تعیین و تشخیص انفارکتوس میوکارد قلب از روی سیگنال الکتروکاردیوگرام استاندارد 12 لیده توسط استخراج ویژگی از سیگنال ECG

ایران اُنا/ ناصر صفدریان:

در این مطالعه، ما از سیگنالهای ECGثبت شده توسط 12 لید که از پایگاه دادۀ PhysioNetاخذ شده اند استفاده نموده ایم.

این پایگاه داده شامل 549 سیگنال ECGکه هریک شامل 15 لید هستند میباشد (12 عدد لید استاندارد و 3 عدد لیدهای فرانک لید).

در کل 294 شخص دارای سیگنال ثبت شده در این دیتابیس هستند.

کل پایگاه داده شامل 549 ثبت میباشد که هر شخص دارای یک تا 5 عدد سیگنال ثبت شده است.

هر ثبت شامل 15 سیگنال اندازه گیری شدۀ مشابه است و دارای 12 لید هستند (لیدهای 1 و 2 و 3 وavrو avlو avfو v1تا v6) همچنین سه عدد فرانک لید (vxو vyو vz). هر سیگنال نیز در فرکانس 1000 نمونه بر ثانیه دیجیتال شده است و بصورت 16 بیت با رنج ولتاژ  میباشد.

ابتدا اقدام به خواندن اطلاعات سیگنالهای موجود در نرم افزار MATLAB، سپس ویژگی های جدید از سیگنال ECGنظیر انتگرال موج Tو انتگرال یک سیکل از سیگنالهای ECGرا استخراج نمودیم.

چگونگی استخراج دو ویژگی ذکر شده به شرح زیر است:

پس از اینکه پنج سیکل از سیگنالهای هر بیمار را جداسازی نمودیم، مقدار انتگرال (مساحت زیر سیگنال) را برای هر سیکل از نقطۀ ابتدایی سیگنال تا انتهای سیگنال آن سیکل محاسبه میکنیم.

حال مقدار انتگرال کل سیگنال را برای هر یک از پنج سیکل ورودی داریم.

اکنون به استخراج انتگرال موج Tمی‏پردازیم.

نقطۀ ابتدا و انتهای موج Tرا برای هر سیکل سیگنال مشخص میکنیم و سپس اقدام به استخراج انتگرال Tمی‏نماییم.

حال از نتایج انتگرال کل سیگنالها و از نتایج انتگرال موج Tمربوز به پنج سیکل میانگین گیری میکنیم تا اطلاعات فقط یک سیکل را داشته باشیم

پس از این مرحله، ما قوانین و سطوح آستانه ای بر روی این ویژگی ها قرار میدهیم. و سرانجام با استفاده از شبکه عصبی RBFموقعیت دقیق MIقلبی را تخمین میزنیم. مراحل انجام طبقه‏بندی سیگنالهای سالم و بیمار به شرح زیر است:

ابتدا هریک از ویژگی های استخراج شده را در یک بردار ویژگی ذخیره می نماییم؛

این بردارها بعنوان بردارهای ورودی طبقه بندی کنندۀ RBFمیباشند

 اکنون بردارهای ویژگی را بصورت ورودی به شبکه عصبی میدهیم عملیات طبقه‏بندی سیگنالها را انجام میدهیم.

در این مطالعه ویژگی‏های مربوط به 70% سیگنالهای دیتابیس را بصورت تصادفی انتخاب کرده و به عنوان مجموعۀ آموزشی مشخص میکنیم. و ویژگی‏های مربوط به 30% سیگنالهای باقیمانده را به عنوان مجموعۀ تست مشخص می‏نماییم.

شبکه را بوسیلۀ مجموعۀ آموزشی، آموزش میدهیم و پارامترهای شبکه را به گونه‏ای تنظیم می‏نماییم تا دقت حداکثر در نتایج طبقه‏بندی سیگنال‏های مجموعۀ آموزشی بدست آید.

سپس با استفاده از شبکۀ طراحی شده، طبقه ‏بندی سیگنالهای مجموعۀ تست را نیز انجام میدهیم.