کاربرد تبدیل موجک دسته بندی الگوی ECG

کاربرد تبدیل موجک دسته بندی الگوی ECG – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه برق – الکترونیک

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

کاربرد تبدیل موجک متقابل در تحلیل و دسته بندی الگوی ECG

چکیده

در این مقاله، از تبدیل موجک متقابل (XWT) برای تحلیل و دسته بندی (طبقه بندی) سیگنالهای الکتروکاردیوگرام (ECG) استفاده می کنیم. همبستگی متقابل بین دو سیگنال حوزه زمانی، معیاری برای تشابه بین دو شکل موج به حساب می آید. کاربرد تبدیل موجک پیوسته در دو سری زمانی و بررسی متقابل دو مورد تجزیه، شباهتهای محلی در زمان و فرکانس را نشان می دهد. کاربرد XWT در یک جفت داده، طیف متقابل موجک (WCS) و همدوسی موجک (WCOH) را حاصل می کند. الگوریتم پیشنهادی، داده های ECG را با استفاده از XWT مورد تجزیه و تحلیل قرار داده و اختلافات طیفی حاصله را مشخص می نماید. الگوی پاتولوژیکی متفاوت با الگوی نرمال (عادی) در منطقه QT راهنماهای تحتانی حضور انفارکتوس میوکاردیال حاد را نشان می دهد. مجموعه ضربان نرمال به عنوان الگوی ECG نرمال مطلق انتخاب گردید و همدوسی بین اشیاء نرمال و غیر نرمال دیگر محاسبه شده است. WCS و WCOH الگوهای مختلف ECG ویژگیهای متمایزی روی دو منطقه خاص R1 و R2 نشان می دهد، که R1 منطقه پیچیده QRS و R2 منطقه موج T می باشد. از پایگاه داده ECG تشخیصی Physikalisch-Technische Bundesanstal  برای ارزیابی روشها استفاده شده است. فرمول ریاضی ابتکاری پارامتر (پارامترها) را از WCS و WCOH استخراج می کند. تست های تجربی نشان می دهد پارامترها به دسته بندی الگوهای قلبی نرمال و غیر نرمال ربط دارند. صحت کلی، حساسیت، و اختصاصی بودن بعد از ترکیب سه ویژگی مشخص شده خاص به ترتیب ۶٫ ۹۷، ۳٫ ۹۷، و ۸٫ ۹۸ درصد بدست آمده است.

واژگان کلیدی- تبدیل موجک متقابل (XWT)، نقاط اطمینان، درونیابی، انفارکتوس میوکاردیال، همدوسی موجک (WCOH).

کاربرد تبدیل موجک دسته بندی الگوی ECG

۱- مقدمه

هر ضربان قلب فرد در چرخه یا سیکل قلبی شکل موج الکتروکاردیوگرام ثبت شده (ECG)، تکامل زمانی فعالیت الکتریکی قلب را نشان می دهد که از الگوهای واقطبش (واقطبیدگی)- قطبش مجدد الکتریکی متمایز قلب ساخته شده است. هرگونه اختلال در ضربان قلب یا ریتم، یا تغییر در الگوی مورفولوژیکی (ریخت شناسی)، نشانه ای دال بر نوعی پاتولوژی یا آسیب شناسی پایه به حساب می آید که با تجزیه و تحلیل شکل موج ECG ثبت شده می توان آن را تشخیص داد. بیماری کرونری قلب، یکی از نگرانی های مرتبط با سلامت اصلی در سرتاسر جهان به حساب می آید. تجزیه و تحلیل شکل مشخصه ضربان ECG فرد، ویژگیهای مورفولوژیکی، و خصوصیات طیفی می تواند اطلاعات بالینی همبسته معناداری برای تشخیص خودکار الگوی ECG ارائه نماید. با این حال، دسته بندی یا طبقه بندی خودکار ضربان های ECG یک مسئله چالش برانگیز به حساب می آید زیرا ویژگیهای مورفولوژیکی و زمانی سیگنال های ECG برای بیماران مختلف تحت شرایط فیزیکی متفاوت، تغییر قابل توجهی نشان می دهند. 

عملکرد خوب هر سیستم تجزیه و تحلیل خودکار ECG به تشخیص مطمئن و درست ویژگیهای مشخصه پایه سیگنال مورد مطالعه بستگی دارد. برای تعیین ضربان قلب، تشخیص QRS لازم بوده و از آن به عنوان نقطه مرجع برای همسویی و همترازی ضربان استفاده می شود. ترسیم خودکار ECG در سطح وسیع مطالعه شده است و الگوریتم های زیادی برای تشخیص QRS و شناسایی نقطه اطمینان توسعه یافته است. الگوریتم های تجزیه و تحلیل ECG روی نمونه های داده ECG عمل کرده و خروجی های خودکاری، من جمله مورفولوژی، اندازه گیری فاصله زمانی و تجزیه و تحلیل ریتم تولید می کنند. سیگنالهای ECG در طبیعت ذاتاً غیر ایستا هستند. همین امر تبدیل موجک را به یک ابزار موثر برای تجزیه و تحلیل سیگنال های ECG تبدیل می کند. از تبدیل موجک در سیگنالهای ECG برای بهبود پتانسیل تاخیر، کاهش نویز، تشخیص QRS، تشخیص ضربان نرمال و غیر نرمال و ترسیم ویژگیهای مشخصه ECG استفاده شده است. روشهای بکاررفته در این مطالعات از طریق تبدیل موجک پیوسته (CWT)، تحلیل چند وضوحی (با رزولوشن چند منظوره) و تبدیل موجک دوتایی اجرا شدند.

دسته بندی یا طبقه بندی ضربان های ECG، یک مسئله چالش برانگیز می باشد، زیرا ویژگیهای مورفولوژیکی و زمانی سیگنال های ECG، تغییرات معناداری برای بیماران مختلف نشان می دهد. روشهای دسته بندی زیادی با ویژگیهای متمایز با استفاده از نقشه های خودسازمانده، نوروفازی توسعه یافته است. مسائل دسته بندی مختص انفارکتوس میوکاردیال و ایسکمی در [۹]، [۱۹] و [۳۱]-[۲۸] خطاب قرار گرفته است، در آنجا از ویژگیهای مسطح زمانی سیگنال برای دسته بندی استفاده شده است.

از ابزار مجازی مبتنی بر PC به عنوان پلتفرم تست جهت دریافت، پردازش، نمایش و توزیع داده های ECG استفاده گردید. پیاده سازی انتگرال گیری در مقیاس بسیار بزرگ فیلتر دیجیتال فاز خطی برای پردازش سیگنال ECG در [۳۷] طراحی شده است و مدار توسعه یافته از پیچیدگی محاسباتی بسیار پائینی برخوردار می باشد. مدل مبتنی بر درخت مخفی مارکوف برای تکنیک ترسیم ECG در [۳۸] توسعه یافته است. شیوه ای برای شناسایی انسان با استفاده از ECG 12 راهنمایی ثبت شده در طول تست، در [۳۹] و [۴۰] مورد پژوهش قرار گرفته است.

اکثر روشهای دسته بندی از ویژگیهای سطح زمانی نظیر قطعه ST، ارتفاع R، ارتفاع T و غیره استفاده می کنند. صرف نظر از مسائل صحت اندازه گیری ویژگیهای استخراج شده، در هنگام استفاده از این ویژگیها برای دسته بندی، مجموعه ویژگی بزرگی بدست می آید. در نتیجه، ازتکنیک های قاعده کاوی برای کاهش مجموعه ویژگی استفاده می شود که این امر پیچیدگی محاسباتی را افزایش می دهد.

در این مقاله، داده های ECG را با استفاده از تبدیل موجک متقابل (XWT) مورد تجزیه و تحلیل قرار داده و اختلافات طیفی حاصله را کشف می کنیم. این روش از تشخیص پیک R برای قطعه بندی ضربان استفاده می کند. استخراج سایر ویژگیهای مسطح زمانی، ضروری نمی باشد. از روش XWT برای تجزیه و تحلیل انواع مختلف سیگنال های غیر ایستا استفاده شده است. با این حال، از این روش در تجزیه و تحلیل سیگنال ECG استفاده نمی کنیم. داده های ECG نویززدایی شده و پیک های R قبل از اینکه سیگنال در معرض پردازش بیشتر قرار بگیرد، ثبت می شوند. سپس ضربان قلب محاسبه شده و ضربان ها به منظور آنالیز، قطعه بندی می شوند. هر یک از ضربان های قطعه بندی شده، قبل از تحلیل برحسب زمان نرخ می شوند، زیرا ضربان قلب در میان افراد متغیر می باشد. در این مقاله، تنها انفارکتورس میوکاردیال حاد (IMI) و کلاس نرمال در نظر گرفته شده است. الگوهای ECG نرمال و غیر نرمال مورد تجزیه و تحلیل قرار گرفته و با قرار گرفتن در معرض XWT شناسایی شدند. در اینجا روشی برای دسته بندی الگوی ECG براساس پارامترهای استخراج شده از طیف متقابل موجک (WCS) مطرح می کنیم.

فرمول ریاضی ابتکاری پارامترها را از WCS و WCOH استخراج می نماید. تستهای تجربی نشان می دهد پارامتر مورد نظر به دسته بندی الگوهای قلبی نرمال وغیر نرمال ربط دارد. در اینجا صحت دسته بندی برای راهنماهای II، III و AVF به ترتیب ۹۵٫ ۹۸، ۴۳٫ ۹۹ و ۰۰٫ ۹۸ درصد می باشد. حساسیت بدست آمده به ترتیب ۴۰٫ ۹۷، ۸۳٫ ۹۸، و ۵۵٫ ۹۷ درصد و مقادیر اختصاصی بودن بدست آمده برای سه راهنما به ترتیب ۲۷٫ ۹۸، ۸٫ ۹۸، و ۶٫ ۹۸ درصد می باشد.

کاربرد تبدیل موجک دسته بندی الگوی ECG

۲- کلیاتی از تبدیل موجک

تبدیل موجک یک روش تبدیل خطی است که سیگنال را به مولفه هایی تجزیه می کند که در مقیاس های مختلف ظاهر می شوند ( یا رزولوشن). محلی سازی زمانی مولفه ها و اجزای طیفی با تحلیل موجک بدست می آید، زیرا بدین طریق نمایش زمان- فرکانس از سیگنال حاصل می گردد.

الف. تبدیل موجک پیوسته

از تبدیل موجک می توان برای تحلیل سریهای زمانی محتوی توان غیر ایستا در فرکانس های مختلف استفاده نمود. فرض کنید سریهای زمان xn با فاصله زمانی برابر  و  وجود دارد. موجک مادر  بدست می آید که به زمان پارامتر غیر ابعادی تعیین شده توسط  بستگی دارد. آن در صورتی به عنوان موجک شناخته می شود که این تابع دارای میانگین صفر بوده و در فضال زمان و فرکانس قرار داشته باشد.

ب. تبدیل موجک متقابل

مطالعه همبستگی بین جفت های سیگنالهای حوزه زمانی با استفاده از XWT انجام می شود. XWT دو سری زمانی xn و yn به صورت زیر تعریف می شود:

کاربرد تبدیل موجک دسته بندی الگوی ECG

۳- مواد و روش توسعه یافته

در روش پیشنهادی، از XWT برای تحلیل سیگنالهای ECG استفاده شده است. ثبت پیک R و سپس قطعه بندی ضربان، به منظور همترازی و همسویی زمانی درست چرخه های قلبی و مقایسه امضاهای بالینی دو الگوی مورد مطالعه انجام شده است. ضربان قلب یک کمیت متغیر بوده و به نسبت مدت ضربان، تغییر می کند. برای انتخاب پارامتر، این ضربان ها در معرض تحلیل بیشتر قرار می گیرند. تحلیل موجک متقابل ضربان های ECG ویژگیهای مشخصه مهمی از امواج مورد مطالعه را نشان می دهد. الگوریتم پیشنهادی از تشخیص پیک R برای قطعه بندی ضربان استفاده کرده و در این راستا نیازی به استخراج سایر ویژگیهای مسطح زمانی صریح نمی باشد. در شکل ۲، روش پیشنهادی به طور مفصل شرح داده شده است.

الف. داده ها

کلیه داده های ECG در این مقاله از پایگاه داده ECG 12 راهنمایی تشخیصی  (ptbdo)  انتخاب شده اند. پایگاه داده تشخیصی ECG ptbdb حاوی ۵۴۹ رکورد از ۲۹۰ فرد با ۵۲ کنترل سالم و ۱۴۸ بیمار MI می باشد.

ب. نویززدایی و ثبت پیک R

یکی از مراحل لازم وضروری قبل از هر شکل تحلیل، نویززدایی داده های ECG می باشد، زیرا این کار، کارایی الگوریتم را افزایش می دهد. این فصل از تجزیه مبتنی بر تبدیل موجک گسسته و بازسازیهای انتخابی ضرایب موجک برای نویززدایی و تشخیص QRS استفاده می کند. نویززدایی و تکنیک استخراج ویژگی پایه بکاررفته برای این مقاله، روش توسعه یافته در [۱۱] می باشد. در تکنیک عنوان شده، نویز با تجزیه انتخاب و شناسایی باند فرکانس نویزی و بدین طریق رد ضرایب متناظر، حذف می شود. برای شناسایی باند فرکانس QRS، ضرایب جزئیات D4 و D5 انتخاب می شوند، زیرا آنها محتوی بخش عمده ای از اطلاعات QRS می باشند.

ج. نرمال سازی چرخه های قلبی

به محض ثبت پیک های R، فاصله R-R محاسبه و به نسبت های ۱: ۲ تقسیم می شود. ( یعنی نقطه). یک چرخه قلبی، جزئیات شرایط پاتولوژیکی فرد را مطرح نموده و به همین خاطر هر ضربان قبل از قرار گرفتن در معرض تحلیل موجک متقابل، باید قطعه بندی (قطعه قطعه) شود. با در نظر گرفتن x نقطه برای سمت چپ و ۲x نقطه برای سمت راست شاخص R ، یک ضربان قلب استخراج می شود. از آنجایی که ضربان قلب برای هر فرد متغیر است، در نتیجه طول چرخه قلبی نیز متغیر می باشد. در نرخ نمونه برداری m، اگر ضربان قلب ، آنگاه تعداد نمونه ها در یک ضربان از رابطه زیر بدست می آید:

د. استخراج ویژگی و شناسایی پارامتر

XWT، WCS و WCOH تولید می کند که ماتریس هایی حاوی WCS و WCOH بین دو سیگنال می باشند. در این مقاله، افراد نرمال و افرادی با IMI، در نظر گرفته شده اند. یک الگوی QT پاتولوژیکی متغیر برای داده های نرمال و غیر نرمال وجود دارد. منطقه QT، که منطقه پاتولوژیکی به حساب می آیند، برای استخراج و تحلیل پارامتر انتخاب می شود. فاصله ۸۰ نقطه از چپ تا ۴۰۰ نقطه تا راست پیک R ثبت شده، به عنوان منطقه QT شناخته می شود. شروع و پایان منطقه زمانی به صورت t1 و t2 علامتگذاری می شود. بازرسی دیداری طیف نگار (اسپکتوگرام) کد گذاری شده با رنگ برای  WCS و WCOH در اشکال ۵-۳ نشان می دهد که اثر تحلیل، در محدوده مقیاس خاص، مهم واقع می شود. فرمول های ریاضی ابتکاری توسعه و روی مجموعه داده های مختلف تست شده است. این معادلات برای استخراج ویژگی از WCS و WCOH بکار برده می شوند.

ه. دسته بندی

در سناریوی فعلی، دسته بندی داده ها به مسئله دو کلاسه کاهش می یابد و کلاس نرمال و IMI را از هم جدا می نماید. طبق بخش III-A، ازراهنماهای استاندارد II، III و AVF برای شناسایی الگوهای IMI ECG استفاده می شود. فرمول های ریاضی ابتکاری، پارامتر را از WCS و WCOH استخراج می کنند. آزمون های تجربی نشان می دهد پارامتر به دسته بندی الگوهای قلبی نرمال و غیر نرمال ربط دارد. با این حال، تکنیک های دسته بندی پیچیده زیادی در [۲۵] و [۲۶] وجود دارد. در این مقاله، دسته بند (طبقه بند) مبتنی بر آستانه پیشنهاد شده است، زیرا پارامترهای استخراج شده از مشخصه تفکیک پذیری کلاس متمایزی برخوردار هستند. به محض تعیین پارامترها، مقادیر آستانه خاص pp و pa برای کلیه راهنماها برآورد می شود. پس از بازرسی دیداری خوشه های نرمال و غیر نرمال، مشخص گردید که نقاط داده کلاس نرمال در ربع بالا سمت راست پلات خوشه قرار دارند. همچنین دیده شد که مقدار پارامتر منطقه همپوشانی خوشه، بیشتر از مرکز کلاس نرمال بوده و برخی از نقاط داده کلاس غیر نرمال روی خوشه نرمال قرار دارند. بنابراین، نقاطی با مقادیر pa و pp بیشتر از مرکز کلاس نرمال برای بدست آوردن آستانه در نظر گرفته شده و به ترتیب صعودی مرتب شده اند.

۴- مشاهدات و نتایج آزمایش

کلیه داده های ورودی برای این روش از ptbdb Physionet  انتخاب شده اند. نتایج روی سه راهنمای استاندارد II، III و AVF به صورت شرح داده شده در بخش III-A مورد آزمون قرار گرفته اند.

الف. تحلیل تغییر داده های ECG متمایز از لحاظ مورفولوژیکی با WCS و WCOH

اشکال ۵-۳ اختلافات در WCS و WCOH را نشان می دهند زمانی که جفت های نرمال/ نرمال و نرمال/ غیر نرمال در معرض تحلیل XWT قرار می گیرند. دو گروه اصلی از اختلاف به صورت R1 و R2 نشانه گذاری می شود. R1، منطقه کمپلکس QRS و R2 منطقه موج T می باشد. اشکال ۵-۳ IMI نوع ۱ ( نوع غیر Q با ارتفاع ST و کمپلکس QRS میرا)، نرمال و IMI نوع ۲ ( MI نوع Q با Q عمیق و T وارونه) را نشان می دهند. طبق طیف نگار رنگی برای WCS و WCOH، می توان به این نتیجه رسید که تغییرات طیفی و همدوسی در مناطق R1 و R2 وجود دارد. برای دسته بندی داده های نرمال و غیر نرمال، دو پارامتر متمایز کننده تعیین شده است. برای نمایش مختصر داده ها و به خاطر محدودیت های فضایی (جا)، تنها تعداد محدودی از تحلیل ها نشان داده شده است.

ب. متریک های ارزیابی عملکرد برای دسته بندی ضربان

در بخش III-D، روابط(۵) و (۶) توسعه یافته و با استفاده از داده های آزمون تصدیق شده است. طیف نگارهای بخش های ۴-A و ۴-B نتایج بدست آمده را نشان می دهند زمانی که روی جفت ضربان های الگوی نرمال/ نرمال و الگوی نرمال/ غیر نرمال، بکار برده می شوند. پارامتر (یا ویژگی) استخراج شده از این محدوده مقیاس روی منطقه QT، امضای شناسایی منحصر به فردی حاصل خواهد نمود. در این مقاله، سه شاخص آماری را در نظر گرفته ایم: صحت (Acc)، حساسیت (Se) و اختصاصی بودن (Sp) که به ترتیب در روابط (۹)- (۷) تعریف شده اند.

کاربرد تبدیل موجک دسته بندی الگوی ECG

۵- مباحث

روش مطرح شده در این مقاله، الگوهای ضربان ECG را در معرض تبدیل موجک قرار داده و سپس تغییرات طیفی موجود بین دو سیگنال را کشف می نماید. مجموعه های داده ECG برای حذف آرتیفکت ها و نویزهای دیگر قبل از قرار گرفتن در معرض تحلیل مبتنی بر XWT، پیش پردازش می شوند. در صورت استفاده از ضربان های نویزی به عنوان ورودی برای سیستم، نویزتداخل خط قدرت (توان) باعث بروز مشکلاتی در حین تحلیل می شود، زیرا فرکانسش در همان باندی قرار دارد که سیگنالهای ECG قرار دارند.

کاربرد تبدیل موجک دسته بندی الگوی ECG

۶- نتیجه گیری

در این مقاله، روشی برای تحلیل الگوهای ECG با استفاده از تکنیک XWT مطرح کردیم. همبستگی متقابل، معیار تشابه بین دو شکل موج می باشد. کاربرد CWT در دو سری زمانی و بررسی متقابل دو تجزیه، شباهتهای محلی در زمان و مقیاس را نشان می دهد. از موجک Morlet به عنوان موجک مادر استفاده گردید. از طریق تحلیل، مشخص گردید که WCS و WCOH، اختلافات برجسته و مهم بین دو سری زمانی را نشان می دهند. اختلافات مبتنی بر منطقه در طیف نگارهای WCS و WCOH جفت های نرمال/ نرمال و نرمال/ غیر نرمال، مشهود بودند. اختلافات قابل رویت در مناطق R1 و R2 نشانه گذاری گردید و پس از انتخاب مقیاس، پارامترهای دسته بندی مناسب به روش تجربی تعیین شدند. صحت دسته بندی برای راهنماهای II، III و AVF به ترتیب ۹۵٫ ۹۸، ۴۳٫ ۹۹، ۰۰٫ ۹۸ درصد با صحت کلی ۶٫ ۹۷ درصد بدست آمد. نتیجه بدست آمده امکان توسعه روش پیشنهادی برای سیستم دسته بندی مبتنی بر ECG با ۱۲ راهنما را فراهم آورده و سایر مسائل ناهنجاری قلبی را خطاب قرار می دهد.