بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
پيش بيني مرگ ناگهاني قلبي به کمک سيستم هاي هوشمند ترکيبي
چکيده
تغييرات ناگهاني سيگنالهاي قلبي وبه دنبال آن سکته و ايست قلبي يکي از عوامل شايع در بروز مرگ هاي ناگهاني مي باشد. به دليل اهميت موضوع، ابزارها و روشهاي مختلفي براي بررسي نحوه عملکرد قلب در پزشکي نوين ابداع شده که مي توان به روشهايي از جمله ثبت سيگنالهاي قلبي ، الکتروکاردياگرام(ECG)،آنژيوگرافي و..........اشاره کرد.به دليل اين که آناليز تصاوير ثبت شده به عهده شخص متخصص بوده واز آنجا که معمولاتغييرات شديد در عملکرد قلب به صورت ناگهاني و تقريبا در لحظه وقوع حادثه رخ مي دهد احتمال خطادر تشخيص زياد بوده ودر اکثر موارد جان بيماران در معرض خطر مرگ قرار ميگيرد.به همين خاطر مطالعات فراواني در اين زمينه جهت هوشمند کردن وافزايش صحت تشخيص انجام گرفته است . مانيز در اين مقاله در ادامه تحقيقات قبلي به ارائه روش جديدي از ترکيب سيستم هاي عصبي هوشمند جهت استخراج ويژگيهاي مناسب وآموزش دقيقتر شبکه پرداخته ايم .در روش ارائه شده در اين مقاله ابتدا به کمک تبديل ويولت ويژگيهاي غير خطي زمان –فرکانس سيگنال HRV استخراج شده سپس با ويژگيهاي متمايز بدست آمده از دو تحليل غير خطي ديگر ترکيب ميشود وبعدار اعمال روش کاهش بعد براي افزايش سرعت تحليل شبکه ،بردار ويژگيهاي کاهش يافته به شبکه عصبي MLP براي طبقه بندي داده ها اعمال ميشود . نتايج حاصل از روش پيشنهادي باساير روشها به خوبي نشان ميدهد که استفاده از روشهاي ترکيبي در استخراج ويژگيها وتلفيق چند شبکه عصبي جهت طبقه بندي داده ها کارايي سيستم را تا حد زيادي ودر حدود ٩٩.٤١% افزايش داده است .
واژهاي کليدي : حملات ناگهاني قلبي ،تغييرات سيگنالهاي قلبي ، سيگنال الکتروکاردياگرام ،استخراج ويژگي هاي غير خطي ، ويزگيهاي زمان –فرکانس ، تبديل ويولت ، شبکه عصبي MLP
١-مقدمه
بيماري هاي قلب و عروق از شايع ترين بيماري هاي قرن حاضر محسوب شده و نارسايي قلبي بزرگ ترين عامل مرگ و مير در جوامع صنعتي و نيمه صنعتي به حساب مي̂Hيد. از آنجا که حملات قلبي به طور ناگهاني رخ داده واين اتفاق ، غالبا با يک تاکي آريتمي شديد، از قبيل تاکيکاردي (VT)ويا فيبريلاسيون بطني (VFL) شروع مي شود. است [٣]، مطالعات وتحقيقاتي که در زمينه تشخيص SCD با الکترو کارديوگرام صورت گرفته ، به تعداد اندکي محدود شده که غالبا از طريق استخراج ويژگيهاي کلاسيک که تمايز درخور توجهي نيز ايجاد نمي کنند، به بررسي اين موضوع پرداخته اند [ ٣،٤ ].
شواهدي وجود دارد که نشان مي دهد HRV (تغييرات ضربان قلب )در افرادي که تجربه مرگ ناگهاني قلبي (SCD ) دارندکم و در افراد جوان سالم زياد است [
٣،٧ ] همچنين ديده شده است که پيک هاي تنفسي در تغييرات ضربان قلبي (HRV)در بيماران SCDدريک هفته قبل از مرگشان ناپديد شده است [٨]. منظور ازHRVتغييرات در فواصل زماني بين ضربان هاي متوالي قلب است . به عبارت ديگر، زمان بين دو موج R در دوسيکل متوالي قلبي در سيگنال الکترو کارديوگرام را بازه زماني RR مي گوييم . براي فهم بهتر مطالب در شکل ١يک سيکل از سيگنال EGGنشان داده شده است [٩].
تغييرات در اين سري زماني ( HRV ) مي تواند به عنوان يک علامت خطر براي بروز حمله ناگهاني قلبي و پيشگيري ازآن در نظرگرفته شود. بنابراين اگر مرگ ناگهاني قلبي ، قبل ازرخداد تشخيص داده شود، مي تواند به نجات جان بيمار قلبي بينجامد. تشخيص اينکه بيمار در معرض حمله قلبي قرار دارد يا نه نيازمند تحت نظر گرفتن بيمار و تهيه نمونه هاي متعدد از سيگنال ECG فرد مي باشدکه زمان زيادي مي طلبد .همچنين از آنجا که بررسي وتشخيص توسط پزشک صورت مي گيرد احتمال خطا نيز افزايش مي يابد. بنابراين با توجه به اهميت موضوع محققان زيادي در اين زمينه به مطالعه وتحقيق پرداخته اندو سيستم هاي هوشمند متفاوتي براي کمک در تشخيص به پزشکان ارائه و پيشنهاد شده است .
طبق تحقيقات انجام شده روشهاي مختلفي براي آناليز سيگنالهاي قلبي از جمله آناليزهاي خطي وغير خطي در حوزه زمان وحوزه فرکانس انجام شده است .مطاله بر روي سيگنالهاي قلبي نشان ميدهد که اين سيگنالها، سيگنالهايي غير ايستا هستند کهوتغييرات آنها از معادله غير خطي پيروي مي کند. از اين رو استفاده از روشهاي غير خطي ما را به دقت بالاتري در تشخيص مي رساند همچنين استفاده از تحليلهاي زمان –فرکانس به دليل ماهيت غير ايستا بودن سيگنالهاي قلبي مناسب تر مي باشد.به دليل اهميت تشخيص احتمال بروز حملات قلبي در نجات جان بيماران ما نيز در اين مقاله تمرکز خود رابر اين موضوع معطوف کرده و به ارائه روشي جديد جهت تشخيص بيماريهاي قلبي واحتمال وقوع آنها پرداختيم . در روش ارائه شده در اين مقاله از سيتم هاي هوشمند ترکيبي وآناليز غير خطي در حوزه زمان –فرکانس استفاده شده است .الگوي پيشنهادي اين مقاله تلفيق دو شبکه عصبي هوشمندويولت وشبکه عصبي پرسپترون چند لايه (MLP ) مي باشد.
٢- سيستم پيشنهادي
مراحل روش پيشنهادي در اين مقاله عبارتنداز :
١- مرحله حذف نويز از سيگنال ECG
٢- استخراج ويژگي HRV از سيگنال ECG
٣- استخراج ويژگي از سيگنال HRV به کمک تبديل ويولت
٤- فشرده سازي ويژگي هاي استخراج شده
٥- اعمال بردارهاي ويژگي به شبکه MLP جهت طبقه بندي داده ها
٦- آزمايش شبکه
٢-١-حذف نويز
از آنجا سيگنال ECG در معرض نويزهاي مختلفي از قبيل نويز ناشي از لرزش ماهيچه ها، آرتيفکت هاي ناشي از حرکت الکترود، تداخل برق شهر، اعوجاج خط زمينه و موج هاي T با خواص فرکانس بالا مشابه موج هاي QRS ،مي باشد ،مرحله حذف نويز تاثير بسزايي در افزايش دقت در استخراج ويژگي از سيگنالهاي ECG دارد .براي حذف نويز مربوط به نوسانات برق شهر استفاده از فيلتري موسوم به فيلتر ناچ مي تواند مفيد باشد.
براي حذف نويزهاي فرکانس بالا نيز معمولا از تکنيک فيلترينگ معمولي استفاده ميشود .
٢-٢-استخراج ويژگي HRVاز سيگنال ECG
از افرادي که خطر بالاي مرگ ناگهاني قلبي داشته اند به مدت طولاني سيگنال ECGثبت شده است .اين افراد غالبا کساني بوده اند که يا تجربه سکته قلبي را داشته اند ويا به علت يک تاکي آريتمي شديد در سيستم قلبي -عروقي مستعد براي SCD بوده اند، که در نهايت نيز به اين حادثه دچار شده اند. از سيگنال ECG اين افراد دقيقا پيش از رخ دادن واقعه بازه هاي زماني ١ دقيقه اي جدا کرده وبه ترتيب به نام دقيقه اول ، دقيقه دوم و دقيقه سوم و دقيقه چهارم نام گذاري شده اند. در شکل ( ٢) سيگنال الکتروکارديوگرام يک مرد ٣٠ ساله که در معرض مرگ ناگهاني قلبي است ، از ٣ دقيقه قبل تا لحظاتي پس از وقوع مرگ قلبي ، ملاحظه مي کنيد .شکل ٣ نيز ECGبيمار رادرست قبل از اسيت قلبي نشان ميدهد. شکل ظاهري سيگنال براي فردي که دچار SCD شده ( درست قبل از حادثه ) با فرد سالم تفاوت چنداني ندارد.براي استخراج ويژگي هاي مناسب وقابل تمايز بين ECGافراد سالم وافرادي که دچار حملات ناگهاني قلبي شده اند، EGCافراد سالم به مدت يک دقيقه وافراد SCDيک دقيقه قبل از شروع ايست قلبي مورد بررسي قرار گرفته است . سپس به آشکارسازي موج R واستخراج HRVمي پردازيم .براي آشکار سازي موج R ازالگوريتم Pan-Tampki[١١]استفاده کرده واز کنار هم قرار دادن فواصل RR متوالي سيگنال HRV را بدست مي آوريم .
شکل هاي( ٤)و ( ٥) سيگنال ECG و HRVفرد سالم و فرد مبتلا به SCD را نشان ميدهد .همان گونه که قبلا نيز اشاره شد تفاوت چنداني بين سيگنالهايECG ثبت شده از فرد سالم وSCD وجودندارد.
٢-٣-استخراج ويژگي از سيگنال HRV
٢-٣-١-استخراج ويژگيهاي زمان -فرکانس پس از استخراج سيگنال HRV از سيگنال ECG نوبت به استخراج ويژگي از سيگنال HRVمي رسد. براي استخراج ويژگي به صورت غير خطي ودر حوزه زمان -فرکانس از سيگنال HRV روشهاي متفاوتي جودداردکه عبارتنداز :
روش استفاده شده در اين مقاله استفاده از تبديل ويولت گسسته مي باشد که علاوه بر اين که اطلاعات مورد نياز رادر حوزه زمان –فرکانس در اختيار ما قرار ميدهد. به خاطر خاصيت چند رزولوشني اش اطلاعات حوزه فرکانس رانيز به بازه هاي مختلف فرکانسي تقسيم کرده وهربازه از اطلاعات فرکانسي (اطلاعات فرکانس بالا وپايين ) را به طور جداگانه استخراج مي نمايد.بنابراين بـا استفـاده از تبـديـل ويـولـت گسستـه ، سيگنال ECG به زير باندهاي مختلف فرکانسي (فرکانس هاي پايين و بــالا) تقسيـم مـي شـود و ضـرايـب گسستـه ويـولـت محاسبه شده و يک نمايش فشرده و به هم پيوسته را فراهم مي کند که توزيع انرژي سيگنال را در زمان و فرکانس نشان مي دهد. مطالعات قبلي نشان داده است که فرکانس هاي بالا در طيف توان سيگنال HRV نشان دهنده فعاليت بخش پاراسمپاتيک سيستم عصبي و فرکانس هاي پايين نشان دهنده فعاليت بخش سمپاتيک سيستم عصبي خودکار کنترل کننده نرخ ضربان قلب است . از اين رو، نسبت انرژي سيگنال در باند فرکانسي پايين ،به انرژي سيگنال در باند فرکانسي بالامي تواند به عنوان يک ويژگي که تعادل سمپاتيک وپاراسمپاتيک را ارزيابي مي کند، استفاده شود [ ١٨،١٩].
.بنابراين استفاده از تبديل ويولت گسسته اين امکان را به ما ميدهد باشيم . درصورتي که درروشهاي ديگر براي استخراج ويژگيهاي باندهاي مختلف فرکانسي نياز به استفاده از مراحل جداگانه وفيلترهاي مخصوص به هر باند است که اين به نوبه خود مراحل استخراج ويژگي وپردازش را پيچيده و کند مي کند. استفاده از تبديل ويولت انتخاب تابع فعاليت مادر به صورت اختياري مي باشد. تابع فعاليت گره هاي ويولت (تابع فعاليت مادر يا اصلي ) سته به نوع کاربرد انتخاب ميشود. اين مزيت اين امکان را به ما ميدهد توابع فعاليت را به گونه اي انتخاب کنيم که بيشترين شباهت را به سيگنال مورد نظر براي پردازش داشته باشد.در اينجا تابع فعاليت مادر ازنوع دابيشيز انتخاب شده است که بيشترين شباهت رابه سيگنالهاي الکتريکي قلب وويژگيهاي استخراج شده از آن دارد.
١-روش هاي زمان –فرکانس غير پارامتري، شامل تبديل فوريه زمان کوتاه [ ١٢،١٣ ] و ويولت [١،١٥]
٢-نمايندگان زمان – فرکانس درجه دوم غير پارامتري،شامل توزيع ويگنرويل [١٦]
٣-روش هاي تغيير زمان -فرکانس [١٧] پارامتري براساس مدل هايAR با ضرايب تغيير.
٢-٣-٢ استخراج ويژگي هاي غير خطي
از آنجا که سيستم قلبي خيلي پيچيده تر از يک سيستم خطي عمل کرده ، رفتار غير ايستا از خود نشان ميدهد علاوه بر ويژگي هاي زمان –فرکانس ، دو تحليل غير خطي که نشان دهنده خصوصيات ديناميکي در سيگنال HRV هستند براي طبقه بندي افراد سالم وافراد در معرض مرگ ناگهاني قلبي مورد استفاده قرار مي گيرند. اين دوتحليل عبارتند از معيار پوآنکاره که سه ويژگي
SD.SD,SD,SD از آن استخراج ميشود .ديگري تحليل نوسان دترند شده (DFA) که از آن ويژگي α اسنخراج مي شود.
٢-٣-٢-١- معيار پوانکاره
نمودار پوانکاره تکنيک نسبتا جديدي براي تحليل ديناميک هاي غير خطي HRV است .هر نقطه روي اين نمودار به صورت
که Nطول سيگنال است ، مشخص مي شود [٢٠]. از نظر آماري اين نمودار همبستگي بين فواصل متوالي RR را به صورت گرافيکي نمايش ميدهد اما مفهوم اصلي و مهم آن ، اين است که اين نمودار يک فضاي حالت دو بعدي ساخته شده از فواصل متوالي است ،که بيانگر ديناميک غير خطي آن است . اين نمودار اطلاعات مفيدي هم از نوسان هاي کوتاه مدت و هم از نوسان هاي بلند مدت دراختيا رما قرار ميدهد. نمودار پوانکاره به صورت کمي با محاسبه انحراف معيار فواصل ها با خطوط y=x و تحليل مي شود، که RRm متوسط هاست . انحراف معيارها SD١ و SD ناميده مشوندکه SD مربوط به تغييرات سريع ضربان به ضربان در دادگان است وsd تغييرات بلند مدت ها راتوصيف مي کند.نسبت SD.SD نيز براي توصيف ارتباط بين اين داده ها استفاده مي شود.شکل ٦ نمودار پوانکاره براي يک فرد سالم ويک فرد ريسک پذير را نشان مي دهد.
ب) نموداره پوانکاره مربوط به فرد سالم .
٢-٣-٢-٢ تحليل نوسان دترند شده(DFA)
از اين تحليل براي براي کمي کردن خصوصيات فرکتال سيگنال فواصل RR کوتاه مدت استفاده مي شود.[٢١]. در ابتدا ، از سريهاي زماني RR با استفاده از رابطه (١) انتگرال (سيگما ) گرفته مي شود
که در آن امين مقدار سر يهاي سيگما گرفته شده است ، امين فاصله RR است .وRRave ميانگين فواصل RR روي کل سري است . سپس سري زماني سيگما گرفته شده به پنجره هاي با طول مساويn تقسيم شده ودر هر پنجره با طول n، يک خط با معيار حداقل مربع خطا روي ديتايRR منطبق مي شود که دترند را در آن پنجره نشان مي دهد. اگر اين تکه خط هاي راست را با نشان دهيم ، طبق رابطه ( ٤) با کم کردن آن از سري زماني سيگما گرفته شده در هر پنجره يک سري زماني دترند شده به دست مي آيد
اين محاسبه روي طول هاي مختلف پنجره تکرار مي شود تا ارتباط بين (F)n و طول پنجره يعنيn به دست آيد. شيب خط مربوط به نسبت به با عنوان فاکتور خود همانندي به عنوان يک ويژگي در طبقه بندي استفاده مي شود.
٢-٤ -کاهش ابعاد ويژگي
