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 سیستمی بیو الکتریک با قابلییت آموزش پذیری جهت تشخیص بیماریهای آریتمی قلبی انجام شده است، از شبکه قدرتمند -MLPپرسپترون استفاده شده است. از آنجا که یکی از اهداف مشخص این پژوهش، آموزش پذیر بودن سیستم است، لذا دادههای ورودی که در دو دسته صدتایی جهت آموزش و آزمون می باشند، به سیستم اعمال شدهاند.

داده ها مورد تأیید متخصصین دانشگاه MIT بوده و به چهار بیماری آریتمی و یک حالت نرمال و به صورت مساوی تقسیم شدهاند. به طور کلی نتیجه مطالعات انجام شده در این مقاله بدین صورت بود که با افزایش مراحل آموزش، دقت تشخیص سیستم بالا رفته است. در این پژوهش بالاترین دقت برابر %93 بود اما با توجه به روند مطالعات می توان گفت با افزایش مراحل آموزش می توان دقت سیستم را نیز بالا تر برد. حسن دیگر این مطالعه این است که سیستم تمام آموزش های داده شده را در خود نگهداری کرده و نیاز نیست برای هر مرحله آزمون با دیتا های جدید به سیستم آموزش داده شود..

-1 مقدمه

قلب یکی از مهمترین اعضای بدن است که وظیفه پمپ کردن خون در سیستم قلبی عروقی را به عهده دارد . چنانچه عملکرد قلب از نظم طبیعی - ریتم - خود خارج شود، گردش خون به خوبی انجام نمی شود و این امر می تواند خطر های جدی برای فرد به دنبال داشته باشد. 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. از جمله نارسایی های قابل تشخیص با استفاده از سیگنال الکترو کاردیوگرام می توان تاکیکاردی، برادیکادری، هیپرتروفی و آنفارکتوس های قلبی را نام برد. 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 می کند.

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. به دلیل اهمیت توأم حوزه زمان و فرکانس در سیگنال ECG این روشها اصولا ًدارای مشکلات زیادی بودند.

با استفاده از تبدیل موجک گروه دیگری از روشها ارائه شدند. دسته ای از آنها فقط بر اساس داده های آزمایشگاهی تشکیل شده است، در حالی که سایر مجموعه داده ها شامل علائم بالینی نیز می باشد. یکی از مهمترین و معتبرترین پایگاههای داده در زمینه سیگنال الکتروکاردیوگرام پایگاه MIT-BIHاست، که در این تحقیق نیز از آن استفاده شده است.

برای طبقه بندی کننده ها، 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.

-3 قطعه بندی داده ها

برای هر سیگنال الکتروکاردیوگرافی موجود در پایگاه داده، آریتمی های 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 زمان های مختلف نشان دهنده وجود بیماری های متفاوت باشد، لازم است قطعاتی از سیگنال که حاوی یک بیماری خاص هستند جدا شوند. این امر باعث افزایش دقت تشخیص سیستم خواهد شد اطلاعات موجود در پایگاه داده حاکی از این است که نرخ ضربان های قلبی در برخی از سیگنال های ثبت شده در سه دوره متوالی تغییر می کند.

بنابراین، برای هر بیماری، سه دوره متوالی از سیگنال الکتروکاردیوگرافی در محل وقوع بیماری به عنوان داده مورد نظر برای این بیماری انتخاب شده است . در شکل - - 5 نمونه های سیگنال های حاوی بیماری های انسداد دسته شاخه چپ - LBBB - ، انقباض قبل از بطنی، انسداد دسته شاخه راست - RBBB - ، و تاکی کاردی فوق بطنی - SVT - و به همراه کارکرد طبیعی - Normal Beat - نشان داده شده اند.

- 2 روش بررسی سیگنال ECG

در این مقاله 200 نوار ECG از پایگاه داده ها 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 می کند 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 ECG جاروب 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.

-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 می شود. شبکه از این طریق برای ثبت صحت تصمیمی که اخذ کرده است آموزش میبیند.

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.

-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.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید