پیش بینی مرگ ناگهانی قلبی با استفاده از تحلیل زمان-فرکانسی سیگنال الکتروکاردیوگرام

مرگ ناگهانی قلبی (SCD) یک عارضه ی مهم قلبی عروقی است که سالانه حدود ۳ میلیون نفر را در سراسر جهان تحت تاثیر قرار داده و اغلب بدون علائم قابل مشاهده ی قبلی رخ می دهد. علل دقیق SCD هنوز مشخص نیست، اگر چه فیبریلاسیون بطنی به عنوان یک عامل اصلی در پاتوفیزیولوژی آن شناخته می شود. با توجه به این که علائم معمولا تنها یک ساعت قبل از وقوع حادثه ظاهر می شوند، پیش­بینی به موقع برای احیای موثر قلبی ضروری است. این مطالعه به منظور پیش بینی SCD از تحلیل زمان-فرکانس سیگنال های ECG انجام شده است. در این پژوهش از دو مجموعه ی داده ی آنلاین هولتر مرگ ناگهانی قلبی و ریتم سینوسی نرمال MIT-BIH استفاده شده است. روش پیشنهادی شامل تقسیم بازه ی ۶۰ دقیقه ای قبل از فیبریلاسیون بطنی به بخش های ۱ دقیقه ای است که سپس با استفاده از تجزیه ی حالت تجربی (EMD) به باندهای زیرزمان-فرکانس تفکیک شده اند. ویژگی های غیرخطی از این سیگنال های تجزیه شده استخراج گردیده و سپس طبقه بندی با استفاده از ماشین های بردار پشتیبان (SVM) و k نزدیک ترین همسایگان (KNN) انجام شده است. برای بهبود صحت، دو تکنیک انتخاب ویژگی آماری T-test و ANOVA به کار گرفته شده است. نتایج نشان می دهد که استفاده از روش انتخاب ویژگی ANOVA همراه با الگوریتم های SVM و KNN به صحت بالایی در پیش بینی SCD دست یافته است. به طور خاص صحت متوسط در ۶۰ دقیقه قبل از SCD برای روش های ANOVA-SVM و ANOVA-KNN به ترتیب برابر با ۵۱/۹۳% و ۹۳% است. با استفاده از انتخاب ویژگی T-test صحت متوسط برای روش های SVM و KNN به ترتیب برابر با ۲۹/۹۳% و ۴۱/۹۳% است. این یافته ها عمل کرد امیدوار کننده ی روش پیشنهادی در پیش بینی SCD را نشان می دهد.

کلیدواژه ها:

مرگ ناگهانی قلبی ، سیگنال ECG ، تجزیه ی حالت تجربی ، استخراج ویژگی های غیرخطی