ابزاری قدرتمند در تشخیص نارسائی های قلبی | تعبیرستان
ابزاری قدرتمند در تشخیص نارسائی های قلبیقلب و عروقپزشکی تخصصیپزشکی و بهداشتدانستنیها
×
بستن

ابزاری قدرتمند در تشخیص نارسائی های قلبی

تحلیل سیگنال HRV
بیماری های قلب و عروق از شایع ترین بیماری های قرن حاضر محسوب شده و نارسائی قلبی امروزه بزرگترین عامل مرگ و میر در جوامع صنعتی و نیمه صنعتی به حساب می آید. به دلیل اهمیت موضوع، ابزارها و روش های مختلفی برای بررسی نحوه عملکرد قلب در پزشکی نوین ابداع گردیده که از جمله آنها می توان به ثبت و آنالیز فعالیت الکترویکی قلب (الکتروکاردیوگرافی)، بررسی رفتار و تصوربرداری از آناتومی قلب با امواج فراصوت (آکوکاردیوگرافی)، تصوربرداری از قلب به روش های MRI, CT -Scan. PET، آنژیوگرافی به کمک تصویربرداری X-ray و... اشاره نمود. هدف در تمام این روش ها به دست آوردن انواع مختلف و مکمل اطلاعات ساختاری و عملکردی از قلب است. به نحوی که به کمک آنها پزشک متخصص نه تنها توانائی تشخیص نوع بیماری قلبی را داشته باشد. بلکه بتواند بروز نارسائی قلبی احتمالی در آینده را نیز پیش بینی و از آن جلوگیری نماید. یکی از روش هائی که برای بررسی فعالیت قلب و تمایز انواع مختلف نارسائی های قلبی از یکدیگر، مورد توجه متخصصان واقع شده، اندازه گیری و تجزیه و تحلیل میزان تغییرات نرخ ضربان قلب با زمان است که اصطلاحاً به آن سیگنال (HRV) Heart Rate Variability) اطلاق می گردد. ضربان قلب یک سیگنال غیرایستا است که توسط سیستم عصبی خودکار (Autonomic Netvous System) ANS) کنترل شده و تغییرات آن می تواند حاوی اطلاعات و نشانه هائی درباره نارسائی های مختلف بالفعل یا بالقوه در سیستم عصبی کنترل کننده قلبی باشد. این نشانه ها ممکن است همیشه در سیگنال حاضر باشند یا در مواقع خاصی از روز و به طور تصادفی ظاهر شوند. بنابراین لازم است که حجم زیادی از دادگان ثبت شده در طول ساعت های متوالی از شبانه روز مورد بررسی و مطالعه قرار گیرد که امری دشوار و زمان بر است. به همین دلیل، گسترش و ابداع روش های آنالیز کامپیوتری که بتواند حجم زیاد دادگان جمع آوری شده از شخص را بررسی نموده و نارسائی های احتمالی موجود در آن را تشخیص و طبقه بندی نماید، به عنوان قدم اولیه کمک بسیار بزرگی در تشخیص نوع بیماری قلبی و تعیین آزمایش های تکمیلی برای افراد خواهد بود. تحقیقات مختلف پیشین نشان داده است که سیگنال HRV یک وسیله بااهمیت جهت بررسی سیستم عصبی خودکار (ANS) به طور عام و همچنین نقش آن در کنترل میزان فعالیت قلب به طور خاص است. ANS دارای دو شاخه (Sysmpathetic Nervous System (SNS و (Parasympatheic Nervous System (PSNS است، به طوری که SNS وظیفه تنظیم ضربان قلب برای شرایط دشوار و هیجانی (افزایش نرخ ضربان قلب) و PSNS وظیفه تنظیم آن برای شرایط آرام و استراحت (کاهش نرخ ضربان قلب) را به عهده دارد. در واقع HRV به نوعی اندازه گیری بر هم کنش بین دو سیستم SNS و PSNS است. تحقیقات جدید در سال های اخیر اکثراً به سوی بررسی کمی میزان خطی و غیرخطی بودن یا توصیفی و تصادقی بودن ماهیت سیگنال های HRV سوق یافته، زیرا نشان داده شده است که از میزان این خواص می توان به عنوان نشانگر وضعیت سلامتی قلب شخص استفاده نمود. در طول ۳۰ سال گذشته، روش های مختلفی برای استخراج یا بهبود اطلاعات حاصل از آنالیز سیگنال HRV ارائه شده و نتایج مهمی هم از نظر اهداف فیزیولوژیک و هم از نظر کاربردهای بالینی حاصل شده است. این روش ها از ساده ترین حالت مانند اندازه گیری واریانس سیگنال که در حوزه زمان انجام می گردد، شروع شده و تا اندازه گیری طیف قدرت در حوزه فرکانس ادامه می یابد. در روش های جدیدتر از پردازش های توأم زمان ـ فرکانس یا زمان ـ مقیاس جهت بررسی اتفاقات گذرا که ممکن است فقط به اندازه چند ضربان قلب طول داشته باشد، استفاده شده است. اخیراً مطالعه خواص و دینامیک غیرخطی سیستم کنترل عصبی قلب در بازه های زمانی کوتاه مدت و بلندمدت، یافته های جدیدی در توصیف نحوه عملکرد سیستم قلبی ـ عروقی ارائه داده و موجب گسترش تحقیقات در این زمینه گشته است. در این مقاله به مرور و دسته بندی روش های جدید (خطی و غیرخطی) در پردازش و آنالیز سیگنال های HRV می پردازیم. در ادامه ابتدا روش های مختلف تشخیص پیک های R از سیگنال الکتروکاردیوگرام بررسی می شود. سپس روش های مختلف تحلیل سیگنال تغییرات نرخ ضربان قلب معرفی می گردد و در نهایت چند روش جدید در پردازش و طبقه بندی سیگنال تغییرات نرخ ضربان قلب به منظور تشخیص آریتمی ها و بیماری های مختلف قلبی مورد بررسی قرار می گیرد.
استخراج سیگنال HRV
منظور از HRV، تغییرات در فواصل زمانی بین ضربان های متوالی قلب است. به عبارت بهتر، رشته زمانی که از محاسبه فواصل بین هر دو موج R متوالی در یک سیگنال ECG به دست می آید، سیگنال HRV را تشکیل می دهد. این سیگنال هم تغییرات در نرخ لحظه ای ضربان قلب و هم تغییرات در فواصل زمانی بین موج های R را نشان می دهد. امروزه بسیاری از دستگاه ها، اندازه گیری HRV را به صورت خودکار انجام می دهند و محققان از آن به عنوان معیاری سودمند در تحقیقات و مطالعات کلینیکی استفاده می کنند. کمپلکس QRS مهمترین موج الکتروکاردیوگرام است. از آنجائی که این کمپلکس فعالیت الکتریکی قلب را در طی انقباض بطنی منعکس می کند، شکل موج و زمان وقوع آن اطلاعات زیادی درباره وضعیت قلب به دست می دهد. به خاطر شکل خاص آن، این موج برای تشخیص اتوماتیک ضربان قلب، به عنوان نقطه شروع جهت دسته بندی سیکل های قلبی، به کار می رود و همچنین در الگوریتم های آنالیزاتوماتیک ECG، تشخیص کمپلکس QRS است. تشخیص کمپلکس QRS مشکل است، نه فقط به دلیل تغییرات فیزیولوژیک کمپلکس های QRS، بلکه به خاطر انواع مختلف نویز که می تواد در سیگنال ECG تداخل ایجاد کنند. منابع نویز شامل نویز ناشی از لرزش ماهیچه ها، آرتیفکت های ناشی از حرکت الکترود، تداخل برق شهر، اعوجاج خط زمینه و موج های T با خواص فرکانس بالا مشابه مو های QRS است. در دهه گذشته روش های جدیدی برای تشخیص کمپلکس QRS پیشنهاد شده است؛ برای مثال، الگوریتم هائی بر پایه شبکه های عصبی مصنوعی، الگوریتم های ژنتیک، تبدیلات و یولت، فیلتر بانک ها و نیز روش های سلسله مراتبی بر پایه تبدیلات غیرخطی. پیشرفت سریع میکروکامپیوترهای قدرتمند، کاربرد گسترده الگوریتم های تشخیصQRS در دستگاه های قلبی و عروقی را امکان پذیر ساخته است. این الگوریتم ها را می توان به دو بخش پیش پردازش یا استخراج ویژگی شامل فیلترهای خطی و غیرخطی و یک مرحله تصمیم گیری شامل تشخیص پیک و منطق تصمیم گیری تقسیم بندی کرد. یکی از مهمترین و قابل اعتمادترین آشکارسازهای کمپلکس QRS، الگوریتم Pan and Tompkins است که بر مبنای اطلاعات شیب، دامنه و پهنای موج QRS و به صورت تطبیقی، آشکارسازی را انجام می دهد. این الگوریتم روی پایگاه داده (MIT-BIH arrhythmia database) مورد ارزیابی قرار گرفته و در تشخیص ۱۱۶۱۳۷ پیک R که از ۴۸ بیمار مختلف گرفته شد، تنها ۶۷۵/۰ درصد تشخیص اشتباه داشته است.
روش های خطی تحلیل HRV
روش ها و پارامترهای آنالیز HRV را می توان به حوزه زمان، حوزه فرکانس و روش های غیرخطی تقسیم بندی کرد. تا اواخر دهه ۱۹۸۰، استخراج پارامترها و معیارهای گوناگون از تغییرات ضربان به ضربان قلب، معمولاً در دو حوزه زمان و فرکانس صورت می گرفت. ولی از آن زمان به بعد، مطالعات و تحقیقات گسترده ای روی تحلیل های زمان ـ فرکانس و نیز آنالیز دینامیک غیرخطی صورت گرفته است. در این قسمت روش های رایج تحلیل خطی سیگنال HRV را بررسی می کنیم.
۱. روش های حوزه زمان:
ساده ترین روش های آنالیز نرخ ضربان قلب، اندازه گیری های حوزه زمان هستند که به دو گروه اندازه گیری های آماری و هندسی دسته بندی می شوند. از آنجائی که خیلی از این کمیت های ارائه شده شدیداً با همدیگر همبستگی دارند، چهار متغیر زیر برای ارزیابی سیگنال HRV در حوزه زمان کافی است: SD

(تخمین کل HRV) و HRV triangular index (تخمین کل HRV) و SDA

(تخمین مؤلفه های طولانی مدت)، RMSSD (تخمین مؤلفه های کوتاه مدت). معمولاً دو تخمین کل HRV توصیه می شود، زیرا پارامتر HRV triangular index تنها پیش پردازش سیگنال ECG را اجازه می دهند.
۲. روش های حوزه فرکانس:
آنالیز چگالی طیف توان (PSD) چگونگی توزیع توان (واریانس) را برحسب فرکانس نشان می دهد. روش های محاسبه PSD را می توان به دو کلاس پارامتری و غیرپارامتری دسته بندی کرد. پارامترهای حوزه فرکانس که برای آنالیز HRV می تواند استفاده شود. نکته قابل توجه این است که بین آنالیز طیفی کوتاه مدت و طولانی مدت باید کاملاً تفاوت قائل شد.
تحلیل غیرخطی سیگنال HRV
سیستم های فیزیولوژیک اساساً در ذات خود غیرخطی هستند و از آنجائی که پارامترهای کلاسیک تحلیل HRV، تنها رفتارهای خطی و پریودیک را توصیف می کند، ارتباطات غیرخطی و پیچیده تر را از طریق آنها نمی توان تشخیص داد. پیشرفت های اخیر در تئوری دینامیک های غیرخطی راه را برای تحلیل سیگنال های مربوط به سیستم های زنده غیرخطی هموار کرده است. امروزه تشخیص داده شده که این تکنیک های غیرخطی قادر به توصیف فرآیندهائی هستند که توسط سیستم های بیولوژیک زنده ایجاد می شود. در سال های اخیر روش های آنالیز غیرخطی کاربردهای زیادی در فیزیولوژی پیدا کرده است. تغییرات در ضربان قلب، فشارخون، خروجی قلب، EEG، میزان هورمون خون و فرآیندهای فیزیولوژیک دیگر، به عنوان سیگنال های اخذ شده از سیستم های دینامیک غیرخطی مورد ارزیابی قرار گرفته اند و خصوصیات دینامیک آشوبناکی در سیستم های مختلف آنها مشاهده شده است. در این قسمت خلاصه ای از مفاهیم کلیدی آنالیز سیستم های دینامیک غیرخطی و انواع مختلف تکنیک های غیرخطی را که برای تحلیل سیگنال HRV از آنها استفاده می شود، توصیف می نمائیم.
۱. سیستم های دینامیک و فضای فاز
سیستمی که حالت آن با گذشت زمان تغییر می کند، سیستم دینامیک نامیده می شود. رفتار دینامیک یک سیستم با فضای حالت یا فضای فاز آن به خوبی مشخص می شود. هر حالت (s) سیستم با یک نقطه در یک فضای فاز m بعدی نشان داده می شود. بنابراین، تعداد متغیرهای لازم برای توصیف کامل سیستم، بعد فضای فاز آن را مشخص می کند. بسیاری از سیستم های طبیعی سیستم های پیوسته هستند و در نتیجه s تابعی است. متناسب با تغییرات سیستم با گذشت زمان، حالت های سیستم مسیری را در فضای حالت دنبال می کنند. اگر حالت فعلی سیستم، حالت بعدی را به طور یکتا مشخص کند، سیستم را یک سیستم دینامیک معین (deterministic) گویند و اگر هیچ رابطه مشخصی بین حالت های مختلف سیستم وجود نداشته باشد، سیستم را یک سیستم دینامیک آماری می گویند. ویژگی مشترک این دو نوع سیستم، رفتار نامنظم آنهاست. انواع نمودارهای فضای فاز ضربان قلب افراد سالم و بیمار عبارت است از: نرمال، با ضربان اکتوپیک، با AF و CHB و LBBB و VFو SSS و ایسکمی می باشد. که فضای فاز، محور X و نرخ ضربان[X[n را بیان می کند و محور Y نرخ ضربان را با یک تأخیر نشان می دهد.[X [n+delay انتخاب یک تأخیر مناسب با استفاده از تکنیک های خاصی انجام می شود. انواع بیماری های مورد بررسی با روش فضای فاز شامل موارد زیر هستند: AF: Atrial Fibrilation, CHB: Complete Heart
Block, LBBB: Left Bundle Branch Block
PVC: Pre Ventricular Contraction, SSS: Sick
Sinus Syndrome, VF: Ventricular Fibrilation
۲. بعد همبستگی (Correlation Dimension):
بعد همبستگی که معیاری از پیچیدگی یک سیستم قعطی است، تعداد متغیرهای مستقل لازم برای توصیف رفتار سیستم را به دست می دهد. سیستم های قعطی خطی دارای مقادیر صحیحی برای CD هستند. در حالی که سیستم های آشوبناک و همچنین سیستم های آماری مقادیر کسری برای CD ارائه می کنند. یک الگوریتم کارآمد برای محاسبه CD توسط Grassberger و Proccacia پیشنهاد شده است.
۳. ضریب لیاپانوف:
ضریب لیاپانوف معیاری برای میزان سرعت واگرا شدن دو نقطه نزدیک هم روی یک مسیر حالت با گذشت زمان ارائه می کند، به این ترتیب اطلاعاتی درباره وابستگی سیستم به شرایط اولیه ارائه درباره وابستگی سیستم به شرایط اولیه ارائه می نماید. یک ضریب لیاپانوف مثبت، شاخصی قوی برای آشوبناک بودن سیستم است. اگرچه یک سیستم m بعدی، m ضریب لیاپانوف دارد، در اکثر کاربردها محاسبه تنها بزرگترین ضریب لیاپانوف (LLE) کافی است. LLE حساسیت سیستم به شرایط اولیه را کمی می کند و معیاری برای پیش گوئی به دست می دهد. میانگین بزرگترین ضریب لیاپانوف بدین صورت محاسبه می شود: ابتدا یک نقطه شروع در فضای فاز بازسازی شده انتخاب می شود و همه نقاط اطراف آن با فاصله معلوم حداکثر &#۹۴۹; مشخص می شوند. سپس مقدار میانگین فاصله های بین مسیر نقطه ابتدائی و مسیرهای نقاط همسایه، همزمان با پویائی سیستم، محاسبه می گردد. شیب خط به دست آمده از رسم نمودار لگاریتم این مقادیر میانگین برحسب زمان، بزرگترین ضریب لیاپانوف را نتیجه می دهد. به منظور استقلال محاسبه از نقطه ابتدائی، این الگوریتم برای نقاط ابتدائی مختلف تکرار می شود و میانگین ضرایب به دست آمده، به عنوان میانگین بزرگترین ضریب لیاپانوف در نظر گرفته می شود. نتایج LLE برای ناراحتی های قلبی متفاوت است.
۴. آنتروپی تقریبی (ApEn):
آنتروپی تقریبی به صورت احتمال لگاریتمی تعریف می شود که در آن الگوهای داده ای که نزدیک به هم قرار دارند، برای مقایسه بعدی با یک الگوی بزرگتر، باز هم نزدیک باقی می مانند. بنابراین ApEn یک اندازه گیری کمی از نظم را بیان می کند. نظم بیشتر و قابلیت پیشگوئی بیشتر در وقفه RR باعث کمتر شدن ApEn می شود. بنابراین این روش عدم قابلیت پیش بینی نوسانات را در یک سری زمانی مانند سری زمانی وقفه های RR لحظه ای بیان می کند. براساس گزارش Pincus et al، به ازاء m=۲، N=۱۰۰ و r=۱۵%sd ارزش آماری قابل قبولی برای ApEn به دست می آید. نتایج ApEn برای ناراحتی های مختلف قلبی بیان شده است.
۵. آنتروپی طیف (Spectral entropy):
Spectral entropy میزان پیچیدگی طیف سری های زمانی را به صورت کمی بیان می کند. به کارگیری آنتروپی کانال شانون تخمینی از آنتروپی طیف فرآیند ارائه می دهد. که در آن pf مقدار pdf در فرکانس f است.آنتروپی به عنوان معیاری برای میزان نامعینی در فرکانس f تفسیر می شود. بنابراین آنتروپی می تواند به عنوان یک معیار پیچیدگی سیستم به کار گرفته شود. آنتروپی طیف H میزان پیچیدگی سیگنال HRV را توصیف می کند.
۶. تحلیل نوسان دترند شده (DFA):
از تحلیل DFA استفاده می شود تا خصوصیات مقیاس فرکتال سیگنال های وقفه RR کوتاه مدت کمی شوند. این تکنیک اصلاح تحلیل RMS است که روی سیگنال های غیرایستا اعمال می شود. نوسان جذر میانگین مربع شده یک سری انتگرال گرفته شده و دترند شده، در پنجره های مشاهده متفاوت اندازه گرفته می شود و نسبت به اندازه پنجره مشاهده شده در مقیاس Log-Log رسم می گردد. در ابتدا، سری های زمانی RR (با طول کلی N) با استفاده انتگرال گرفته می شود. که (K, y(K امین مقدار سری های انتگرال گرفته شده، (i ,RR (i امین وقفه ضربانی و (RR (avg میانگین وقفه ها روی کل سری است. سپس سری زمانی انتگرال گرفته شده به پنجره های با طول مساوی n تقسیم می شود. در هر پنجره با طول n، یک خط حداقل مربع روی داده وقفه RR برازش می شود که ترند را در پنجره نشان می دهد. مختصات y قسمت های خط راست به صورت (y n (K نشان داده می شوند. سپس سری زمانی انتگرال گرفته شده (y n (K در هر پنجره دترند می شوند. نوسان جذر میانگین مربع شده این سری انتگرال گرفته و دترند شده محاسبه می شود. این محاسبه روی همه مقیاس های زمانی (اندازه پنجره ها) تکرار می شود تا ارتباط بین (F (n و اندازه پنجره n به دست بیاید. نوعاً (F (n با اندازه پنجره افزایش می یابد. نوسان در پنجره های کوچک مربوط به نوساناتی می شود که می توانند توسط فاکتور خود ـ همانندی بیان شوند و a شیب خط مربوط به (Lof (n به (Log (n است. در این روش، سیگنال شبه فرکتال منجر به مقدار فاکتور خود ـ همانندی یک می شود. نویز سفید گوسی و کلاً سیگنال های تصادفی منجر به مقدار ۵/۰ می شود و سیگنال نویز براونی با طیف سریعاً افزایشی توان در فرکانس های بالا منجر به یک مقدار توان ۵/۱ می گردد. a می تواند به عنوان نشانه ای از ناهمواری سرسی زمانی اصلی در نظر گرفته شود: هرچه a بزرگتر باشد، سری زمانی هموارتر است.
۷. هندسه نمودار Poincare:
Poincare plot geometry یک تکنیک برگرفته از دینامیک غیرخطی است که به خوبی طبیعت نوسانات فواصل R-R را توصیف می کند. در این نمودار، هر وقفه RR به عنوان تابعی از وقفه RR قبلی رسم می شود. آنالیز Poincare plot یک تکنیک کمی بصری است که نشان دهنده میزان نارسائی قلب در یک فرد است. این نمودار، اطلاعات خلاصه شده ای را علاوه بر اطلاعات جزئی ضربان به ضربان درباره رفتار قلب فراهم می آورد. Poincare plot می تواند به صورت کمی با محاسبه انحراف معیار فواصل (R-R (i با خطوط y=x و(y=-x+۲‌R-R(m که(R-R(m میانگین (R-R(iها است، آنالیز شود. این انحراف معیارها به ترتیب به SD۱ و SD۲ اشاره می کنند. SD۱ به تغییرات سریع ضربان به ضربان در داده ها مربوط می شود و SD۲ تغییرات طولانی مدت (R-R(i را توصیف می کند. نسبت SD۱/SD۲ را نیز می توان برای توصیف ارتباط بین این مؤلفه ها محاسبه کرد. این تحلیل نیاز به هیچ پیش پردازش یا دادگان ایستا ندارد و از این رو برای تحلیل HRV بسیار مطلوب است. نسبت SD۱/SD۲ به دست آمده از دو فرد بیمار را نشان می دهد. نتایج SD۱/SD۲ برای ناراحتی های مختلف قلبی نیز می باشد.
۸. آنتروپی فشرده سازی نرخ ضربان قلب
علاوه بر آنالیزهای حوزه زمان و فرکانس، یک پارامتر جدید غیرخطی (Hc) برای ارزیابی پیچیدگی سری زمانی فواصل RR (BBI) براساس میزان فشرده سازی آن ارائه شده است. آزمایشی برای ارزیابی این پارامتر، روی ۵۰ بیماری انجام شده است که از CHF رنج می برند و هر کدام دارای یک دفیبریلاتور کاشته شده هستند که توانائی ذخیره ۱۰۲۴ فاصله RR را قبل از وقوع تا کی کارد یا بطنی با رزولوشن ۱۰ میلی ثانیه دارند. آنالیز HRV روی سری های زمانی (VT (Ventricular Tachycardia انجام می گیرد و با سری های زمانی کنترلی که به طور جداگانه و دلخواه از ریتم طبیعی به دست آمده، مقایسه می شود.
برای فشرده سازی از الگوریتم LZ۷۷ استفاده شده است که به صورت زیر عمل می کند:
۱. کدگذاری w (سایز پنجره متحرک) داده اول بدون فشرده سازی،
۲. p=w+۱ (محل کدکننده)،
۳. پیدا کردن (v (۱ ≤ v ≤ w و n (بیشترین تعداد مطابقت) به طوری که بیشترین تطابق بین window و lookahead buffer با طول b وجود داشته باشد.
۴. کدگذاری مقادیر صحیح n و v در یک کد باینری و (X (p+n بدون فشرده سازی،
۵. p=n+۱ و برگشت به مرحله ۳.
با فرض ارگادیک بودن منبع تولید داده، آنتروپی به ازاء کاراکتر x از تقسیم طول رشته فشرده شده بر طول رشته اصلی (L) وقتی L به بی نهائی میل می کند، به دست می آید.
به منظور فشرده سازی داده HRV، تبدیل رشته BBI به کد باینری برای تخمین آنتروپی ضروری نیست. یک ماتریس M با طول k که (x(kp+n و (v(k و (n (k مربوط به هر اشاره گر k را ذخیره می کند، در برگیرنده اطلاعات است. آنتروپی فشرده سازی نرخ ضربان Hc از تقسیم k بر L به دست می آید. با توجه به اینکه نرخ نمونه برداری، اندازه پنجره و اندازه بافر روی Hc تأثیر می گذارند، به طور دقیق تر Hc را می توان به صورت (Hc(s,w,b نشان داد. به جزء mean

که قبل از VT اندکی کاهش می یابد، دیگر پارامترهای استاندارد HRV هیچ کدام تغییرات با همیتی را نشان نمی دهند، در حالی که پارامتر جدید Hc قبل از وقوع VT به طور قابل توجهی کاهش می یابد. بیشترین اختلاف بین VT و CON به ازاء w=۷ و b=۳ به دست می آید. در نتیجه پارامتر غیرخطی Hc تغییرات بااهمیتی در HRV قبل از وقوع VT نشان می دهد و می تواند به عنوان پیش بینی کننده مناسبی برای آریتمی های تهدیدکننده حیات در دفیبریلاتورهای کاشته شده به کار رود و بیمار را قبل از وقوع آریتمی بطنی از شوک های آتی آگاه سازد.
پردازش سیگنال HRV به منظور تشخیص و طبقه بندی آریتمی های مختلف قلبی
سیگنال تغییرات نرخ ضربان قلب (HR) یک سیگنال غیرخطی و غیرایستا است و تغییرات آن می تواند حاوی علائم بیماری قلبی باشد که فرد به آن دچار است یا ممکن است در آینده به آن دچار شود. این علائم ممکن است در تمام طول روز در سیگنال HR وجود داشته باشد یا به طور تصادفی در فواصل زمانی خاص از روز ظاهر شود. البته مطالعه و تشخیص نارسائی ها در مقادیر زیاد داده که در طی چندین ساعت جمع آوری می شود، خسته کننده و وقت گیر است. از این رو، اندازه گیری تغییرات HR و آنالیز کامپیوتری آن به عنوان یک روش غیرتهاجمی برای تشخیص نارسائی های سیستم عصبی خودکار مطرح می گردد. در این قسمت ابزارهای طبقه بندی مختلفی که در تحقیقات اخیر برای تشخیص خودکار آریتمی های قلبی، فقط براساس ویژگی های سیگنال تغییرات نرخ ضربان قلب استفاده شده، معرفی می کنیم.
۱. استفاده از شبکه های عصبی مصنوعی برای طبقه بندی الگوهای HRV
شبکه های عصبی مصنوعی (A

s) شبکه های الهام گرفته از موجودات زنده هستند که در زمینه هائی مانند شناسائی الگو و دسته بندی کاربرد دارند. فرآیند تصمیم گیری شبکه عصبی مصنوعی براساس ویژگی های الگوهای ورودی است و برای دسته بندی داده های پزشکی مناسب به نظر می رسد. معمولاً شبکه های عصبی چند لایه پیشخور به عنوان دسته بندی کننده های غیرخطی با استفاده از الگوریتم پس انتشار خطا (BPA) آموزش داده می شوند. BPA یک الگوریتم یادگیری با سرپرستی است که در آن یک تابع میانگین مربعات خطا تعریف شده است و هدف فرآیند یادگیری، کاهش خطای کلی سیستم و مینیمم کردن آن است. در ابتدا وزن های اتصالات به طور تصادفی انتخاب و مرتباً تغییر داده می شوند تا خطای کلی سیستم کاهش یابد. به روز کردن وزن ها با لایه خروجی شروع می شود و به لایه های قبلی گسترش می یابد. برای آموزش کارآمد، مطلوب است که مجموعه داده های آموزشی به طور یکنواخت در حوزه کلاس ها پراکنده شده باشند. دادگان در دسترس را می توان به طور مرتب تکرار کرد تا اینکه تابع خطا مینیمم شود.
الف) طبقه بندی اتوماتیک آریتمی براساس آنالیز غیرخطی HRV:
طبقه بندی کننده شبکه عصبی برای طبقه بندی ۸ نوع وضعیت قبلی یک نمونه طبقه بندی کننده شبکه عصبی دادگان مربوط به HRV را برای طبقه بندی وضعیت سالم و ۷ آریتمی مختلف می باشد. لایه ورودی شامل سه گره است و در لایه های پنهانی بعدی نورون های پردازش کننده با تابع فعال سازی سیگموئید استاندارد به کار رفته اند. لایه خروجی شامل سه نورون است تا خروجی ها را به ۸ کلاس (۱۱۱ تا ۰۰۰) تقسیم می کند. برای آموزش شبکه از الگوریتم پس انتشار خطا استفاده شده و ثابت یادگیری &#۹۵۱;=۰/۹ انتخاب شده است. دسته بندی کننده A

با سه پارامتر استخراج شده از سیگنال های HR تغذیه می شود. این سه پارامتر عبارت است از: Spectral entropy و Poincare plot geometry و Largest Lyapunov exponent. چنین شبکه ای برای این طبقه بندی نتایج تقریباً خوبی (۸۵ درصد) را ارائه می دهد.
ب) تشخیص اتوماتیک آریتمی براساس آنالیز حوزه زمان و زمان ـ فرکانس HRV: در این مقاله، یک سیستم تشخیص اتوماتیک آریتمی که تنها بر پایه ویژگی های استخراج شده از HR عمل می کند، ارائه شده است. ابتدا، سیگنال فواصل RR از سیگنال ECG استخراج و به قطعه های کوچکی تقسیم می شود. سپس آنالیزهای حوزه زمان و زمان ـ فرکانس (t-f) روی آنها اعمال می شود. پارامترهای حوزه زمان استخراج می گردد و ترکیبات مختلف بین این ویژگی ها برای آموزش یک مجموعه شبکه عصبی به کار برده می شود. تبدیل فوریه زمان کوتاه و چندین توزیع زمان ـ فرکانس در آنالیز t-f به کار برده شده است. ویژگی های به دست آمده برای آموزش یک مجموعه شبکه عصبی، یک شبکه عصبی به ازاء هر توزیع، به کار برده می شود. روش پیشنهادی با استفاده از MIT-BIH arrhythmia database تست شده و نتایج رضایت بخشی برای specifity و sensitivity که ۵/۸۹% ۵/۸۷% برای آنالیز حوزه زمان و ۹۰ و ۹۳% برای آنالیز حوزه زمان ـ فرکانس حاصل شده است.
. دسته بندی کننده فازی
طبقه بندی داده ها توسط روابط هم ارزی فازی یکی از راه های شناسائی الگو است. فرآیند طبقه بندی شامل به دست آوردن یک ماتریس عضویت هم ارزی فازی برای هر کلاس داده و مقایسه ورودی جدید با هر گروه به منظور طبقه بندی آن است. رابطه هم ارزی فازی رابطه ای است که مشخصات انعکاسی، تقارن و ترایائی را داشته باشد. اگر رابطه ای تنها دو مشخصه اول را داشته باشد، یک رابطه سازگار فازی خواهد بود. با اینکه به دست آوردن یک رابطه هم ارزی فازی به صورت مستقیم معمولاً دشوار است، ولی یک رابطه سازگار فازی را می توان با اعمال یک تابع فاصله از خانواده مینکوفسکی (Minkowski) به دست آورد. که در آن &#۹۴۸; ضریب نرمالیزاسیون، n تعداد داده های ورود و q پارامتر فاصله است. توجه کنید که در کاربرد شناسائی الگو، n همان بُعد بردار ویژگی و در حقیقت تعداد ویژگی هائی است که از سیگنال استخراج شده است. به عنوان نمونه، در روشی که برای استخراج ویژگی در اینجا در نظر گرفته شده است، طول بردار ویژگی برابر با ۳ در نظر گرفته شد هاست و به ترتیب n=۳ خواهد بود. در اینجا، تابع فاصله ای از نوع فاصله اقلیدسی (q=۲) و ضریب نیز برابر معکوس ماکزیمم. مقدار فاصله ویژگی های متناظر از یکدیگر انتخاب گردید. رابطه R یک رابطه سازگار فازی خواهد بود. در ادامه باید از این رابطه، یک رابطه هم ارزی فازی استخراج کنیم. برای این کار کافی است عناصری را که برای داشتن یک رابطه تریائی لازم است، به R اضافه کنیم. این بدان معنی است که اگر a,b) € R) و b,a) € R) باشد، باید عنصر (a,c) به R اضافه شود. با یک مرتبه انجام این کار به ماتریس جدیدی دست می یابیم که می توان آن را &#۳۴۰; نامید. این کار باید آنقدر ادامه پیدا کند که ماتریس حاصل در دو مرحله متوالی بدون تغییر باقی بماند. به رابطه حال که آن را &#۳۴۰; می نامند، در اصطلاح، ماتریس نهائی تریائی (transitive closure) می گویند. در تحقیقی که اخیراً توسط نویسندگان مقاله با استفاده از یک الگوریتم فازی و ترکیبی از ویژگی های خطی و غیرخطی انجام شده، شش کلاس آریتمی مختلف با صحت ۹۵% از هم تشخیص داده شده است.
جمع بندی
در این مقاله چند دسته بندی کننده مهم آریتمی های قلبی و نیز پارامترهای زمانی و فرکانسی و غیرخطی تغذیه کننده آنها، به عنوان ابزار تشخیصی برای کمک به پزشک در آنالیز بیماری های قلبی ارائه شده است. البته این ابزارها عموماً صحت تشخیص ۱۰۰% را نتیجه نمی دهند. صحت این ابزارها بستگی به چندین فاکتور از جمله اندازه و کیفیت مجموعه آموزشی، پارامترهای انتخابی برای نمایش ورودی و... دارد. البته همانطور که از نتایج ارائه شده برمی آید، دسته بندی کننده های ارائه شده برمی آید، دسته بندی کننده های ارائه شده دارای صحت کارآئی بالائی هستند. به عنوان نتیجه کلی می توان گفت که سیگنال HRV می تواند به عنوان یک ابزار تشخیصی قابل اعتماد بیماری های قلبی به کار گرفته شود.
مهندس بابک محمدزاده اصل
دکتر سیدکمال الدین ستاره دان
گروه مهندسی برق و کامپیوتر
دانشکده فنی ـ دانشگاه تهران
قطب عملی کنترل و پردازش هوشمند






ماهنامه مهندسی پزشکی و علوم آزمایشگاهی

تاریخ ارسال: 1390/01/11


نظر شما چیست؟

کد امنیتی شکل بالا در کادر زیر درج شود

برای مشاهده و استفاده از فرم می بایست جاوااسکریپت بر روی مرورگر شما فعال باشد.