سنجش استعداد ابتلا به فيبريلاسيون دهليزي با استفاده از تحليل‌هاي غير خطي سيگنال الكتروكارديوگرام

Assessing Susceptibility to Atrial Fibrillation Using Nonlinear Analysis of ECG Signals

فيبريلاسيون دهليزي يك تاكي‌آريتمي فوق بطني است، كه با فعاليت دهليزي غيرهماهنگ و متعاقب آن وخامت عملكرد مكانيكي دهليز مشخص مي‌شود. بروز اين بيماري در درصد بالايي از جمعيت جهان آن را به يك مشكل اجتماعي و اقتصادي تبديل كرده است. با تشخيص زود هنگام اين آريتمي كشنده قلبي، مي‌توان آن‌را پيشگيري و مديريت نمود. در اين تحقيق برآنيم با استفاده از روشهاي غيرتهاجمي، بر پايه تجزيه و تحليل غيرخطي سيگنال الكتروكارديوگرام افراد مستعد ابتلا به فيبريلاسيون دهليزي را شناسايي نماييم. اين تحقيق شامل سه مرحله است، در گام نخست سيگنال‌هاي ECG جمع‌آوري شده از سايت فيزيونت پيش‌پردازش مي‌شوند تا نويزهاي ناشي از برق شهر و آرتيفكت‌هاي موجود در سيگنال حذف شوند، در ادامه سيگنال HRV از آنها استخراج مي‌گردد. در مرحله دوم، ده ويژگي غيرخطي از سيگنالHRV ، مشتمل بر ميزان انحراف نمودار پوانكاره، بعد همبستگي، نماي لياپانوف، آنتروپي تقريبي و آنتروپي طيف، و پنج ويژگي از تحليل كمي نمودارهاي بازگشتي استخراج مي‌شوند. در مرحله سوم با استفاده از طبقه‌بندي كننده ماشين بردار پشتيبان به طبقه‌بندي دو گروه افراد سالم و افراد در معرض ابتلا به حملات فيبريلاسيوني مي‌پردازيم. نتايج نهايي نشان مي‌دهد كه طبقه‌بندي كننده ماشين بردار پشتيبان توانسته است افراد بيمار را در زمانيكه سيگنال HRV آنها 5 دقيقه پيش از شروع حملات فيبريلاسيون دهليزي تحليل شده است با صحت 93% از افراد سالم تفكيك نمايد.

Atrial Fibrillation is a supra ventricular tachyarrhythmia, which is characterized by the deterioration of atrial mechanical function and aberrant .It has become a social and economic problem because a large percentage of the world population suffering from this disease. The early diagnosis of this fatal cardiac Arrhythmia can be prevented and managed it. In this study, we used non-invasive methods based on nonlinear analysis of ECG signal, to identify individuals prone to Atrial Fibrillation. This study consists of three steps ,the first step is preprocessing of ECG signals collected from the Physionet to removed 50 Hz and Artifacts noises, then the HRV signal is extracted from them. Secondly, extract nonlinear parameters from HRV signal, including the Poincare Plot Deviations, Correlation Dimension, Lyapunov Exponent, Approximate Entropy and Sample Entropy, and the five characteristics of Recurrence Plot Quantitative Analysis. Third we use a Support Vector Machine classifier for the classification healthy people and those at risk for Atrial Fibrillation Attack. Final results show that Support Vector Machine classifier is able to differentiate healthy from patient population with 93% accuracy, when HRV signal analysis 5 minutes before the onset of Atrial Fibrillation episodes.