بررسی ویژگیهای استخراج شده از سیگنالهای الکتروکاردیوگرام به منظور تشخیص و طبقه بندی انفارکتوس میوکارد با استفاده از روشهای طبقه بندی

زمینه و هدف: بیماری های قلبی و عروقی (CVD) اولین علت مرگ در جهان هستند و انفارکتوس میوکارد (MI) یکی از پنج علائم اصلی بیماری های قلبی عروقی است که آنالیز سیگنال الکتروکاردیوگرام بیمار (ECG) نقش مهمی در تشخیص زودهنگام MI دارد.اهداف: این پژوهش با هدف ارزیابی کارایی برخی ویژگیهای استخراج شده از سیگنالهای ECG به منظور تشخیص انفارکتوس میوکارد (MI) انجام شده است.مواد و روشها: در این مقاله، برخی از ویژگیهای استخراجی از سیگنال ECG، از جمله انتگرال کامل الکتروکاردیوگرام (ECG) ، انتگرال موج T، انتگرال کمپلکس QRS و میزان بالازدگی J-point نسبت به خط مبنای سیگنال از یک سیکل ECG طبیعی و غیرطبیعی استخراج شده است. ما جهت انجام این پژوهش، از پایگاه داده Physikalisch-Technische Bundesanstalt (PTB) استفاده کردیم. از آنجا که مورفولوژی سیگنالهای ECG سالم و غیرطبیعی متفاوت است، ما از تکنیک انتگرال گیری قسمت های مختلف سیگنال ECG به منظور طبقه بندی MI و بررسی کیفیت ویژگی های استخراجی از ECG، به همراه روش اعتبارسنجی 5-fold cross-validation برای دو طبقه بندی کننده به نام های رگرسیون لجستیک و ماشین بردار پشتیبان خطی (LSVM)، استفاده کردیم. علاوه بر این، ترکیبات انتخابی مختلفی از ویژگیهای استخراجی از سیگنال ECG ، با ارائه به هر طبقه بندی کننده جهت ارزیابی کیفیت این ویژگیهای پیشنهادی مورد آزمون و بررسی قرار گرفت.یافته ها: نتایج روش پیشنهادی ما جهت تشخیص MI با به کارگیری کلیه ویژگیهای استخراجی پیشنهادی از سیگنال ECG و با استفاده از طبقه بندی کننده رگرسیون لجستیک قابل توجه است. این نتایج بدست آمده برای صحت و دقت 91,2٪، حساسیت 95٪ و تشخیص پذیری 81٪ است.نتیجه گیری: در نتیجه، تمام ویژگیهای پیشنهادی برای تشخیص MI ارزشمند هستند و برای پژوهشهای آتی پیشنهاد می شوند.

بررسی ویژگیهای استخراج شده از سیگنالهای الکتروکاردیوگرام به منظور تشخیص و طبقه بندی انفارکتوس میوکارد با استفاده از روشهای طبقه بندی Keywords:

الکتروکاردیوگرافی , انفارکتوس میوکارد , پردازش سیگنال الکتروکاردیوگرام , ماشین بردار پشتیبان , طبقه بندی , اعتبارسنجی متقابل