طبقه‌بندي امواج قلبي به ‌منظور تشخيص سكته‌ي قلبي مبتني بر استخراج ويژگي‌هاي ريخت‌شناسي از الگوهاي فضايي- زماني امواج وكتور كارديوگرام

Classification of Cardiac Signals in Order to Diagnose Myocardial Infarction based on Extraction of Morphological Features from Spatio-Temporal Patterns of Vectorcardiogram Signals

مقدمه: يكي از شايع‌ترين بيماري‌هاي قلبي- عروقي (Cardiovascular diseases يا CVDs) در سراسر جهان سكته‌ي قلبي Myocardial infarction يا (MI) است. با پردازش و واكاوي امواج الكتروكارديوگرام (Electrocardiography يا ECG) و وكتور كارديوگرام Vectorcardiography يا (VCG)، مي‌توان به تشخيص و توصيف بيماري‌هاي قلبي نظير MI دست‌يافت. يكي از روش‌هاي نوين در تشخيص، استفاده از متغيرهاي فضايي- زماني امواج وكتور كارديوگرام است. هدف از انجام اين مطالعه، تفكيك صحيح امواج سالم از بيمار به‌ استفاده از طبقه‌بند شبكه‌ي عصبي مصنوعي و رسيدن به حساسيت و صحت قابل ‌قبول و همچنين، نشان دادن مزاياي وكتور كارديوگرافي و به‌ كارگيري آن به‌ عنوان روشي جهت پوشش معايب الكتروكارديوگرافي بود. روش‌ها: در اين تحقيق، علاوه بر به‌ كارگيري امواج الكتروكارديوگرام در حوزه‌ي زمان، از الگوهاي فضايي- زماني امواج وكتور كارديوگرام به‌ منظور شناسايي 80 بيمار مبتلا به MI و تمايز آن‌ها از 80 فرد سالم بهره برديم. يافته‌ها: زماني كه تركيب ويژگي‌هاي 12 ليد ECG و 3 ليد VCG به ورودي طبقه‌بند شبكه‌ي عصبي پيش‌خور (Feedforward neural network) اعمال شد، صحت 91/2 درصد، حساسيت 92/6 درصد و ويژگي 90/0 درصد حاصل شد كه نتايج، مقادير بالاتري را نسبت به زماني كه ويژگي‌ها به صورت جداگانه اعمال شوند، نشان مي‌دهد. نتيجه‌گيري: مشاهدات بيانگر اين است كه روش‌هاي مبتني بر تركيب ECG و VCG، مي‌توانند در تفكيك موارد MI از موارد سالم مؤثر باشند. اميد است كه اين روش در ارزيابي باليني و تشخيص نارسايي قلبي مفيد واقع شود.

Background: One of the most common cardiovascular diseases (CVDs) in the world is myocardial infarction (MI). By analyzing electrocardiogram and vectorcardiography (VCG) signals, it is possible to identify and characterize heart diseases such as MI. One of the new methods of detection is the use of spatio-temporal parameters of VCG signals. This study aimed to correctly distinguish healthy signals from patients, achieve acceptable accuracy, and show the benefits of VCG and its application as a method to cover the shortcoming of electrocardiography. Methods: In this study, in addition to applying electrocardiogram signals in the time domain, spatio-temporal patterns of VCG signals were used to identify 80 patients with MI, and differentiate them from 80 healthy individuals. Findings: When combining the 12-lead electrocardiography (ECG) and the 3-lead VCG features applied to the Feedforward Neural Network classifier input, an accuracy of 91.2%, specificity of 92.6%, and specificity of 90% were obtained. The results were in higher values than when applied separately. Conclusion: The observations indicate that combined ECG and VCG methods can be effective in distinguishing MI cases from healthy cases. It is hoped that this method may be useful in the clinical evaluation and heart failure diagnosis.