پیش‌بینی مرگ ناگهانی قلبی با استفاده از تحلیل زمان-فرکانسی سیگنال الکتروکاردیوگرام
چکیده:
مرگ ناگهانی قلبی یک عارضه قلبی و عروقی شایع است که سالانه 3 میلیون نفر در سراسر جهان بدون هیچ‌گونه علائم قابل تشخیص خارجی به آن مبتلا می‌شوند. اگرچه دلایل اصلی مرگ ناگهانی قلبی هنوز ناشناخته است، فرض بر این است که فیبریلاسیون بطنی یکی از عوامل دخیل در مرگ ناگهانی قلبی بشمار می رود. ازآنجاکه شروع علائم مرگ ناگهانی قلبی معمولا یک ساعت قبل از مرگ ظاهر می‌شود، پیش‌بینی زودهنگام آن یک مسئله بحرانی برای پزشکان، برای انجام احیای موفق قلبی است. در سال‌های اخیر، مطالعات گسترده‌ای در زمینه‌ی تشخیص مرگ ناگهانی قلبی و پیش‌بینی آن با استفاده از سیگنال الکتروکاردیوگرام و تغییرپذیری ضربان قلب صورت گرفته است. هدف این پایان‌نامه شناسایی مرگ ناگهانی قلبی با استفاده از پردازش سیگنال الکتروکاردیوگرام به روش تبدیل زمانی-فرکانسی است. در این مطالعه از دو مجموعه داده Sudden Cardiac Death Holter و MIT-BIH Normal Sinus Rhythm موجود در فیزیونت، استفاده شده است. در این مطالعه دو رویکرد برای شناسایی مرگ ناگهانی قلبی پیشنهاد شده است. در رویکرد اول، ابتدا بازه 25 دقیقه قبل از وقوع فیبریلاسیون بطنی را به بازه‌های یک‌دقیقه‌ای تقسیم کردیم. سپس هر داده یک‌دقیقه‌ای با استفاده از تجزیه موجک تجربی به زیر باند های زمان-فرکانس تجزیه می‌گردند. سپس ویژگی های غیرخطی را از سیگنال تجزیه شده استخراج شده است. همچنین این روش در 60 دقیقه قبل از مرگ ناگهانی قلبی اعمال شده است. در رویکردوم، ابتدا بازه 60 دقیقه قبل از فیبریلاسیون بطنی به بازه های یک دقیقه‌ای تقسیم شده است. هر داده یک دقیقه‌ای با استفاده از تجزیه حالت تجربی به زیر باند های زمان- فرکانس تجزیه می‌گردند. سپس ویژگی های غیرخطی از سیگنال تجزیه شده استخراج می گردد. سرانجام در هر دو رویکرد، برای طبقه‌بندی افراد سالم و افراد در معرض خطر مرگ ناگهانی قلبی از ماشین بردار پشتیبان و k-نزدیک‌ترین همسایگی استفاده شده است. نتایج به دست آمده نشان دادند که در رویکرد های موجود، برای رویکرد اول برای 25 دقیقه و 60 دقیقه قبل از SCD به ترتیب میانگین کل صحت 20/94% و 29/93% با استفاده از طبقه‌بندی ماشین بردار پشتیبان به دست آمده است و رویکرد دوم برای60 دقیقه با میانگین کل صحت 03/94% با طبقه‌بندی K-نزدیک‌ترین همسایگی بهترین عملکرد را ارائه داده است.