مروری بر روش های تشخیص خودکار آریتمی قلبی مبتنی بر سیگنال ECG و معرفی ویژگی های زمانی، آماری و فرکانسی

بیماری های قلبی–عروقی از مهم ترین عوامل مرگ ومیر در جهان محسوب می شوند و آریتمی قلبی به عنوان یکی از اختلال های شایع ریتم قلب، در صورت عدم تشخیص به موقع می تواند منجر به عوارض جدی شود. سیگنال الکتروکاردیوگرام یا ECG یکی از روش های اصلی و غیرتهاجمی برای ثبت فعالیت الکتریکی قلب و تشخیص ناهنجاری های ریتمی است. با توجه به حجم زیاد داده های ECG، وجود نویز در سیگنال های ثبت شده و دشواری تحلیل دستی آن ها، استفاده از روش های پردازش سیگنال و یادگیری ماشین برای تشخیص خودکار آریتمی اهمیت زیادی دارد. در این مقاله، مراحل اصلی تشخیص خودکار آریتمی قلبی شامل جمع آوری داده، پیش پردازش، استخراج ویژگی و طبقه بندی بررسی شده است. در مرحله پیش پردازش، روش هایی مانند حذف نویز، نرمال سازی، فیلترهای بالاگذر، پایین گذر، میان گذر، فیلتر چبیشف، فیلتر گابور و تبدیل موجک مورد توجه قرار گرفته اند. همچنین در بخش استخراج ویژگی، مجموعه ای از ویژگی های زمانی، آماری و فرکانسی شامل میانگین، چولگی، کرتوسیس، انحراف معیار، آنتروپی شانون، ریشه میانگین مربعات، مجموع مطلق ریشه های مربع، دامنه پیک به پیک، طول موج، فرکانس غالب و دامنه فرکانس غالب معرفی شده اند. این ویژگی ها می توانند اطلاعات مهمی درباره دامنه، پراکندگی، بی نظمی، پیچیدگی و محتوای فرکانسی سیگنال ECG فراهم کنند. مرور پژوهش های گذشته نشان می دهد که الگوریتم های یادگیری ماشین مانند ماشین بردار پشتیبان، جنگل تصادفی، K نزدیک ترین همسایه، شبکه عصبی پرسپترون چندلایه و شبکه عصبی تابع پایه شعاعی، در کنار روش های یادگیری عمیق مانند CNN، ۱D-CNN، LSTM و YOLO، عملکرد قابل توجهی در تشخیص آریتمی داشته اند. با این حال، استفاده از ویژگی های دست ساز به دلیل سادگی، تفسیرپذیری و کاهش نیاز به منابع محاسباتی، همچنان رویکردی موثر در طراحی سامانه های تشخیص خودکار محسوب می شود. در نهایت، ترکیب پیش پردازش مناسب، استخراج ویژگی های کارآمد و استفاده از طبقه بندهای دقیق می تواند به بهبود عملکرد سیستم های هوشمند تشخیص آریتمی قلبی کمک کند.

کلیدواژه ها:

آریتمی قلبی ، سیگنال ECG ، پیش پردازش ، استخراج ویژگی ، یادگیری ماشین ، تشخیص خودکار