شاخص هورست چندگانه اصلاح شده براي ارزيابي ميزان آشوبناك بودن در كاربرد طبقه‌بندي آريتمي‌هاي قلبي

Modified Multiple Hurst Index for Evaluating Measure of Chaoticity in Cardiac Arrhythmias Classification Application

قلب انسان سيستمي آشوبناك است؛ از اين رو براي شناسايي انواع آريتمي‌هاي قلبي از بعد فركتال استفاده مي شود. آريتمي‌هاي قلبي يكي از شايع‌ترين بيماري‌ها هستند كه شناسايي آن‌ها بسيار مهم است. نماي هورست معياري براي ارزيابي ميزان آشوبناكي سيستم‌ها و كمي‌سازي بعد فركتال سيستم‌هاي آشوبناك است، كه با روش تحليل دامنه بازمقياس محاسبه مي‌شود. براساس مطالعات انجام شده، نماي هورست كلاسيك ويژگي مناسبي براي طبقه‌بندي آريتمي‌هاي قلبي نيست؛ زيرا از يك سو، انتخاب و تعيين مقدار پارامترها به-شدت بر مقدار محاسبه شده براي نماي هورست تاثير مي‌گذارد و از سوي ديگر، اين روش وابستگي بسياري به نرخ ضربان قلب دارد. در اين مقاله، شاخص هورست چندگانه اصلاح شده براي طبقه‌بندي آريتمي‌هاي قلبي پيشنهاد شده است كه نسبت به نماي هورست كلاسيك، ويژگي‌هاي مناسب‌تري براي طبقه‌بندي آريتمي‌هاي قلبي فراهم مي‌سازد و نسبت به تغييرات نرخ ضربان قلب نيز مقاوم است. بررسي‌هاي انجام شده با استفاده از اين روش روي 80 سيگنال، شامل ريتم نرمال و آريتمي‌هاي انسداد دسته‌ شاخه راست (RBBB)، انسداد دسته شاخه چپ (LBBB) و انقباض زودرس دهليزي(APC) از پايگاه داده MIT-BIH، توانسته است با استفاده از طبقه‌بندي‌كننده‌هاي LDA ، نزديك‌ترين همسايه و شبكه عصبي به ترتيب به صحت طبقه‌بندي 75/88 %، 25/96 % و 100 % منجر شود.

The humans’ heart is a chaotic system so use of fractal dimension to identify cardiac arrhythmias has been considered. Cardiac arrhythmias are prevalent diseases that is very important to be diagnosed. Hurst index which is calculated using rescaled range analysis method, is used as a criterion to evaluate chaotic systems and to quantify the fractal dimensions. Previous studies have shown that classical Hurst index is not appropriate for classification of cardiac arrhythmias because not only selection of algorithm parameters affect the value of determined Hurst index, but also it significantly varies as the heart rate changes. In this paper, modified multiple Hurst index has been proposed to classify the cardiac arrhythmias. The presented index is resistant against changes in heart rate and can be used to identify appropriate features to classify the cardiac arrhythmias. 80 signal from four types of ECG beats obtained from the MIT-BIH Arrhythmia dataset has been used to validate the algorithm. Results show that this method is able to detect normal rhythm and right bundle branch block (RBBB), left bundle branch block (LBBB) and atrial premature complex (APC) arrhythmias with accuracy of 100%, 96.25% and 88.75% using artificialneural network, k nearest neighbor and LDA classifiers respectively.