تشخيص زودهنگام مرگ ناگهاني قلبي با استفاده از پردازش سيگنال قلبي و فيلتر كالمن تعميم‌يافته

Early Detection of Sudden Cardiac Death in Electrocardiogram Signals Using Extended Kalman Filter

مرگ ناگهاني قلبي يكي از مهم ترين عوامل مرگ و مير در جهان به شمار رفته، و در بين مرگ هاي ناشي از بيماري هاي قلبي سهم عمده اي را به خود اختصاص مي دهد. يكي از راه هاي كاهش آمار مرگ ناشي از اين دسته از بيماري ها، تشخيص به موقع وقوع ناهنجاري‌هاي خطرناك قلبي است. اساس اين تحقيق بر اين باور استوار است كه ناهنجاري هاي مخاطره آميز قلبي به صورت ناگهاني رخ نمي دهند، بلكه دقايقي قبل از وقوعشان، علايم و يا اختلالات پيش زمينه اي به وجود مي‌آيد كه حاكي از وقوع آن‌ها است. هدف اين مقاله، بررسي و مدل سازي سيگنال هاي قلبي با استفاده از فيلتر كالمن تعميم يافته، بر اساس مدل ديناميكي غيرخطي براي آشكارسازي ناهنجاري هاي پيش‌زمينه اي و معرفي يك انديس براي تشخيص زودهنگام مرگ ناگهاني قلبي مي باشد. در روي‌كرد ارايه شده، از نسخه ي قطبي مدل ديناميكي غيرخطي سيگنال قلب مك‌شري استفاده مي شود. در اين مدل غيرخطي، هر ضربان از سيگنال الكتروكارديوگرام به صورت مجموعه‌اي از موجك هاي گوسي بيان مي شود. در الگوريتم پيشنهادي اين مقاله، ابتدا مدل ديناميكي قلب با افزودن معادلات خودبازگشتي مربوط به پارامترهاي مدل، اصلاح شده و سپس يك فيلتر كالمن تعميم‌يافته، از آن مدل براي پردازش سيگنال قلبي استفاده مي كند. در گام بعد، يك الگوريتم ابتكاري بر اساس ساختار پيشنهادي و با استفاده از نظارت بر سيگنال وفاداري (كه تابعي از سيگنال نوآوري فيلتر كالمن است)، به تشخيص ناهنجاري هاي موجود قبل از وقوع مرگ ناگهاني قلبي مي‌پردازد. روش ارايه شده، روي سيگنال هاي قلبي گرفته شده از 20 فرد مبتلا به مرگ ناگهاني قلبي (گروه تست) و هم‌چنين 18 فرد نرمال (گروه كنترل) موجود در پايگاه هاي داده‌ي فيزيونت ارزيابي شده است. نتايج به دست آمده حاكي از تغيير رفتار سيگنال وفاداري قبل از وقوع مرگ ناگهاني قلبي است. نتايج اعمال اين الگوريتم روي20 فرد بيمار موجود در پايگاه داده ي "مرگ ناگهاني قلبي هولتر" فيزيونت نشان داده است كه شاخص استخراج شده قادر است 17 مورد از 20 حمله را قبل از وقوع تشخيص دهد و دقتي در حدود 85 % داشته باشد.

Sudden cardiac death (SCD) is one of the most significant and common causes of heart related deaths around the world. It is believed that SCD can be predicted using signatures and features extracted from ECG signal. These signatures may be seen as arrhythmia or abnormalities in the ECG signal. In this paper, a monitoring index is introduced for early detection of SCD. This index is acquired by filtering the ECG signal using a nonlinear ECG dynamical model and extended Kalman filter (EKF). The nonlinear dynamical model was a modified version of polar ECG dynamical model proposed by Mc. Sharry et.al. In our algorithm, first the ECG dynamical model is extracted. Then an EKF is applied on the signal. Using the fidelity index extracted from the innovation signal yielded by EKF, a novel algorithm detects the SCD related arrhythmias and abnormalities. The proposed method was evaluated on Physionet Sudden Cardiac Death Holter database. Twenty records corresponding to patients having SCD and eighteen records corresponding to healthy patients were extracted from this database. The evaluation results showed that our proposed monitoring index correctly detected 17 SCDs out of 20 (85% accuracy).