ارائه يك روش نوين به‌منظور پيش‌بيني مرگ ناگهاني قلبي (SCD) با استفاده از روش انتخاب ويژگي و طبقه بندي كننده تجميع خبرگان

A Novel Approach to Predict Sudden Cardiac Death Using Local Feature Selection and Mixture of Experts

مرگ ناگهاني قلبي (SCD) نتيجه تخريب شديد عملكرد قلبي است كه سبب ازبين‌رفتن سيستم قلبي در افراد مي‌شود. وقتي اين اتفاق رخ مي­دهد، خون ديگر نمي ­تواند براي مدتي به قسمت‌هاي مختلف بدن پمپ شود. اين واقعه به قدري جدي است كه مي­تواند در عرض چند دقيقه، بيمار را از زندگي محروم سازد. در صورت علم به وقوع اين حادثه مي­توان از طريق تجهيزاتي همچون دفيبريلاتور و استفاده از ديگر راهكارهاي درماني تعداد اين نوع مرگ‌ها را به شدت كاهش داد. با وجود اين، همچنان راه‌هاي مناسبي براي پيش ­بيني مرگ ناگهاني قلبي وجود ندارد تا پزشكان بتوانند از طريق آن، تصميمات مناسبي براي بيماران در معرض خطر بگيرند. در اين مطالعه با استفاده از بهترين روش‌هاي استخراج ويژگي از پردازش‌هاي غيرِخطي، زمان - فركانس و كلاسيك كه فراهم‌ آمدة مطالعات قبلي و تجربيات كارهاي گذشته خود ما است، از يك روش نوين جهت انتخاب فضاي ويژگي بهينه به‌صورت محلي استفاده شده است. همچنين در ادامه با توجه به وجود ويژگي‌هاي متفاوت از حوزه‌هاي مختلف، طبقه‌بندي‌كنندة تجميع خبرگان پيشنهاد شده است. روش‌هاي پيشنهادي اين امكان را فراهم مي ­كنند كه با انتخاب بهينه ويژگي‌ها در هر بازه 1 دقيقه‌اي از سيگنال، انتخاب ويژگي‌هاي متفاوتي در هر دقيقه قبل از واقعه انجام شود كه با هم متفاوت باشند. اين موضوع نه‌تنها باعث افزايش چشمگير زمان پيش ­بيني از 4 دقيقه به 12 دقيقه با صحت بالا مي‌شود، بلكه امكان تفسير علائم باليني با توجه به تكثر وجود ويژگي‌ها در هر دقيقه را نيز فراهم مي‌سازد. از طرفي وجود شبكه تجميع خبرگان، تصميم مناسب‌تري به‌عنوان خروجي در مورد پردازش حوزه‌هاي مختلف خواهد گرفت. نتايج مطالعه نشان‌ دهنده توانمندي درخور توجه روش‌هاي پيشنهادي نسبت به ديگر روش‌هاي ارئه‌ شده در مطالعات مشابه است.

Sudden Cardiac Death (SCD) is caused by loss of heart function which ultimately stops heart from pumping blood throughout the body and therefore, claims the patient’s life within few minutes. Once detected, sudden cardiac deaths could substantially decrease through applying medical procedures or instrumentations such as defibrillators. Nonetheless, effective approaches to SCD prediction, based on which doctors can make informed decisions, are yet to be discovered. This research aims to propose a novel approach to local feature selection with the assistance of the most accurate methodologies, which have formerly been developed in previous works of this team, for extracting features from nonlinear, time-frequency and classic processes. Furthermore, taking into consideration the existence of different features from different areas, the Mixture of Experts is put forward as a means of classification. The suggested methods enable us to select features that differ from one another in each minute before the incidence through the agency of optimal feature selection in each one-minute period of the signal. Not only will this facilitate increasing the prediction time from 4 minutes to 12 with a high level of accuracy, but it also will provide us with an opportunity to interpret clinical signs considering the plurality of features in each minute. Additionally, applying the Mixture of Experts classification proceeds to ensure a precise decision-making on the output of different areas processes. The results indicate to the superiority of the proposed method to those mentioned in similar studies.