توسعه الگوریتمهای شناسائی آریتمیهای قلبی و طراحی (ساخت) سیستم پردازش، تحلیل و آشکارساز بیماری از سیگنال الکتروکاردیوگرام و سایر داده های قابل اندازه گیری

تمرکز اصلی این رساله دکتری بر توسعه و بهبود عملکرد الگوریتمهای شناسایی نقاط مشخصه سیگنالهای حیاتی نشان دهنده عملکرد الکتریکی و یا مکانیکی قلب و همچنین ارتقاء الگوریتمهای خوشه بندی و طبقه بندی شکل موج های qrs جهت تشخیص نوع آریتمی و یافتن راهی جهت ارائه تشخیص اولیه بیماری قلبی بکمک کامپیوتر است. به این منظور، در گام نخست، بسیاری از روشها و تکنیکهای پردازش سیگنالهای حیاتی مورد بررسی و تحلیل قرار گرفته، با توجه به نتایج بدست آمده از یکسو و نظرات طراحان روشهای متفاوت از سوی دیگر، نقاط قوت و ضعف آنها استخراج و دسته بندی شده اند. پس از آن، با استفاده از پایگاههای داده متعدد و همچنین پایگاه داده هولتر دانشگاه صنعتی خواجه نصیر- بیمارستان دی، الگوریتمهای متعدد با ساختارهای گوناگونی طراحی و مورد بررسی و صحه گذاری قرار گرفته، برای تمامی آنها دقت، سرعت پردازش کامپیوتری، مقاومت در برابر نویزهای شدید هولتر و عدم قطعیتهای موجود لحاظ شده اند. در نهایت پنج الگوریتم برتر که حائز بهترین امتیازات از مجموع ویژگیهای مطلوب فوق الذکر هستند، تحت عناوین aclm، mhom، pcagi، icagiو ldagi جهت آشکارسازی رخدادهای سیگنال های حیاتی مانند الکتروکاردیوگرام، فونوکاردیوگرام، فشارخون شریانی و سیگنالهای کاتتر انتخاب شده اند. در مجموع، عملکرد این الگوریتمها روی بیش از دو میلیون ضربان دارای تشخیص (که ضربانها شامل حدود بیست و شش نوع آریتمی متفاوت از یکدیگر بودند)، در سه لایه check#0، check#1 و check#2 مورد بررسی و صحه گذاری قرار گرفتند. پس از آن الگوریتمهای جدید طراحی شده جهت آشکارسازی رخدادهای اصلی سیگنالهای فشار خون شریانی، صدای قلب و الکتریسیته کاتتر مورد تجدید نظر و تغییر ساختار قرار گرفته، نرم افزارهای تشخیص رخدادهای سیگنالهای مذکور نیز که دارای مشخصه های اصلی ( مانند مشخصه های سیستم آشکارساز رخدادهای سیگنال الکتروکاردیوگرام ) با دقت طراحی شده، در ساختار استانداردی، قرار داده شده اند. پس از آن الگوریتمهای ارائه شده در چند کاربرد پزشکی مهم یعنی آشکارسازی و پیش بینی وقوع شوک کاردیوژنیک در icu، آشکارسازی و تخمین پارامترهای توربولانس نرخ ضربان قلبی و اندازه گیری آلترنانسهای امواج رپلاریزاسیون بطنی مورد استفاده قرار گرفته اند. در ادامه، بمنظور یافتن راه حل مقاوم و مطمئنی جهت تشخیص بیماری های قلبی، تئوری روشهای kmc، fcm و روش has بیان شده، نحوه پیاده سازی آنها بیان گردیده اند. نتیجه نهایی مبحث خوشه بندی ( که یک نوع طبقه بندی غیر نظارتی است) برنامه ای بوده که با گرفتن چند ساعت سیگنال الکتروکاردیوگرام هولتر، شکل موجهای نماینده و نسبت های تاکوگرام rr با ضربان قبل و ضربان بعد که در تشخیص پزشکی به کار می روند، را محاسبه، در اختیار کاربر قرار می دهد. دقت الگوریتم خوشه بندی شکل موج های qrs و محاسبه کننده شکل موج نماینده هر دسته در دو لایه check#1 و check#2 مورد صحه گذاری و تایید قرار گرفته است. بوسیله الگوریتم ارائه شده می توان تعداد شکل موج های نماینده هر خوشه را محاسبه و با سایر پارامترهای تشخیص در اختیار پزشک قرار داد. در این رساله مقدمتاً، بموازات مرحله خوشه بندی (طبقه بندی غیر نظارتی)، طبقه بندی نظارتی مفصلی نیز انجام گرفته است. در مبحث طبقه بندی نظارت شده، روشهای طبقه بندی متعددی نظیر knn، ann، pnn، lvq، svm و mlvq مورد بررسی و تحلیل قرار گرفته، همگی آنها روی پایگاه داده mitdb مورد آموزش و آزمایش قرار گرفته اند. در این تحقیق بمنظور استخراج ویژگیهای مناسب هر کمپلکس آشکارسازی شده qrs، روشیبر اساس طول قوس پنجره های مثلثی روی تصویر مجازی ساخته شده از کمپلکس qrs و تبدیل موجک گسسته آن معرفی شده، کیفیت عملکرد آنها مورد بررسی قرار گرفته اند. سپس چند شبکه knn و ann به صورت متناسبی آموزش دیده، بگونه ای که یکی از گروه طبقه بندها با سیگنال تصحیح و فیلتر شده و گروه دیگر با ویژگیهای طراحی شده، داده های ورودی را آزموده، دقتهای بدست آمده محاسبه و ثبت می شوند. مجموعه بررسیها نشان می دهند که الگوریتم استخراج ویژگی ارائه شده، قابلیتهای مطلوبی را در طبقه بندی و جداسازی شکل موج های متفاوت qrs از یکدیگر دارا می باشد. پس از آنکه روشهای طبقه بندی مذکور هر یک بصورت جداگانه برای طبقه بندی نظارتی شکل موج های qrs با ویژگی های استخراج شده طراحی و مورد بررسی واقع شدند، بمنظور افزایش دقت تا حد امکان و مقاوم سازی هر یک از روش های طبقه بندی به عدم قطعیت های موجود در سیگنال الکتروکاردیوگرام، ترکیبی از چند سیستم طبقه بندی (fusion classification) آزمایش شده است. مطابق این روش، چند شبکه متفاوت از یکدیگر، مثلاً یک knn، چند ann با ساختارهای متفاوت و یک svm به موازات یکدیگر قرار داده شده، نتایج آنها توسط یک سیستم طبقه بند دیگر وزن دهی و جمع آوری می گردد. بدین ترتیب، می توان محدوده عملکرد ساختار کلی در عدم قطعیت ها را گسترده تر کرده، دقت طبقه بندی را افزایش داد. نتایج تحقیقات و بررسی های انجام شده در این بخش که در جداول مربوطه ارائه و توضیح داده شده اند، نشان می دهند که دقت کنونی طبقه بندی نظارتی به صورت متوسط %95 بوده که بیشتر از آخرین کارهای انجام شده در این زمینه است. قسمت دیگری از این پایان نامه شامل طراحی و ساخت اولین نمونه سخت افزاری مشتمل بر الگوریتمهای معرفی شده مذکور با سرعت پردازشی حدود 160000 نمونه در ثانیه است. این سیستم را می توان دستاورد فنی رساله جهت ارائه به جامعه متخصصان پزشکی قلب و عروق کشور، قلمداد کرد. تحقیقات انجام شده در این رساله همگی درسویی تنظیم شده اند که با ادامه آنها بتوان به نتایج زیر بصورت مقاوم و دقیق دست یافت. 1) درصورتیکه یک سیگنال هولتر بلند مدت به این سیستم اعمال گردد، چه شکل موج های هندسی در آن دیده می شوند. 2) با مقایسه این شکل موجها و سایر نشانه های بدست آمده از اندازی گیریهای دیگر و مقایسه آنها با یک پایگاه دانش پیشرفته، نوع ضربان را به صورت دقیق معلوم نمود. 3) یک سیستم پایش کارآمد جهت آشکارسازی و اندازی گیری فعالیت دهلیزی طراحی نمود. 4) الگوریتم های طبقه بندی ترکیبی را به یک الگوریتم واحد و یکپارچه جدید تبدیل نمود. با در کنار هم گذاشتن تمام نشانه ها و نتایج بدست آمده و مقایسه آنها با پایگاه دانش پزشکی، بتوان تشخیص اولیه ای را ارائه نمود. 5) پس از تشخیص وضعیت فعلی قلب، در برخی موارد خاص نظیر حملات بدخیم قلبی، گرفتگی عروق کرونر و توسعه کانون های ضربان ساز قلب پیش بینی هایی را انجام داد. 6) جبهه موج رپلاریزاسیون و آلترنانسهای آن نیز در مباحث تشخیص و یا پیش بینی وارد گردند. 7) جداول مخصوص بر پایه دانش پزشکی بمنظور وزن دهی خارجی به نتایج بدست آمده جهت پیش بینی برخی رخدادها ( مانند جداول پیش بینی شوک) بکمک پزشکان بیمارستان های طرف همکاری با دانشگاه توسعه پیدا کنند. 8) صداهای دریچه های قلبی وارد مباحث طبقه بندی غیر نظارتی و نظارتی شوند. 9) آشکارسازی ریتم های مختلف دهلیزی و بطنی با استفاده از پایگاه دانش خبره پزشکی. 10) بررسی کیفیت عملکرد افت های هادی تحریک الکتریکی از گره sa به av، از av به بطن ها و از sa به دهلیزها بکمک سیگنال الکتروکاردیوگرام. 11) توسعه سیستم آشکارسازی و تشخیص در محیط های درون بدنی نظیر cathlab آزمایشگاههای پیس میکر و اتاق عمل با استفاده از سیگنالهای درون بدنی.