امکان تشخیص آریتمی‌های قلبی با استفاده از تحلیل شاخص‌های آشوبی سیگنال ECG

محورهای موضوعی : انرژی های تجدیدپذیر

علی تمیزی ¹ (کارشناس ارشد/دانشگاه آزاد اسلامی واحد نجف آباد)
محمد عطایی ² (دانشیار/دانشگاه اصفهان)
محمدرضا یزدچی ³ (استایار /دانشگاه اصفهان)

تاریخ دریافت : 1390/06/13 تاریخ پذیرش : 1391/02/02 تاریخ انتشار : 1392/03/11

کلید واژه: آشوب, نمای لیاپانوف, الکتروکاردیوگرام, بعد همبستگی, طبقه‌بندی کننده فازی,

چکیده مقاله :

سیگنال الکتروکاردیوگرام (ECG) معمول‌ترین روش غیرتهاجمی برای بررسی سلامتی قلب یا تشخیص احتمالی بیماری‌های قلبی است. مطالعات نشان می‌دهد سیگنال ECG یک ساختار خطی ساده ندارد بلکه دارای مؤلفه‌های غیرخطی است. در این مقاله سیگنال ECG به عنوان یک سری زمانی در نظر گرفته شده است و شاخص‌های غیرخطی آشوبی مانند بزرگ‌ترین نمای لیاپانوف ( ) و بعد همبستگی (D2) از سیگنال ECG برای افراد سالم و بیمار استخراج می‌شود. در این راستا الگوریتم‌های مناسب جهت استخراج پارامترهای لازم برای بازسازی فضای حالت و نیز محاسبه بزرگ‌ترین نمای لیاپانوف و بعد همبستگی از روی سیگنال ECG با ملاحظات مربوطه ارائه می‌گردد. سپس با استفاده از طبقه‌بندی کننده فازی امکان تفکیک افراد سالم و بیمار، براساس شاخص‌های آشوبی محاسبه شده بررسی می‌شود. داده‌ها از پایگاه داده‌های MIT-BIH گرفته شده است و مقایسه نتایج برای سه گروه شامل افراد با ریتم قلبی سالم (NSR)، بیماران فیبریلاسیون دهلیزی (AF) و بیماران انسداد دسته شاخه چپ (LBBB) انجام شده است که مبیّن کارایی طبقه‌بندی ارائه شده بر اساس شاخص‌های آشوبی است.

چکیده انگلیسی:

Electrocardiogram (ECG) signals are the most popular non-invasive approach for diagnosis of heart irregularities and indications of possible heart diseases. Previous studies have shown that ECG signals do not have a linear distribution and contain a variety of non-linear dimensions. In the present research we have treated the ECG signals as time-series data and applied chaos indices analysis. Utilizing data from MIT_BIH Database, the present study has improved the past research by analysing chaotic indices  such as Lyapunov Exponent (λmax), and Correlation Dimension to ECG signal data from healthy individuals and heart patients. We present appropriate algorithms for reconstruction of Phase Space and estimations of the model parameters using Lyapunov Exponent and CorrelationDimension.We then present the results from reconstruction of Phase Space based on chaotic indices, and fuzzy classifier, to discriminate healthy individuals (NSR) from the heart patients.The heart patients include those with Arterial Fibrillation (AF) and those with Left Bundle Branch Block (LBBB). These results ascertain the effectiveness of application of chaotic distribution to ECG data in improving the heart disease diagnosis.