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.

گوشدادن به صداها و ارتعاشات تولیدشده ناشی از فعالیت مکانیکی قلب و تفسیر آنها روش متداولی است که در ارزیابی وضعیت سیستم قلبی-عروقی بهکار می رود. از مزایای این روش می توان به آسانی انجام آن، زمان مورد نیاز کم، هزینه پایین و غیرتهاجمیبودن اشاره کرد. اما بهدلیل محدودیتهای شنوایی انسان، ماهیت گذرا و غیرایستان صداهای قلب، و انرژی پایینتر صداهای پاتولوژیک نسبت به صداهای طبیعی یافتن نشانههای بیماری و تصمیمگیری برمبنای صداهای شنیدهشده از طریق گوشی پزشکی نیاز به کسب مهارت و تمرین و تکرار زیاد دارد. هدف این رساله ارائه چهارچوبی جهت تشخیص خودکار نابهنجاریهای دریچهای با تحلیل صداهای قلبی ضبطشده از طریق گوشی پزشکی است. روش پیشنهادی ما جهت رسیدن به یک طبقهبندی مقاوم صداهای سالم و پاتولوژیک، مدلسازی پارامتری سیگنال، ساخت سیگنال الگوی وابسته به شخص بهکمک پارامترهای مدل و سپس استخراج ویژگیهای تفکیککننده از این سیگنال الگو بهمنظور طبقهبندی صداهای قلبی است. در راستای هدف فوق، ابتدا تجزیه وفقی سیگنال به حداقل تعداد ممکن اتمهای پارامتری انتخابشده از یک دیکشنری فوقکامل از اتمها را انجام دادیم. این اتمها که به بهترین شکل بر ساختارهای محلی سیگنال منطبق هستند، مدلی از سیگنال را که دربرگیرنده ساختارهای زیربنایی و رفتارهای بنیادی آن است فراهم میکنند. ما از پارامترهای مدل اتمی حاصل که دارای معانی فیزیکی قابلتفسیر هستند جهت استخراج ویژگی استفاده نمودیم. مزیت اصلی ویژگیهای حاصل این است که برخاسته از ماهیت سیگنال هستند و الگوهای رفتاری موجود در سیگنال را آشکارسازی میکنند. در مرحله بعد و باتوجه به خاصیت شبهتناوبی سیگنال صدای قلب و جهت آشکارسازی رفتارهای پایای تکرارشونده در سیکلهای مختلف سیگنال pcg، برآن شدیم تا برمبنای سیگنال مدلشده در مرحله قبل یک سیگنال الگو برای هر شخص استخراج کنیم. منظور از استخراج سیگنال الگو ایجاد یک تکسیکل بیولوژیکی نماینده، با ادغام اطلاعات سیکلهای متوالی سیگنال pcg است. از مزیتهای اساسی استخراج سیگنال نمونه برای هر شخص، ارائه نمایش فشردهای از فعالیتهای زیربنایی و رخدادهای پاتولوژیکی تکرارشونده قلبی است. مزیت دیگر این سیگنال مقاومبودن آن نسبت به نویز و تغییرات سیکل به سیکل سیگنال pcg است. در پایان قابلیت سیگنال مدلشده و سیگنال الگوی ساختهشده را در نمایانترکردن تفاوتهای بین افراد سالم و بیماران با نابهنجاری دریچهای با استخراج دو دستهویژگی مختلف از آنها سنجیدیم. این دو دستهویژگی عبارتند از: ویژگیهای مبتنیبر پارامترهای مدل وفقی و ویژگیهای مبتنیبر نمایش زمان-فرکانس وفقی. روشهای پیشنهادی برروی دو مجموعه داده متشکل از 75 و 90 سیگنال pcg سالم و بیمار با استفاده از روش leave-one-outو دو طبقهبندی کننده مختلف mlp و lda مورد ارزیابی قرار گرفت. بر اساس نتایج بهدستآمده، سیگنال الگو با حفظ رفتارهای تکرارشونده و پایای مرتبط با فعالیتهای غیرطبیعی قلب و حذف نویزهای تصادفی حاضر در برخی سیکلها، بهطور قابلملاحظهای دقت طبقهبندی را افزایش داده و طبقهبندی مقاومی را فراهم میکند.

چکیده ندارد.