این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۳، شماره ۴، صفحات ۱۵-۲۶
عنوان فارسی پیش بینی مرگ ناگهانی قلبی (SCD) با استفاده از تحلیل های زمان – فرکانس و آنالیز غیر خطی سیگنال الکتروکاردیوگرام
چکیده فارسی مقاله مرگ ناگهانی قلبی (SCD) همه ساله جان میلیون‌ها انسان را می‌گیرد . با استفاده از تجهیزات پزشکی از قبیل دیفیبریلاتور می توان تعداد این نوع مرگ‌ها را کاهش داد، با وجود این راه‌های مناسبی برای پیش بینی مرگ ناگهانی قلبی که پزشکان بتوانند از طریق آن تصمیمات مناسبی را برای بیماران در معرض خطر بگیرند، وجود ندارد. در این مقاله با استفاده از پردازش سیگنال الکتروکاردیوگرام مرگ ناگهانی قلبی پیش بینی شده است. برای این کار پس از استخراج سیگنال HRV از سیگنال ECG به استخراج ویژگی‌های خطی، زمان – فرکانس و غیر خطی پرداخته شده است. در مرحله بعد، بهترین ویژگی‌های ترکیبی منتجه برای ایجاد بیشترین تمایز بین دو کلاس را انتخاب کرده، سپس با اعمال PCA به بردار ویژگی ترکیبی، ابعاد ویژگی کاهش یافته و در نهایت، از طریق شبکه عصبی MLP افراد سالم و افراد ریسک پذیر، دسته بندی می‌شوند .به منظور ارزیابی توانمندی هر یک از روش‌های تحلیلی در تفکیک افراد، آنها را به صورت مجزا و ترکیبی با هم مقایسه کرده ایم .نتایج به دست آمده نشان می‌دهند که در سیگنال HRV مربوط به افراد ریسک پذیر، در نزدیکی وقوع SCD ویژگی هائی وجود دارد که آنها را کاملا از افراد سالم متمایز می کند. روش بردار ترکیبی از توانایی بمراتب بیشتری برای آشکار کردن این اختلاف برخوردار است. در نهایت صحت تفکیک پذیری برای دقایق اول، دوم ،سوم و چهارم قبل از واقعه به ترتیب 99.43%؛ 97.86% ؛ 90.49% ؛73.35 % است که نسبت به کارهای قبلی انجام شده از صحت بمراتب بالاتری برخوردار است. از طرفی، نشان داده ایم که از 4 دقیقه قبل از رخ دادن مرگ قلبی، این افزایش احتمال خطر کاملا مشهود است؛ به طوری که هرچه به وقوع حادثه نزدیکترمی شویم، احتمال وقوع نیز افزایش می یابد و این زمان برای اتخاذ راهکارهایی برای جلوگیری از این واقعه کافی است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Sudden Cardiac Death (SCD) Using Time-Frequency Analysis of ECG Signals
چکیده انگلیسی مقاله Despite the significant decline in coronary artery disease (CAD) mortality in the second half of the 20th century, sudden cardiac death (SCD) continues to claim 250 000 to 300 000 US lives annually. Even in the presence of advanced first responder systems for resuscitation of out-of-hospital cardiac arrest, the overall survival rate in a recent North American analysis was 4.6%. If there are existed suitable ways to predict sudden cardiac death, doctors can make better decisions for patients at risk. In this paper, we investigate a way to predict sudden cardiac death. To do this, after the extraction of the HRV signal from ECG signal, some nonlinear and time-frequency features have been extracted from HRV signal. Then, the dimension of the feature space is reduced by applying the feature selection and PCA. Finally, healthy people and people at risk of SCD are classified using an MLP neural network. To evaluate the capabilities of analytical methods in classification, we have compared the classification rates for nonlinear and TF features, separately and in combination. The results show that there are features in the HRV signal of SCD patients just near the occurrence of SCD, which is quite different from normal people. Also, results show that the combination of time-frequency and nonlinear features have a greater ability to detect this difference. It has also been investigated that there are precious information in four minutes before the incident of SCD to predict the death and this is enough time to save the patient by doctors or medical centers.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد پویان |


الیاس ابراهیم زاده |


نشانی اینترنتی http://isee.ui.ac.ir/article_15350_b7af291c68fe97a4cbfdfe82ef895378.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343808.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات