MenuLeft
MenuLeft
TopLeft   TopRight








BotLeft BotRight

پيش بيني حملات فيبريلاسيون دهليزي با استفاده از پردازش سيگنال ECG

محمدزاده اصل, بابك (2010) پيش بيني حملات فيبريلاسيون دهليزي با استفاده از پردازش سيگنال ECG. Masters thesis, دانشگاه علوم پزشکی ارتش.

[img] Text
پيش بيني حملات فيبريلاسيون دهليزي با استفاده از پردازش سيگنال ECG.docx

Download (57Kb)

Abstract

در این تحقیق، الگوریتمی برای پیش‌بینی شروع و پایان حملات فیبریلاسیون دهلیزی با استفاده از پردازش سیگنال ECG ارائه کرده‌ایم. به منظور پیش‌بینی شروع حملات PAF از ویژگی‌های مختلف سیگنال تغییرات نرخ ضربان قلب (HRV) استفاده کرده‌ایم .این ویژگی‌ها می‌توانند در پیش‌بینی حملات مفید باشند. همچنین از آنجا که سیگنال HRV سیگنالی غیر‌خطی است، سعی کرده‌ایم با استخراج ویژگی‌های غیرخطی، برخی از خصوصیات دینامیکی این سیگنال را که قبل از وقوع حمله تغییر می‌کنند، به‌دست آوریم. این ویژگی‌ها شامل آنتروپی الگویی و ویژگی‌های نمودارPoincaré است. پس از آن‌که ویژگی‌های مختلف را از سیگنال HRV استخراج کردیم، با استفاده از دسته‌بندی کننده ماشین بردار پشتیبان، اپیزودهای قبل از حمله و دور از حمله پایگاه داده پیش‌بینی حملات فیبریلاسیون دهلیزی (AFPDB) را طبقه‌بندی کردیم. برای پیش‌بینی پایان حملات PAF نیز الگوریتمی ارائه کرده‌ایم که در آن از ویژگی‌های شکل موج حاصل از فعالیت الکتریکی دهلیزها (MAW) و همچنین ویژگی‌های سیگنال HRV استفاده شده است. به این منظور با استفاده از روش تجزیه مد تجربی، توابع مد ذاتی (IMF) سیگنال MAW را به‌دست آوردیم. سپس ماکزیمم طیف توان سیگنال MAW و مؤلفه‌های IMF آن (مؤلفه دوم، سوم و چهارم) را استخراج کردیم. بررسی‌های ما نشان دادند این چهار ویژگی که در حقیقت فرکانس حاکم بر نوسانات دهلیزی را نشان می‌دهند، می‌توانند ویژگی‌های مناسبی در پیش‌بینی پایان حملات باشند. علاوه براین ویژگی‌ها، ویژگی‌های آماری سیگنال HRV مانند میانگین، درجه انحنا (Skewness) و درجه اوج (Kurtosis) را نیز استخراج کردیم. سپس به منظور بالاتر بردن کارایی دسته‌بندی کننده، ابعاد این بردار ویژگی 7 بعدی را با استفاده از تکنیک آنالیز تفکیک تعمیم یافته (GDA) به 2 بعد کاهش داده و پس از آن با استفاده از طبقه‌بندی کننده خطی، اپیزودهای AF یک دقیقه‌ای سیگنال ECG پایگاه داده پیش‌بینی پایان حملات فیبریلاسیون دهلیزی (AFTDB) را که از نظر پایان‌پذیری باهم متفاوتند، دسته‌بندی می‌کنیم. نتایج به‌دست آمده در دسته‌بندی 3 نوع اپیزود AF پایان ناپذیر، پایان‌پذیر بعد از یک دقیقه و پایان‌پذیر کمتر از یک ثانیه برای معیارهای ارزیابی sensitivity، specificity، positive predictivity وnegative predictivity به‌ترتیب 94%، 97%، 92% و 96% به‌دست آمده است. برتری این الگوریتم نسبت به سایر الگوریتم‌هایی که تاکنون ارائه شده‌اند، این است که می‌تواند همزمان هر 3 نوع اپیزود AF را با دقت قابل قبولی از هم تفکیک کند.

Item Type: Thesis (Masters)
Subjects: WA Public Health
WA Public Health > Public Health Education WA.18
WA Public Health > WA 400 Occupational Medicin, health and hygiene
Research Plan
Depositing User: Editor
Date Deposited: 09 Jul 2013 03:23
Last Modified: 09 Jul 2013 03:23
URI: http://eprints.ajaums.ac.ir/id/eprint/158

Actions (login required)

View Item View Item
MenuLeft
Ajaums Repository is powered by EPrints 3 which is developed by the School of Electronics and Computer Science at the University of Southampton. More information and software credits.
EPrints Logo MenuLeft