تشخيص آريتمي انقباضات زودرس بطني در سيگنال الكتريكي قلب با استفاده ازتركيب طبقه‌بندها

Premature Ventricular Contraction Arrhythmia Detection in ECG Signals via Combined Classifiers

يكي از شايع‌ترين آريتمي­‌هاي قلبي كه همواره مورد توجه پزشكان قرار گرفته‌است، آريتمي انقباضات زودرس بطني‌ست كه تشخيص آن با توجه به فراواني‌اش در همه سنين، اهميت ويژه­اي دارد. ثبت سيگنال الكتروكارديوگرام يك روش متداول و غير­تهاجمي براي بررسي نحوه عملكرد قلب است. توسعه روش‌هاي سريع و دقيق طبقه‌بندي خودكار الكتروكارديوگرام براي تشخيص باليني بيماري‌هاي قلبي بسيار ضروري است. هدف اين پژوهش نيز، تحليل سيگنال الكتريكي قلب به منظور طبقه‌­بندي آريتمي انقباضات زودرس بطني‌ست. هيچ طبقه­‌بندي وجود ندارد كه براي تمامي مسائل و در تمامي زمان­‌ها بهترين نتيجه را بدهد بنابراين؛ تركيب طبقه‌­بند­ها باعث مي­‌شود تا نتايج سامانه تركيبي در مقايسه با تك‌تك اين تكنيك­‌ها بهبود يابد. در اين پژوهش از پايگاه داده MIT-BIH arrhythmia database به‌عنوان منبع داده‌ استفاده شده‌است. در اين پژوهش براي تشخيص ضربان­­‌هاي زودرس بطني در بيماران از ويژگي­‌هاي مورفولوژيكي الكتروكارديوگرام و ويژگي­‌هاي به‌دست‌آمده از تبديل موجك استفاده شده‌است و پس از استخراج و انتخاب ويژگي‌ها، براي طبقه‌­بندي ضربان‌­هااز تركيب متداول­‌ترين روش‌­هاي طبقه‌­بندي، يعني شبكه عصبي مصنوعي، ماشين بردار پشتيبان و روش Kنزديك‌ترين همسايه استفاده شده‌است. بهترين نتايج، در حالت تركيب هر 3 طبقه‌بند و با استفاده از ويژگي­‌هاي هنجارسازي‌شده به‌ دست آمد. در اين حالت سامانه تركيبي طراحي‌شده موفق شد با صحت 0/2±98/9، حساسيت 0/1±99/0 و نرخ اختصاصي‌بودن 0/2±98/8 درصد ضربان­ هاي زودرس بطني را تشخيص دهد. همچنين، كارايي روش پيشنهادي در شرايط استفاده از نمونه­‌هاي آموزشي محدود نشان داده‌شد. در مجموع، نتايج نشان‌دهنده موفقيت روش پيشنهادي به‌ويژه در مقايسه با ساير پژوهش‌ها مرتبط است.

Cardiovascular diseases are the most dangerous diseases and one of the biggest causes of fatality all over the world. One of the most common cardiac arrhythmias which has been considered by physicians is premature ventricular contraction (PVC) arrhythmia. Detecting this type of arrhythmia due to its abundance of all ages, is particularly important. ECG signal recording is a non-invasive, popular method for an assessment of heart's function. Development of quick, accurate automatic ECG classification methods is essential for the clinical diagnosis of heart disease. This research analyzes the ECG signal to detect PVC arrhythmia. Different techniques are provided in order to detect this type of arrhythmia based on ECG signals. As these techniques use different methods for detection, the reaction of each one will be different to detect this type of arrhythmia. There is no classifier to give the best results for all matters at any time and combining classifiers improve the combined system results in comparison with each of the techniques. In this study, the MIT-BIH arrhythmia database is used as a data source. Two datasets are used for training; the first contains 2400 samples, as in other studies, and the second contains 600 samples, including normal and PVC beats. Morphological features and features obtained from wavelet transform used in a combined classifier were used afterwards, which is the combination of the most common classifiers namely artificial neural network, SVM and KNN for PVC beat classification. Statistical significance features were selected using the p-value approach and normalized them. The best results were obtained when combining all three classifiers and using normalized statistical significance features. The designed hybrid system succeeded to detect PVC beats with 98.9±0.2% accuracy, 99.0±0.1% sensitivity, and 98.8±0.2% specificity. Also, the efficiency of the proposed method was shown when using limited training samples. The results showed the success of the proposed approach, specifically in comparison with other related research studies.