استفاده از تحليل كشيدگي طيفي سيگنال ECG براي شناسايي آريتمي قلبي

Spectral Kurtosis of ECG Signal for Cardiac Arrhythmia Detection

مقدمه: آريتمي قلبي به خصوص در ساعات اوليه مي تواند موجب توقف فعاليت قلب و بروز مرگ گردد. از آنجا كه اشتباه در تصميم گيري از مهم ترين علل مرگ در بيماران بخش مراقبتهاي ويژه قلبي است، لذا شناسايي و كلاس بندي آريتمي هاي قلبي با استفاده از سيگنال ECG براي تشخيص بيماران با ناهنجاري هاي قلبي يك منبع اطلاعاتي با ارزش در مواقع بحران و رزم مي باشد. روش كار: ابتدا با استفاده از فيلترهاي ديجيتال و تبديل موجك گسسته (DWT)، نويزهاي سيگنال ECG حذف مي شوند. در ادامه، با استفاده از تحليل كشيدگي طيفي، تابع Kurtogram براي مجموعه QRS به دست مي آيد. با تقسيم بندي تابع Kurtogram، ويژگي هاي مفيد از مجموعه QRS استخراج مي شوند. در نهايت با استفاده از طبقه بند K-نزديك ترين همسايه (KNN)، سالم بودن فرد يا نوع آريتمي مشخص مي شود. يافته ها: در اين مقاله از سيگنال هاي ECG موجود در پايگاه داده MIT-BIH استفاده مي كنيم. سيگنال هاي افراد سالم و چهار نوع آريتمي شامل APB، PVC، LBBB و RBBB براي كلاس بندي انتخاب شدند. نتايج به دست آمده نشان دادند كه روش پيشنهادي با دقت 98.51% سيگنال ECG را كلاس بندي مي كند. از آنجا كه دقت در تشخيص آريتمي قلبي در پزشكي عامل حياتي و مهمي مي باشد، لذا روش پيشنهادي مي تواند براي تصميم گيري متخصصان قلبي بسيار كارساز باشد. نتيجه گيري: با توجه به پيچيدگي محاسباتي پايين روش پيشنهادي و نتايج به دست آمده مي توان از آن براي تشخيص سريع و دقيق آريتمي قلبي كه از موارد موثر پزشكي و يك منبع اطلاعاتي درماني مهم در رزم مي باشد، استفاده كرد.

Introduction: Cardiac arrhythmia, especially in the early hours, can stop heart activity and cause death. Since mistake in decision making is one of the most important causes of death in patients in cardiac intensive care units, the identification and classification of cardiac arrhythmias using the ECG signal is a valuable information source for diagnosing patients with heart abnormalities in times of crisis and warfare. Method: At first, the noises of ECG signal are removed using digital filters and discrete wavelet transform (DWT). Then, Kurtogram of each QRS complex is obtained using spectral kurtosis analysis. Informative features are obtained from segments of Kurtogram function. Finally, K-nearest neighbor classifier is used to determine the normality of person or its arrhythmia type is detected. Results: In this paper, ECG signals from MIT-BIH signal are used. ECG signals of normal persons and four arrhythmias including APB, PVC, LBBB, and RBBB are chosen for classification. Obtained results show that proposed method achieves the accuracy of 98.51% for classification of ECG signals. Since accuracy of cardiac arrhythmia detection is an important and vital issue in medicine, the proposed method can be used by cardiologists to make a robust decision. Conclusion: Considering the low computational complexity of the proposed method and obtained results, it can be used for fast and accurate cardiac arrhythmia detection, which is a special care resource and important task in physician within war.