پيش بيني مرگ ناگهاني قلبي (SCD) با استفاده از تحليل هاي زمان – فركانس و آناليز غير خطي سيگنال الكتروكارديوگرام

Prediction of Sudden Cardiac Death (SCD) Using Time-Frequency Analysis of ECG Signals

مرگ ناگهاني قلبي (SCD) همه ساله جان ميليون‌ها انسان را مي‌گيرد . با استفاده از تجهيزات پزشكي از قبيل ديفيبريلاتور مي توان تعداد اين نوع مرگ‌ها را كاهش داد، با وجود اين راه‌هاي مناسبي براي پيش بيني مرگ ناگهاني قلبي كه پزشكان بتوانند از طريق آن تصميمات مناسبي را براي بيماران در معرض خطر بگيرند، وجود ندارد. در اين مقاله با استفاده از پردازش سيگنال الكتروكارديوگرام مرگ ناگهاني قلبي پيش بيني شده است. براي اين كار پس از استخراج سيگنال HRV از سيگنال ECG به استخراج ويژگي‌هاي خطي، زمان – فركانس و غير خطي پرداخته شده است. در مرحله بعد، بهترين ويژگي‌هاي تركيبي منتجه براي ايجاد بيشترين تمايز بين دو كلاس را انتخاب كرده، سپس با اعمال PCA به بردار ويژگي تركيبي، ابعاد ويژگي كاهش يافته و در نهايت، از طريق شبكه عصبي MLP افراد سالم و افراد ريسك پذير، دسته بندي مي‌شوند .به منظور ارزيابي توانمندي هر يك از روش‌هاي تحليلي در تفكيك افراد، آنها را به صورت مجزا و تركيبي با هم مقايسه كرده ايم .نتايج به دست آمده نشان مي‌دهند كه در سيگنال HRV مربوط به افراد ريسك پذير، در نزديكي وقوع SCD ويژگي هائي وجود دارد كه آنها را كاملا از افراد سالم متمايز مي كند. روش بردار تركيبي از توانايي بمراتب بيشتري براي آشكار كردن اين اختلاف برخوردار است. در نهايت صحت تفكيك پذيري براي دقايق اول، دوم ،سوم و چهارم قبل از واقعه به ترتيب 99.43%؛ 97.86% ؛ 90.49% ؛73.35 % است كه نسبت به كارهاي قبلي انجام شده از صحت بمراتب بالاتري برخوردار است. از طرفي، نشان داده ايم كه از 4 دقيقه قبل از رخ دادن مرگ قلبي، اين افزايش احتمال خطر كاملا مشهود است؛ به طوري كه هرچه به وقوع حادثه نزديكترمي شويم، احتمال وقوع نيز افزايش مي يابد و اين زمان براي اتخاذ راهكارهايي براي جلوگيري از اين واقعه كافي است.

Despite the significant decline in coronary artery disease (CAD) mortality in the second half of the 20th century, sudden cardiac death (SCD) continues to claim 250 000 to 300 000 US lives annually. Even in the presence of advanced first responder systems for resuscitation of out-of-hospital cardiac arrest, the overall survival rate in a recent North American analysis was 4.6%. If there are existed suitable ways to predict sudden cardiac death, doctors can make better decisions for patients at risk. In this paper, we investigate a way to predict sudden cardiac death. To do this, after the extraction of the HRV signal from ECG signal, some nonlinear and time-frequency features have been extracted from HRV signal. Then, the dimension of the feature space is reduced by applying the feature selection and PCA. Finally, healthy people and people at risk of SCD are classified using an MLP neural network. To evaluate the capabilities of analytical methods in classification, we have compared the classification rates for nonlinear and TF features, separately and in combination. The results show that there are features in the HRV signal of SCD patients just near the occurrence of SCD, which is quite different from normal people. Also, results show that the combination of time-frequency and nonlinear features have a greater ability to detect this difference. It has also been investigated that there are precious information in four minutes before the incident of SCD to predict the death and this is enough time to save the patient by doctors or medical centers.