پیش بینی حملات فیبریلاسیون دهلیزی با استفاده از پردازش سیگنال ecg و ویژگی های hrv

در این رساله، الگوریتمی برای پیش بینی شروع و پایان حملات فیبریلاسیون دهلیزی(paf) با استفاده از پردازش سیگنال ecg ارائه کرده ایم. به منظور پیش بینی شروع حملات paf از ویژگی های مختلف سیگنال تغییرات نرخ ضربان قلب (hrv) استفاده کرده ایم که این ویژگی ها شامل ویژگی های طیف توان، ویژگی طیفی مراتب بالاتر و ویژگی های غیر خطی می شود. هرکدام از این ویژگی ها می توانند بخشی از رفتار سیگنال hrv را قبل از وقوع حمله مدل کنند. ویژگی های فرکانسی فعالیت سیستم سمپاتیک و پاراسمپاتیک کنترل کننده نرخ ضربان قلب را نشان می دهند و از آنجا که فعالیت این سیستم قبل از وقوع حمله تغییر می کند، این ویژگی ها می توانند در پیش بینی حملات مفید باشند. ویژگی های طیفی مراتب بالاتر و به طور خاص نمودار بای اسپکتروم، کوپلینگ فاز بین مولفه های فرکانسی مختلف را نشان می دهند و تغییر در این ویژگی ها می توانند به عنوان نشانه ای از وقوع حملات paf تلقی شوند. همچنین از آنجا که سیگنال hrv سیگنالی غیر خطی است، سعی کرده ایم با استخراج ویژگی های غیرخطی، برخی از خصوصیات دینامیکی این سیگنال را که قبل از وقوع حمله تغییر می کنند، به دست آوریم. این ویژگی ها شامل آنتروپی الگویی، نمودارpoincaré ، و ویژگی های نمودار بازگشتی است. پس از آن که ویژگی های مختلف را از سیگنال hrv استخراج کردیم، با استفاده از دسته بندی کننده ماشین بردار پشتیبان، اپیزودهای قبل از حمله و دور از حمله پایگاه داده پیش بینی حملات فیبریلاسیون دهلیزی (afpdb) را طبقه بندی کردیم. نتایج به دست آمده برای معیارهای ارزیابی sensitivity، specificity، positive predictivity و negative predictivity به ترتیب 100%، 96%، 97% و 100% به دست آمده است که نسبت به سایر الگوریتم هایی که تاکنون ارائه شده اند، نتیجه بهتری است. به نظر می رسد الگوریتم پیشنهادی ما در این رساله، می تواند ابزار مناسبی برای پیش بینی شروع حملات paf باشد. برای پیش بینی پایان حملات paf نیز الگوریتمی ارائه کرده ایم که در آن از ویژگی های شکل موج حاصل از فعالیت الکتریکی دهلیزها (maw) و همچنین ویژگی های سیگنال hrv استفاده شده است. به این منظور با استفاده از روش تجزیه مد تجربی، توابع مد ذاتی (imf) سیگنال maw را به دست آوردیم. سپس ماکزیمم طیف توان سیگنال maw و مولفه های imf آن (مولفه دوم، سوم و چهارم) را استخراج کردیم. بررسی های ما نشان دادند این چهار ویژگی که در حقیقت فرکانس حاکم بر نوسانات دهلیزی را نشان می دهند، می توانند ویژگی های مناسبی در پیش بینی پایان حملات باشند. علاوه براین ویژگی ها، ویژگی های آماری سیگنال hrv مانند میانگین، درجه انحنا (skewness) و درجه اوج (kurtosis) را نیز استخراج کردیم. سپس به منظور بالاتر بردن کارایی دسته بندی کننده، ابعاد این بردار ویژگی 7 بعدی را با استفاده از تکنیک آنالیز تفکیک تعمیم یافته (gda) به 2 بعد کاهش داده و پس از آن با استفاده از طبقه بندی کننده خطی، اپیزودهای af یک دقیقه ای سیگنال ecg پایگاه داده aftdb را که از نظر پایان پذیری باهم متفاوتند، دسته بندی می کنیم. نتایج به دست آمده در دسته بندی 3 نوع اپیزود af پایان ناپذیر، پایان پذیر بعد از یک دقیقه و پایان پذیر کمتر از یک ثانیه برای معیارهای ارزیابی sensitivity، specificity، positive predictivity و negative predictivity به ترتیب 94%، 97%، 92% و 96% به دست آمده است. برتری این الگوریتم نسبت به سایر الگوریتم هایی که تاکنون ارائه شده اند، این است که می تواند همزمان هر 3 نوع اپیزود af را با دقت قابل قبولی از هم تفکیک کند.