیگنال ECG در فرکانسهای بالا و پائین توسط WPD، باعث طبقهبندی بهتر سیگنال خواهد شد.
شکل - 2 - درخت با سه سطح تجزیه برای تبدیل موجک و WPD را جهت مقایسه نشان میدهد. در قسمت - الف - شکل - 2 - ، سیگنال به مولفههای فرکانس بالا و فرکانس پائین تقسیم شده است. سپس تقریب سطح یک، به مولفههای جزئیات و تقریبهای جدید تجزیه و این فرآیند به همین صورت تکرار میشود.
بنابراین ممکن است اطلاعات مهم در فرکانسهای بالا، از دست برود و تنها در فرکانسهای پائین اطلاعات جهت پردازش وجود داشته باشد.
شکل :2 درختهای تجزیه الف- تبدیل موجک ب- [2]WPD
اما در قسمت - ب - ، WPD در هر سطح، هم تقریبها و هم جزئیات را به سطوح پائینتر، تجزیه میکنند. سطح بالایی WPD، نمایش زمانی از سیگنال است ولی سطح پائینی دارای تفکیک-پذیری فرکانسی بهتری است. بنابراین در مجموع استفاده از WPD، تفکیکپذیری فرکانسی بهتری را برای تجزیهی سیگنال الکتروکاردیوگرام به همراه خواهد داشت
-3-2 الگوریتم شبکهی عصبی پس انتشار
در مجموع، شبکههای عصبی به دو بخش تقسیم میشوند: آموزش و تست. آموزش یک فرآیند یادگیری سیستم شبکهی عصبی است که مقادیر ورودی و خروجی ترسیم شده را به گونهای هدایت میکند تا به یک مدل مناسب دست یابد، در حالی که تست فرآیند آزمودن دقت مدل بدست آمده از فرآیند آموزش است. شبکهی عصبی پس انتشار یک شبکهی آموزشی است که بین توانایی شبکه برای تشخیص الگوهای مورد استفاده در آموزش از یک سو و توانایی آن در فراهم نمودن پاسخ صحیح برای الگوی ورودی مشابه بر اساس روش بکار برده شده طی آموزش از طرف دیگر، تعادلی را ایجاد میکند. آموزش پس انتشار شامل 3 مرحلهی زیر است:
پیش تغذیه: در طی انتشار مستقیم، مقدار ورودی - x - و خروجی هر واحد از لایهی مخفی - - ، به سمت لایهی مخفی تعریف شده بوسلهی تابع فعال، منتشر میشود و همینطور مقدار خروجی شبکه - - تولید میشود. سپس مقدار خروجی شبکه با مقدار هدف قابل دستیابی - - ، مقایسه میگردد. تفاوت − ، خطایی است که اتفاق میافتد. اگر این خطا کوچکتر از خطای مجاز باشد، تکرار متوقف میگردد. با این وجود اگر خطا بیشتر از حد مجاز باشد، وزن هر خط در شبکه در جهت کاهش خطا، اصلاح میشود.
پس انتشار: بر اساس خطای − ، فاکتور محاسبه می-شود. این فاکتور برای توزیع خطا در واحد yk به همهی واحدهای لایهی مخفی که بصورت مستقیم به yk ارتباط دارند، استفاده می-شود. برای تغییر وزن خط هم کاربرد دارد. در یک روش مشابه، فاکتور در هر واحد از لایهی مخفی به عنوان وزن پایه از همهی تغییرات در زیر لایه، محاسبه میشود تا اینکه همه فاکتورهای در واحدهای مخفی که بصورت مستقیم با واحدهای ورودی ارتباط دارند، تخمین زده شوند.
تغییرات در وزن: پس از اینکه همهی فاکتورهای محاسبه شد، وزنهای همهی خطوط بصورت همزمان مطابق با تغییرات در وزن یک خط بر اساس فاکتور در نورونهای لایهی بالاتر، اصلاح میشود.[7]
-3 روش کار
جهت درک بهتر از اقدامات صورت گرفته، فلوچارت مراحل انجام کار به ترتیب در شکل - 3 - ، نمایش داده شده است.
شکل :3 مراحل انجام کار
با توجه به شکل - 3 - ، مراحل کار به ترتیب شامل؛ اکتساب دادهها، حذف نویز، استخراج ویژگیها و در انتها طبقهبندی سیگنالها به 6 نوع کلاس مختلف میباشد که در ادامه هر یک از مراحل فوق توضیح داده خواهند شد.
