تشخیص زودهنگام ایسکمی با استفاده از سیگنال تغییرات ضربان قلب و شبکه‌های عصبی احتمالی بازگشتی

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، مرکز فناوری عصبی ایران، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

2 دانشیار، مرکز فناوری عصبی ایران، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

3 استادیار، گروه فیزیولوژی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران

چکیده

مقدمه: ایسکمی قلبی به وسیله‌ی عدم خون‌رسانی کافی به سلول‌های انقباضی ناشی می‌شود که باعث سکته‌ی قلبی می‌شود. بنابراین تشخیص غیر تهاجمی صحیح و زودهنگام ایسکمی قلبی نقش مهمی در درمان این بیماری و پیشگیری از نارسایی‌های قلبی متعاقب آن دارد. در طول سالیان متمادی، روش‌های مختلفی مبتنی بر سیگنال قلبی اخذ شده در ثبت‌های طولانی مدت برای تشخیص اتوماتیک ایسکمی پیشنهاده شده است. اما تاکنون تشخیص اتوماتیک ایسکمی در ثبت‌های کوتاه مدت به صورت یک مسأله‌ی باز باقی مانده است. در این مطالعه روش جدیدی برای تشخیص زودهنگام ایسکمی ارائه شد.روش‌ها: روش مورد استفاده در این مطالعه مبتنی بر تست‌های کوتاه مدت، تحلیل زمان-فرکانس سیگنال تغییرات ضربان قلب (HRV یا Heart Rate Variability) و شبکه‌های عصبی احتمالی بازگشتی به عنوان طبقه‌بندی کننده بود. برای این منظور ویژگی‌های باندهای فرکانسی در حین انجام سه آزمایش اتونومیک برخاستن، تنفس عمیق و کنترل تنفس در 98 نفر (50 فرد سالم و 48 بیمار) استخراج شد و به عنوان بردار ویژگی در نظر گرفته شد. افراد مورد آزمایش با نظر متخصص قلب و انجام تست ورزش و آنژیوگرافی مورد ارزیابی قرار گرفتند.یافته‌ها: نتایج این تحقیق نشان داد که می‌توان با استفاده از روش پیشنهادی و انجام تست‌های کوتاه مدت، افراد دچار ایسکمی را با دقت 88 درصد تشخیص داد. میزان دقت تشخیص افراد سالم 82 درصد بود.نتیجه‌گیری: نتایج این تحقیق نشان داد که می‌توان از سیگنال ضربان قلب اخذ شده در حین آزمایشات کوتاه مدت اتونومیک و شبکه‌های عصبی، به عنوان روشی برای تشخیص غیر تهاجمی و زود هنگام ایسکمی استفاده کرد. روش ارائه شده ساده، سریع و غیر تهاجمی بود و نیازی به ثبت‌های طولانی مدت و تست ورزش نداشت. 

کلیدواژه‌ها


عنوان مقاله [English]

Early Diagnosis of Myocardial Ischemia Using Heart-Rate Variability and Recurrent Probabilistic Neural Network

نویسندگان [English]

  • Majid Vafaeezadeh 1
  • Abbas Erfanian Omidvar 2
  • Abbas Forotan 3
1 MSc Student, Iran Neural Technology Research Center, Department of Biomedical Engineering, School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
2 Associate Professor, Iran Neural Technology Research Center, Department of Biomedical Engineering, School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
3 Assistant Professor, Department of Physiology, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran
چکیده [English]

Background: Myocardial ischemia is caused by a lack of sufficient blood flow to the contractile cells and may lead to myocardial infarction with its severe sequel of heart failure, arrhythmias, and death. Therefore, its early diagnosis and treatment is of great importance. During past several years, several strategies have been proposed for automatic detection of ischemic cardiac beats using the ST-T complex of the electrocardiogram (ECG) which is recorded during long-term Holter monitoring. However, automatic detection of ischemic subjects using short-term analysis of the ECG is an open problem. In this paper, we presented a new method for automated detection of ischemic patients.Methods: The study was conducted based on short-term analysis of the ECG, time-frequency analysis of heart-rate variability (HRV) and recurrent log linearized Gaussian mixture neural network (RLLGMN) as the classifier. For this purpose the feature vector was extracted from the energy of HRV was obtained from 98 subjects (50 healthy and 48 patients) at different frequency bands during different autonomic tests (i.e. controlled normal breathing, controlled deep breathing and active transition tests) and classified using a probabilistic neural network.Findings: The results showed that a correct classification rate of 82% for the healthy subjects and 86% for the ischemic subjects was achieved using the proposed method. Conclusion: The results indicated that HRV signals and recurrent probabilistic neural network can be used as a noninvasive method for identifying ischemia. The proposed method is simple, fast and noninvasive, and does not require the long-term recording of ECG signals as well as exercise treadmill test.

کلیدواژه‌ها [English]

  • ST-T complex
  • Wavelet analysis
  • Myocardial Ischemia
  • Heart-rate variability
  1. Stamkopoulos T, Diamantaras K, Maglaveras N, Strintzis M. ECG analysis using nonlinear PCA neural networks for ischemia detection. IEEE Transactions on Signal Processing, 1998; 45(11): 3058-67.
  2. Dori G, Denekamp Y, Fishman S, Rosenthal A, Lewis BS, Bitterman H. Evaluation of the phase-plane ECG as a technique for detecting acute coronary occlusion. Int J Cardiol 2002; 84(2-3): 161-70.
  3. Goletsis Y, Papaloukas C, Fotiadis DI, Likas A, Michalis LK. Automated ischemic beat classification using genetic algorithms and multicriteria decision analysis. IEEE Trans Biomed Eng 2004; 51(10): 1717-25.
  4. Exarchos TP, Papaloukas C, Fotiadis DI, Michalis LK. An association rule mining-based methodology for automated detection of ischemic ECG beats. IEEE Trans Biomed Eng 2006; 53(8): 1531-40.
  5. Goren Y, Davrath LR, Pinhas I, Toledo E, Akselrod S. Individual time-dependent spectral boundaries for improved accuracy in time-frequency analysis of heart rate variability. IEEE Trans Biomed Eng 2006; 53(1): 35-42.
  6. Rezvani R, Erfanian A, Frootan A. Cohen class Time-frequency analysis of the heart-rate variability in patients suspected to myocardial Ischemia. Proceedings of the 13th Iranian Conference on Electrical Engineering; 2005 May 20-22. Zanjan, Iran.
  7. Richard MD, Lippmann RP. Neural Network Classifiers Estimate Bayesian a posteriori Probabilities. Neural Computation 1991; 3(4): 461-83.
  8. Tsuji T, Fukuda O, Ichinobe H, Kaneko M. A log-linearized Gaussian mixture network and its application to EEG pattern classification. IEEE Transactions on Systems, Man, and Cybernetics 1999; 29(1): 60-72.
  9. Specht DF. Probabilistic neural networksstar, open. Neural Networks 1990; 3(1): 109-18.
  10. Rutkowski L. Adaptive probabilistic neural networks for pattern classification in time-varying environment. IEEE Trans Neural Netw 2004; 15(4): 811-27.
  11. Tsuji T, Bu N, Fukuda O, Kaneko M. A recurrent log-linearized Gaussian mixture network. IEEE Trans Neural Netw 2003; 14(2): 304-16.
  12. Jones DL, Baraniuk RG. An adaptive optimal-kernel time-frequency representation. IEEE Transactions on Signal Processing 1995; 43(10): 2361-71.