بخشی از مقاله
پیش بینی مرگ ناگهانی قلبی (SCD) با استفاده از تحلیل هاي زمان – فرکانس سیگنال الکتروکاردیوگرام
چکیده: مرگ ناگهانی قلبی (SCD) همه ساله جان میلیونها انسان را میگیرد . با استفاده از تجهیزات پزشکی از قبیل دیفیبریلاتور می توان تعداد این نوع مرگها را کاهش داد، با وجود این راههاي مناسبی براي پیش بینی مرگ ناگهانی قلبی که پزشکان بتوانند از طریق آن تصمیمات مناسبی را براي بیماران در معرض خطر بگیرند، وجود ندارد. در این مقاله با استفاده از پردازش سیگنال الکتروکاردیوگرام مرگ ناگهانی قلبی پیش بینی شده است. براي این کار پس از استخراج سیگنال HRV از سیگنال ECG به استخراج ویژگیهاي خطی، زمان – فرکانس و غیر خطی پرداخته شده است. در مرحله بعد، بهترین ویژگیهاي ترکیبی منتجه براي ایجاد بیشترین تمایز بین دو کلاس را انتخاب کرده، سپس با اعمال PCA به بردار ویژگی ترکیبی، ابعاد ویژگی کاهش یافته و در نهایت، از طریق شبکه عصبی MLP افراد سالم و افراد ریسک پذیر، دسته بندي میشوند
.به منظور ارزیابی توانمندي هر یک از روشهاي تحلیلی در تفکیک افراد، آنها را به صورت مجزا و ترکیبی با هم مقایسه کرده ایم .نتایج به دست آمده نشان میدهند که در سیگنال HRV مربوط به افراد ریسک پذیر، در نزدیکی وقوع SCD ویژگی هائی وجود دارد که آنها را کاملا از افراد سالم متمایز می کند. روش بردار ترکیبی از توانایی بمراتب بیشتري براي آشکار کردن این اختلاف برخوردار است. در نهایت صحت تفکیک پذیري براي دقایق اول، دوم ،سوم و چهارم قبل از واقعه به ترتیب %99,43؛ %97,86 ؛ %90,49 ؛% 73,35 است که نسبت به کارهاي قبلی انجام شده از صحت بمراتب بالاتري برخوردار است. از طرفی، نشان داده ایم که از 4 دقیقه قبل از رخ دادن مرگ قلبی، این افزایش احتمال خطر کاملا مشهود است؛ به طوري که هرچه به وقوع حادثه نزدیکترمی شویم، احتمال وقوع نیز افزایش می یابد و این زمان براي اتخاذ راهکارهایی براي جلوگیري از این واقعه کافی است.
واژههاي کلیدي : مرگ ناگهانی قلبی ؛ سیگنال الکتروکاردیو گرام ،تغییرات نرخ ضربان قلب ؛ روش زمان- فرکانس .
-1 مقدمه
مرگ ناگهانی قلبی (SCD) نتیجه تخریب شدید عملکرد قلبی است که سبب از بین رفتن سیستم قلبی در افراد می شود. وقتی این اتفاق رخ می دهد ، خون دیگر نمی تواند براي مدتی به قسمتهاي مختلف بدن پمپ شود [1] این رخداد، هر ساله، عامل مرگ تقریبا 250000 تا300000 انسان در آمریکاست .[2] همچنین در آمریکاي شمالی و اروپا این تعداد از میان هر 100000 نفر به 50 الی 100 نفر می رسد .[8-3] با استفاده از تجهیزات پزشکی، از قبیل دیفیبریلاتور تعداد این نوع مرگها می تواند کاهش یابد. با وجود این، راههاي مناسبی براي پیش بینی مرگ ناگهانی قلبی که پزشکان بتوانند از طریق آن تصمیمات مناسبی را براي بیماران در معرض خطر بگیرند، وجود ندارد. تنها %1-2 از بیمارانی که دچار SCD شده اند میتوانند در بیرون بیمارستان جان سالم به در ببرند .[9] این اتفاق، غالبا با یک تاکی آریتمی شدید، از قبیل: تاکیکاردي بطنی (VT)، لرزش بطنی (VFL) ویا فیبریلاسیون بطنی، شروع می شود. در موارد نادري نیز بر اثر برادي آریتمی است 10]،.[1 مطالعات وتحقیقاتی که در زمینه تشخیص SCD با الکترو کاردیوگرام صورت گرفته، به تعداد اندکی محدود می شود که غالبا از طریق استخراج ویژگیهاي کلاسیک که تمایز درخور توجهی نیز ایجاد نمی کنند، به بررسی این موضوع پرداخته اند 11]،.[1 آنها شواهدي دارند که نشان می دهد HRV در افرادي که تجربه SCD دارند، کم و در افراد جوان سالم زیاد است 11]،.[1 در تحقیق دیگري نشان داده شده است که پیک هاي تنفسی در تغییرات ضربان قلبی (HRV) در بیماران SCD، در یک هفته قبل از مرگشان ناپدید شده اند.[12] اگر مرگ ناگهانی قلبی، قبل از رخداد تشخیص داده شود، می تواند به نجات جان بیمار قلبی بینجامد.
منظور از HRV تغییرات در فواصل زمانی بین ضربانهاي متوالی قلب است. به عبارت دیگر، زمان بین دو موج R در دو سیکل متوالی قلبی در سیگنال الکترو کاردیوگرام را بازه زمانی RR گوئیم. تغییرات در این سري زمانی (HRV) میتواند به عنوان یک علامت خطر براي مرگ و میر پس از سکته قلبی در نظر گرفته شود .[1] در این مقاله از سیگنال تغیرات ضربان قلبی (HRV) به منظور تشخیص SCD استفاده شده است. در این تحقیق به منظور پیش بینی مرگ ناگهانی قلبی به استخراج ویژگیهاي معمول خطی و همچنین، حوزه زمان فرکانس پرداخته شده است. از طرفی، با توجه به اینکه تاکنون روشهاي خطی مختلفی براي تحلیل سیگنال HRV به کار گرفته شده است، اخیراً اثبات شده که روشهاي پردازش غیر خطی می توانند اطلاعات بیشتري نسبت به روشهاي خطی معمول (تحلیلهاي حوزه زمان و حوزه فرکانس ) فراهم کنند و مکمل خوبی براي آنها باشند. تحلیل غیر خطی سیگنال HRV به دو دلیل عمده بسیار مورد توجه قرار گرفته است:
دلیل اول ذات غیر خطی سیگنال مشاهده شده از قلب است که به صورت یک نوسانگر دینامیک غیر خطی عمل می کند و دلیل دوم، لزوم به دست آوردن دانش کافی درباره این پدیده واقعی است. از این رو، به تحلیلهاي غیر خطی نیز پرداخته شده است .
هدف ما در این مقاله، انجام تحلیلهاي خطی کلاسیک، زمان- فرکانس و غیر خطی روي سیگنال HRV به دست آمده از افراد سالم و افراد در معرض مرگ ناگهانی قلبی است تا بتوانیم با استفاده از یک بردار ویژگی ترکیبی ، دو گروه افراد سالم وافراد در آستانه مرگ قلبی را با استفاده از طبقه بندي کننده شبکه عصبی با دقت خوبی از یکدیگر تفکیک کرده، از طریق آشکار کردنِ افزایش احتمال خطر، به پیش بینی مرگ ناگهانی قلبی بپردازیم .
تحقیقات انجام شده در این زمینه نشان داده اند که روشهاي خطی زمان و فرکانس در جهت پیش بینی مرگ ناگهانی قلبی، فاقد توانمندي لازم هستند13]،.[1
در تحقیقات اولیه در این زمینه، ما نشان دادیم که روشهاي زمان- فرکانس نسبت به روشهاي خطی کلاسیک توانمندي بمراتب بیشتري در تفکیک بین افراد سالم و ریسک پذیر دارند .[13]
در ارزیابی صورت گرفته بین دو روش زمان-فرکانس و روش کلاسیک به ترتیب صحت تفکیک پذیري %99,16 و %74,36 براي 1 دقیقه سیگنال ECG قبل از واقعه از طریق طبقه بندي کننده MLP به دست آمده است .[13]
در ادامه، پس از استخراج سیگنال HRV از سیگنال ECG ویژگی هاي خطی استخراج شده و سپس تبدیل ویگنرویل اعمال کرده و به استخراج ویژگی در حوزه زمان – فرکانس پرداخته شده و در نهایت نیز ویژگیهاي غیر خطی استخراج شده است. در مرحله بعد بهترین ترکیب ویژگی ها بر اساس بیشترین ایجاد تمایز بین دو کلاس انتخاب شده، سپس با اعمال PCA به بردار ویژگی ترکیبی، ابعاد ویژگی کاهش یافته و در نهایت، از طریق شبکه عصبی MLP افراد سالم و افرادي که دچار SCD شده اند، دسته بندي می شوند. این دسته بندي در چهار مرحله ، براي دقایق اول و دوم و سوم و چهارم پیش از SCD صورت گرفته است. در شکل (1) خلاصه مراحل الگوریتم نشان داده شده است .
-2 روشها و ابزارها
الگوریتم ارائه شده بر روي مجموعه دادهایی متشکل از 35 نفر از افرادي که دچار مرگ ناگهانی قلبی شده اند (شامل 19 مرد و 16 زن و ECG با فرکانس نمونه برداري 256 نمونه در ثانیه) و 35 فرد سالم بدون سابقه قلبی (شامل 17 زن و 18 مرد و ECG با فرکانس نمونه برداري 128نمونه در ثانیه )، ارزیابی شده است . این داده ها از پایگاه داده MIT-BIH Sudden Cardiac Death Holter database , Normal Sinus Rhythm database به دست آمده است 15]،.[14
در مواردي که از هر بیمار دو کانال در دسترس بوده است، هر کانال به عنوان یک مشاهده (بیمار) در نظر گرفته شده است.
-1-2 پیش پردازش سیگنال ECG
از افرادي که خطر بالاي مرگ ناگهانی قلبی داشتهاند، به مدت طولانی سیگنال ECG ثبت شده است .این افراد غالباً کسانی بوده اند که یا تجربه سکته قلبی را داشته اند و یا به علت یک تاکی آریتمی شدید در سیستم قلبی - عروقی مستعد براي SCD بوده اند، که در نهایت نیز به این حادثه دچار شده اند. از سیگنال ECG این افراد دقیقا پیش از رخ دادن واقعه بازه هاي زمانی 1 دقیقه اي جدا کرده و به ترتیب به نام دقیقه اول، دقیقه دوم و دقیقه سوم و دقیقه چهارم نام گذاري شدهاند. در شکل (2) سیگنال الکتروکاردیوگرام یک مرد 34 ساله که در معرض مرگ ناگهانی قلبی است، از 3 دقیقه قبل تا لحظاتی پس از وقوع مرگ قلبی، ملاحظه می کنید .
شکل(: ( 2 سیگنال ECG فرد در آستانه مرگ ناگهانی قلبی از 3 دقیقه قبل از واقعه تا لحظاتی بعد از واقعه .
شکل : (3) سیگنال ECG بیمار در لحظه مرگ ناگهانی قلبی [15]
شکل ظاهري سیگنال براي فردي که دچار SCD شده (قبل از حادثه) تفاوت چندانی با سیگنال فرد سالم ندارد. در شکل (3) یک سیگنال ECG فردي را که دچار SCD شده است، از چند ثانیه قبل تا هنگام وقوع حادثه ملاحظه می کنید .[15]
در این مرحله از ECG افرادي که دچار مرگ ناگهانی قلبی شده اند، دقیقاً دقیقه قبل از رخ دادن حادثه، وهمچنین افراد سالم، به مدت 1 دقیقه سیگنال ECG اخذ می شود.
سپس به آشکارسازي موج R و درنهایت استخراج HRV پرداخته شده است. در این مرحله با استفاده از الگوریتم [16] Pan-Tampkins موج R را به دست آورده و سپس از کنار هم قرار دادن فواصل RR متوالی، سیگنال HRV را تشکیل می دهیم. به این ترتیب، سیگنال هاي HRV پیش پردازش شده براي استخراج ویژگی آماده میشوند. در شکلهاي((4و (5) سیگنال ECG و HRV فرد سالم و SCD نشان داده شده است. چنانچه قبلاً اشاره شد و در شکل (4)و (5) مشخص است سیگنال ECG فرد سالم و ریسک پذیر تفاوت چندانی با یکدیگر ندارند .
شکل : (4) الف) یک دقیقه سیگنال ECG فرد سالم ب)سیگنال HRV استخراج شده از شکل الف .
شکل : (5) الف) یک دقیقه سیگنال ECG فرد در آستانه مرگ قلبی دقیقاً قبل از رخداداً واقعه؛ ب) سیگنال HRV استخراج شده از شکل الف .
-2-2 استخراج ویژگی هاي کلاسیک
در این مرحله ویژگی هاي معمول خطی در حوزه زمان و فرکانس استخراج شده اند. این ویژگی ها شامل پنج ویژگی در حوزه زمان و چهار ویژگی در حوزه فرکانس است.
-1-2-2 ویژگی هاي حوزه زمان
ویژگی هاي حوزه زمان شامل مجموعه اي از ویژگیهاي آماري است 20]،19،18،.[17 این ویژگیها عبارتند از : ) MNN میانگین فواصل RR موجود در هر قطعه از سیگنال SDNN - (HRV (انحراف معیار فواصل RR موجود در هر قطعه از سیگنال RMSSD - (HRV (جذر میانگین مربعات اختلاف فواصل RR موجود در هر قطعه از سیگنال SDSD - (HRV (انحراف معیار اختلاف بین فواصل RR موجود در هر قطعه از سیگنال - (HRV PNN50 (درصد تعداد فواصل RR موجود در هر قطعه از سیگنال HRV که اختلافشان بیشتر از 50 میلی ثانیه است).
توزیع فضاي برخی از این ویژگیها در شکل (6) نشان داده شده است. به طوري که در این شکل دیده میشود، این ویژگی ها می توانند تفکیک پذیري مناسبی بین دو گروه سالم و SCD ایجاد کنند.
شکل : (6) توزیع فضاي ویژگی میانگین (MNN)در محور افقی و انحراف معیار((Std NNدر محور عمودي نمایش داده شده است .
