استخراج ویژگیهای طیفی مراتب بالاتر سیگنال HRV به منظور پیش بینی شروع حملات فیبریلاسیون دهلیزی

در این مقاله الگوریتمی به منظور پیش بینی شروع حملات فیبریلاسیون دهلیزی با استفاده از سیگنال ECGارائه شده است. این الگوریتم شامل 3 مرحله می باشد: 1. پیش پردازش سیگنال ECG که شامل حذف نویز و آشکار سازی موج R و استخراج سیگنال HRV می باشد. 2. استخراج ویژگیهای مناسبی که قادر باشند رفتار سیگنال HRV را قبل از وقوع حمله مدل کنند. در این بخش از هر اپیزود سیگنال HRV دو ویژگی فرکانسی و شش ویژگی طیفی مراتب بالاتر استخراج می شود. ویژگی های فرکانسی (شامل توان سیگنال در باند LF و HF) می توانند فعالیت بخش سمپاتیک و پاراسمپاتیک سیستم عصبی خودکار کنتر کننده نرخ ضربان قلب را نشان دهند. همچنین با توجه به ماهیت غیرخطی و غیرگوسی سیگنال HRV، استخراج ویژگیهایی از bispectrum سیگنال اطلاعاتی را راجع به فاز بین مولفه های مختلف فرکانسی سیگنال HRV ا رائه می کند 3. دسته بندی کننده ماشین بردار پشتیبان (SVM). روش ارائه شده با استفاده از داده های موجود در پایگاه داده AFPDB مورد ارزیابی قرار گرفته و نتایج بدست آمده برای سه معیار Positive Predictivity , Specificity , Sensitivity به ترتیب برابر 19/85% و 76/82% و 14/82% است که در مقایسه با سایر روشهای موجود نتایج بهتری به دست آمده است.

کلیدواژه ها:

حملات فیبریلاسیون دهلیزی ، سیگنال تغییرات نرخ ضربان قلب ، ماشین بردار پشتیبان ، ویژگیهای طیفی مراتب بالاتر ، ویژگیهای فرکانسی