بخشی از مقاله
چکیده -
سیگنال الکتروکاردیوگرام فعالیت الکتریکی قلب را نشان می دهد و پزشکان در تشخیص بیماریهای قلبی از آن استفاده می کنند. برای آنالیز یک ثبت طولانی از این سیگنال، زمان زیادی صرف می شود و گاهی ممکن است با خطا همراه شود، از این رو نیاز به یک ابزار تشخیص به کمک کامپیوتر، برای کمک به پزشکان احساس می شود. در این تحقیق، ابتدا نویزهای موجود در سیگنال، توسط فیلتر دیجیتال و تبدیل موجک گسسته حذف شده؛ سپس با الگوریتم Pan_Tompkins کمپلکسهای QRS ، استخراج شدهاند.
در مرحله بعد ویژگیهای هر سیکل قلبی توسط تبدیل موجک گسسته استخراج و برای کاهش ابعاد فضای ویژگی از تبدیل PCA استفاده شده است. در آخر، طبقهبندی آریتمیها، با دو روش SVM و Feed-Forward Neural Network - FFNN - ، انجام شده است. از دادههای موجود در پایگاه داده MIT-BIH arrhythmia و نرمافزار MATLAB جهت ارزیابی روشهای به کار رفته استفاده شده است. پنج کلاس شامل ضربانهای نرمال - N - و آریتمیهای انسداد دسته شاخه چپ - LBBB - ، انسداد دسته شاخه راست - RBBB - ، انقباض زودرس دهلیزی - APB - و ضربان - PB - paced، با صحت 94/47 درصد با SVM و صحت 90/30 درصد با FFNN طبقه بندی شده است.
-1 مقدمه
بیماریهای قلبی دستهای از بیماریهاست که تشخیص سریع آن از اهمیت ویژهای برخوردار است؛ زیرا با تشخیص سریع، می توان از مرگ ناگهانی بیمار جلوگیری کرد. پزشکان برای تشخیص وضعیت سلامت یا بیمار بودن قلب، از سیگنال ECG یا همان نوار قلبی استفاده میکنند. با فعالیت هر ماهیچه قلبی، یک قسمت از این سیگنال تولید می شود. یک ضربان نرمال از این سیگنال در شکل 1 نشان داده شده است.
همانطور که در شکل 1 دیده می شود یک ضربان قلب شامل موج P، ترکیب QRS، موج T و تعدادی قطعه و فاصله است و تغییر هر یک از حالت نرمال، آریتمی نامیده می شود. پزشک متخصص برای آنالیز یک ثبت ECG طولانی، دچار مشکلاتی است. برای حل این مسئله، سعی شده تا از روشهای خودکار، استفاده شود. اغلب روشهایی که در این زمینه ارائه شدهاند شامل سه مرحله میباشند. این مراحل در شکل 2 نشان داده شده است.
شکل :2 مراحل انجام کار در روشهای تشخیص خودکار آریتمی قلبی از روی شکل :1 یک ضربان نرمال از سیگنال ECG سیگنال ECGاین مورد، یک سیگنال فرکانس پایین است؛ و به علتهای مختلف مانند تنفس، حرکات بدن و ... ایجاد میشود. کوچکترین مؤلفه فرکانسی سیگنال ECG در بدترین حالت 0/67 هرتز است
بنابراین برای حذف آن از یک فیلتر IIR بالاگذر - چبیشف نوع - II با فرکانس قطع کوچکتر از 0/67 هرتز، استفاده شده؛ اما به دلیل غیرخطی بودن پاسخ فاز این نوع فیلتر، آن را به روش Forward-Backward به سیگنال، اعمال کرده با این روش پاسخ فاز صفر می شود.
هنگام جمع آوری سیگنال، نویز، از منابع گوناگون وارد سیگنال می شود. بنابراین ابتدا برای حذف این نویزها یک پردازش اولیه انجام میگیرد. برای این کار از فیلترهای دیجیتال [1]، فیلترهای تطبیقی[2] و موجک [3] استفاده شده است. فیلترها به تعیین پارامترهای طراحی حساس هستند. در حالی که به دلیل غیر ایستا بودن سیگنال ECG تبدیل موجک روش مناسبتری است. پس از حذف نویزها، تلاش می گردد تا با روش های مناسب، ویژگی های متمایز کننده هر دسته از آریتمی ها از سیگنال استخراج شود. ابتدا محل پیکهای R استخراج می شود.
این کار با روشهای متنوعی مانند استفاده از تبدیل هیلبرت [4]، الگوریتم [5] Pan_Tompkins و تبدیل موجک [6] انجام شده است. در میان این روشها تبدیل موجک از سرعت بالایی برخوردار است. سپس با استفاده از روشهایی مانند استخراج پارامترهای سیگنال [7] - دامنه موجها و اندازه سگمنتها و فاصلهها - ، استفاده از اطلاعات آماری سیگنال [8]، مدلسازی سیگنال با استفاده از توابع هرمیت [9]، استخراج ویژگیها از طیف فرکانسی سیگنال [10] و استفاده از تبدیل موجک و استخراج ویژگیها از سطوح تجزیه شده [11]، ویژگیهای سیگنال استخراج شده است.
نتایج نشان داده است، روشهایی که ویژگیها را از سیگنال تبدیل یافته استخراج میکنند سرعت و صحت قابل قبولی در میان روشهای دیگر دارند. در مرحله آخر برای دستهبندی ویژگیها و تشخیص آریتمی، از طبقهبندهای مختلفی مانند شبکههای عصبی [12] و ماشین بردار پشتیبان [13] استفاده شده است. اگرچه شبکههای عصبی عملکرد خوبی در این زمینه داشتهاند اما ماشین بردار پشتیبان به دلیل مقاوم بودن در برابر نویز، صحت بالا در طبقهبندی و نیاز به داده آموزشی کمتر و در نتیجه سرعت بیشتر نسبت به شبکههای عصبی، روش مناسبتری است.
در ادامه ساختار مقاله به این صورت است که در بخش دوم توضیحات راجع به پیش پردازش سیگنال، در بخش سوم کارهای انجام شده در مرحله استخراج ویژگی، در بخش چهارم طبقه بندی آریتمیها و در بخش آخر، نتایج ارائه شده است.
-2 پیش پردازش سیگنال
مهمترین نویزهایی که به سیگنال اضافه میشود عبارتند از: انحراف از خط زمینه و تداخل خطوط برق شهر.
-1-2 حذف نویز انحراف از خط زمینه
-2-2 حذف تداخل خطوط برق شهر
این نویز، شامل یک تک فرکانس 50 یا 60 هرتز است که از خطوط برق وارد سیگنال میشود؛ و در مقایسه با محدوده فرکانسی سیگنال ECG نویزی فرکانس بالا محسوب میشود. برای حذف آن، از تبدیل موجک گسسته استفاده شده است. در این روش، سیگنال اصلی، توسط یک موجک مناسب، به تعداد سطوح معین تجزیه می شود. در هر سطح یک ضریب تقریب و یک ضریب جزئیات وجود دارد. با آستانهگذاری روی ضرایب جزئیات هر سطح، مؤلفههای ناخواسته، از سیگنال حذف میشود. در نهایت با استفاده از ضرایب اصلاح شده، سیگنال بازسازی میگردد. یکی از معیارهای انتخاب موجک مناسب، شباهت آن به سیگنال اصلی است. تعداد سطوح تجزیه و روش آستانه با روش آزمون و خطا تعیین میشوند. مراحل انجام این روش در شکل 3 نشان داده شده است.
سیگنال حاصل از مرحله قبل توسط موجک "sym9" با روش انتخاب آستانه "MinMax" - یک روش آستانهگذاری خودکار در - MATLAB و در 5 مرحله پردازش شد.
شکل :3 نمایش روش حذف نویزهای فرکانس بالا توسط تبدیل موجک گسسته .[3]
-3 استخراج ویژگی
در این مرحله ابتدا برای قطعهبندی سیگنال به اندازه یک ضربان، محل پیکهای R از سیگنال استخراج شده؛ زیرا پیک R بلندترین موج سیگنال است و کشف آن نسبت به موجهای دیگر، آسانتر است. سپس ویژگیهای هر قطعه استخراج شده است.
-1-3 کشف کمپلکس QRS به روش Pan_Tompkins
روش Pan_Tompkins به دلیل پیادهسازی آسان و دقت بالا در یافتن پیکهای R، برای انجام این مرحله، انتخاب شده است. این روش، از فیلترینگ خطی، تبدیل غیرخطی و آستانهگذاری تطبیقی برای استخراج پیکهای R استفاده میکند. مراحل انجام این الگوریتم در شکل 4 نشان داده شده است
-3-3 تبدیل موجک گسسته
هر قطعه از سیگنال، توسط تبدیل موجک گسسته، با استفاده از موجک "mayer" به 4 سطح تجزیه شده است. تعداد سطوح تجزیه در این مرحله، با توجه به طیف فرکانسی سیگنال انتخاب می گردد.
در تجزیه سیگنال توسط تبدیل موجک گسسته، فرکانس ضرایب سیگنال در هر سطح، نصف سطح قبل است؛ سیگنالهای موجود در پایگاه داده MIT-BIH arrhythmia با فرکانس 360 هرتز نمونه برداری شدهاند؛ در نتیجه پهنای باند سیگنال 180 هرتز است. بنابراین ضرایب سیگنال در سطح چهارم دارای محدوده فرکانسی 0 تا 11/25 هرتز برای ضرایب تقریب و 11/25 -22/5 هرتز برای ضرایب جزئیات است. نشان داده شده است که چگالی طیف توان طبقه های مختلف آریتمی در این محدوده فرکانسی، دارای اطلاعات متمایز است .[11] بنابراین ضرایب این سطح به عنوان بردار ویژگی انتخاب شده است.
-4-3 آنالیز مؤلفه اصلی - PCA -
شکل :4 مراحل روش Pan_Tompkins در یافتن پیک های R سیگنال ECG
-2-3 قطعه بندی سیگنال
با استفاده از محل پیکهای R، که در مرحله قبل استخراج شدهاند، سیگنال، به اندازه 200 نمونه به عنوان یک ضربان، قطعه بندی شده است. تعداد 99 نمونه قبل از پیک R، 100 نمونه بعد از پیک R به همراه پیک R یک قطعه را تشکیل میدهند. نمونهای از یک قطعه در شکل 5 نشان داده شده است.
شکل :5 نمایش یک قطعه از سیگنال ECG
به دلیل بالا بودن ابعاد فضای ویژگی - تعداد 400 ویژگی به ازای هر ضربان - ، از آنالیز مؤلفه اصلی برای کاهش ابعاد استفاده شده است. این کار باعث بهبود صحت طبقه بندی می گردد.
در این روش محورهای مختصات جدیدی برای داده ها تعریف می شود به گونه ای که اولین محور در جهتی که واریانس دادها بیشینه است قرار می گیرد. دومین محور نیز عمود بر محور اول و در جهت واریانس بیشینه است. به همین ترتیب محورهای دیگر نیز تعریف می شوند.
ابتدا یک ماتریس داده X توسط ضرایب جزئیات و یک ماتریس دیگر توسط ضرایب تقریب سطح چهارم، هریک با ابعاد N×200، ساخته میشود. N تعداد ضربانها از همه آریتمیها است. سپس میانگین هر ستون حساب شده و از سیگنال کم می شود. اگر فرض کنیم Y ماتریس کواریانس X است و A ماتریس بردارهای ویژه و B ماتریس مقادیر ویژه محاسبه شده از ماتریس کواریانس Y باشد و هر عضو A را با و هر عضو B را با نمایش دهیم آنگاه ماتریس مؤلفههای اصلی P شامل بردارهای ویژه متناظر با m مقدار ویژه بزرگتر، می باشد.
