کتاب تشخیص ‏مجموعه ‏ی ‏QRS ‏درسیگنالECG ‏با ‏استفاده ‏از ‏تبدیل ‏موجک

عنوان صفحه
فصـل اول 13
رسانش الکتریکی در قلب 16
موج ECG در طول هدایت الکتریکی 18
الکتروکاردیوگرافی 20
فصل دوم 23
فصل سوم 31
استخراج ویژگی های سیگنال ECG قلب 31
سیستم استاندارد ECG 32
سیگنال الکتروکاردیوگرام 34
تفسیر ECG براساس کامپیوتر 40
تبدیل ویولت 42
تبدیل فوریه زمان کوتاه در مقابل تبدیل ویولت 43
نیاز به معماری مؤثر DWT 46
تبدیل ویولت گسسته 47
تبدیل ویولت پیوسته 48
تبدیل ویولت گسسته  50
تبدیل ویولت گسسته و بانک فیلتر ها 51
تجزیه و تحلیل چند رزولوشنی با استفاده از بانک فیلتر ها 51
شرایط برای بازسازی کامل 53
خانواده موجک 54
کاربرد ها 61
معماری بانک فیلتر موجک 63
معماری بانک فیلتر 63
مقایسه ی ملاحظات پیاده سازی 69
تکنیک محاسبات توزیعی 70
فیلتر های به کارگیری شده 74
فیلتر بالاگذر 74
فیلتر پایین گذر 75
فیلتر Savitzky-Golay 76
فصل چهارم 79
نتايج و تفسير آن ها 79
تشریح کد های MATLAB 83
مقایسه خروجی ها 85
فصل پنجم 97
جمع‌بندي 98
منـابع و مآخـذ 101
پیوست 105

ثبت سیگنال الکتروکاردیوگرام ECG)) اولین مرحله از تشخیص خودکار بیماری قلبی بوده و پس از آن با استفاده از سیگنال ثبت شده توسط دستگاه های دیجیتال مانند کامپیوتر با میکرو کنترلر مطالعه و تحلیل می شود، از طریق تحليل ECG ممکن است به معیار های ترخ و نظم ضربان قلب علاوه بر اندازه و موقعیت در بچه ها و بطن ها، وجود هر گونه آسیب در قلب و اثرات دارو ها و دستگاه های استفاده شده جهت تنظیم قلب دست یابیم.
تشخیص بیماری قلبی عروقی با استفاده از سیگنال های الکتروکاردیوگرام می تواند از طریق مقایسه سیگنال ECG نمونه با سیگنال سالم طبیعی با استفاده از روش های تصمیم گیری و یا با استفاده از الگوریتم های پیچیده تر انجام گیرد.
در سال های اخیر مطالعات و تحلیل های ریاضی زیادی برای انجام تجزیه و تحلیل سیگنال ECG توسعه یافته اند. تمام این مطالعات یا روش ها و الگوریتم ها که در طول دهه های اخیر ارائه شده اند شامل شبکه عصبی مصنوعی، روش های منطق فازی، تحلیل سیگنال دیجیتال، الگوریتم ژنتیک، ماشین های بردار پشتیبانی، مدل پنهان مارکوف، نگاشت خود سازمانده، روش بیزین، موج بردار شیب (SVW) تبدیل موجک گسسته (DWT) و روش عمليات تفاضل (TOM) هستند.
تمام روش های بالا با تشخيص مجموعه QRS برای سیگنال های ECG سر و کار دارند. برای مثال در روش موج بردار شیب (SVW). الگوریتمی برای تشخیص مجموعه QRS در ECG و ارزیابی فاصله R_R ارائه شده است. از طریق این روش به جستجوی سریع و دقیقی برای تعیین محل R، فاصله R_R و طول مجموعه QRS می رسیم که نتایج بسیار خوبی در زمینه استخراج ویژگی ECG به دست میدهد روش عمليات تفاضل (DOM) برای تشخیص مجموعه QRS سیگنال الکتروکاردیوگرام استفاده می شود.
این روش شامل دو فرایند است یکی فرایند عملیات تفاضل (DOP) و دیگری فرایند تشخیص امواج است. طرح کلی این روش شامل دو مرحله است. مرحله اول بافت نقطه R با اعمال عمليات معدله تفاضلی به سیگنال ECG است. مرحله دوم جستجو برای نقاط Q و S با توجه به نقطه R برای یافتن مجموعه QRS است، سیستم دیگری برای تعیین ویژگی های سیگنال ECG با استفاده از شبکه های عصبی ارائه شده که سیستمی یکپارچه شامل روش ضریب کیستروم برای استخراج ویژگی از سیگنال های ECG طولانی مدت و مدل های شبکه عصبی مصنوعی (ANN) برای طبقه بندی است.
ویژگی ها از تجزیه موجک شدت تصاویر ECG استخراج میشوند و سپس با استفاده از شبکه های عصبی مضنوعی بیشتر پردازش می گردند.
ویژگی ها شامل موارد زیر هستند: میانگین، میانه، بیشینه، کمينه. محدوده. انحراف معیار، واریانس و انحراف میانگین مطلق، روش دیگر استفاده از شبکه های عصبی مصنوعی برای تشخیص نقاط بحرانی از طریق استفاده از مشتق است که در آن جستجو برای کمینه و بیشینه مشتق موج انجام می شود. بالاترین قله (موج R) باید نقطه عبور از صفر بین مشتق کمینه و بیشینه باشد [4].
در مرجع [5] با استفاده از یک روش خطی جدا کننده اجزای سیگنال مبتنی بر تبدیل موجک اقدام به فشرده سازی سیگنال ها شده و اطلاعات غیر معید سیستم را که همان نویز ها هستند شناسایی گردیده است. این کار با حذف داده غیر مهم در سیگنال های ورودی صورت می گیرد. با توجه به روش استخراج ویژگی، اطلاعات مهم مانند یک بردار عمود بر روی اطلاعات عمل کرده و هر داده ای روی این بردار به عنوان سیگنال مهم تلقی شده و اگر سیگنال از این بردار فاصله گرفته شود به عنوان یک نویز پر خود خواهد کرد.
در مرجع [6] با استفاده از یک روش ویولت مبتنی بر پنجره همینگ اقدام به نویز زدایی از سیگنال شده است این روش به این صورت انجام می گیرد که پنجره ایجاد شده روی سیگنال حرکت کرده و اگر در داخل این پنجره نوسانات شود خیلی سریع باشد و با مقادیر خیلی زیاد و یا خیلی کم در سیگنال وجود داشته باشد به عنوان نویز در نظر گرفته می شود.
در مرجع [7] در مورد فیلتر کالمن که امروزه کاربرد های زیادی در حل مسایل دنیای واقعی پیدا کرده است بحث شده این فیلتر یک فیلتر بازگشتی کارآمد است که حالت یک سیستم پویا را از یک سری اندازه گیری های پیچیده برآورد می کند و از کاربرده ای آن می توان به پردازش سیگنال ها اشاره کرد. در این مقاله از فیلتر کالمن در جهت حذف نویز از سیگنال الکتروکاردیوگرام یا نوار قلب و تعیین نقاط حساس آن استفاده شده است. در کلیه سیگنال های انتخابی با توجه به تست T و مقدار کمتر MSE متعلق به فیلتر کالمن این نتیجه حاصل شده است که فیلتر کالمن قدرتمندتر از فیلتر FIR برای حذف نویز پایین گذر از سیگنال های قلب می باشد.
در مرجع [8] نیز از روش های حذف نویز مبتنی بر ویولت استفاده شده است. در این الگوریتم سیگنال قلبی فرد بر روی موبایل بیمار پردازش می شود مقدار سیگنال به نویز بدست آمده (۱۵ – B۱۹) حاکی از حذف تویز مطلوب سیگنال است که در تشخیص پزشکی کمک شایانی می کند سیسن سیگنال ECG توسط پروتکل TCP/IP به مرکز پزشکی از راه دور ارسال می شود.
پیشرفت تکنولوژی های اخیر به ویژه تلفن همراه امکان توسعه سیستم های مراقبت بهداشتی همراه با هدف نظارت بر وضعیت سلامت بیماران به وجود آورده است. در این مقاله نرم افزار طراحی شده قابلیت دریافت سیگنال قلبی پردازش و انتقال آن به صورت real-tine را به مرکز پزشکی از راه دور دارد. مقادیر SNR بدست آمده حاکی از حذف نویز مطلوب سیگنال است بیمار می تواند این برنامه را بر روی موبایل تحت ویندوز خود نصب کرده و وضعیت قلبی خود را در تمام روز تحت کنترل داشته باشد.
در مرجع [9] با استفاده از یک روش شبکه عصبی اقدام به کاهش نویز از روی سیگنال های قلبی شده است. در این سیستم با یادگیری سیگنال اصلی با نویز سیستم ورودی اصلی و خروجی واقعی را شبیه سازی می کند و با این رویکرد نویز سیستم را از بین میبرد.
در مرجع [10] با استفاده از یک روش فیلتر کردن مبتنی بر حد استانه اقدام به حذف نویز کرده اند در این سیستم پیک های موجود در یک سیگنال را شناسایی می کنند و اگر سیگنال ورودی در فیلتر محدوده آن نباشد حذف خواهند شد ساخت این فیلتر مبتنی بر عبور چندین سیگنال مختلف بدون نویز انجام شده است.
در مرجع [11] با استفاده از یک روش نویز زدایی برخط ترکیبی اقدام به حذف نویز شده است و روش کار در واقع استخراج میانگین نویز از سیگنال میباشد. با این هدف در هر مرحله میانگین نویز حذف شده و نویز جدید محاسبه میشود و این روش ادامه می باید تا نویز های کلی حذف گردد. یکی از ایرادات این روش غیر هوشمند بودن آن است.
در مرجع [12] با استفاده از یک روش نویز زدایی مبتنی بر روش آشوب اقدام به حذف نویز می کنند این روش یکی از جدیدترین روش ها در مورد حذف نویز می باشد که دارای قابلیت حدث زدن میزان نویز در سیگنال میباشد. راهکار این روش به این صورت است که هر سیگنال ورودی را در یک ماتریس رمز می کنند و سیگنال های ورودی با این ماتریس مقایسه می شود در آخر این کار تمام سیگنال های نویز دار در یک ماتریس قرار می گیرند و قابل شناسایی میگردند.
این ماتریس یک نوع سیستم رمزنگاری قوی است که برای رمز کردن سیستم های تصویر و غیره نیز مورد استفاده قرا می گرفت و یکی از ایرادات این روش زمانبر بودن سیستم می باشد.
در مرجع [13] با استفاده از یک روش تخمین نویز براساس پویش سیگنال اقدام به حذف نویز شده است. این روش با ایجاد یک پنجره کوچک در روی سیگنال ها مکان های سیگنال که دارای شباهت زیادی به سیگنال مندرج دارد را انتخاب می کنند سپس با مقایسه آن سیگنال با سیگنال ایراد دار نویز سیگنال حذف میشود. این روش به راحتی می تواند با مقایسه همه سیگنال ها در بازه یک پنجره سیستم را نویز زدایی کند. از ایرادات اصلی این روش زمانبر بودن آن می باشد و نسبت به روش های معرفی شده دارای قدرت بالاتری میباشد.
در مرجع [14] با استفاده از یک روش الگوریتم تکاملی ژنتیک اقدام به دسته بندی کردن نویز روی سیگنال های قلبی گردیده است و هدف از اینکار استفاده از چندین نویز مختلف و یادگیری الگوریتم ژنتیک با نویز های مختلف و ایجاد امکان دسته بندی و جداسازی سیگنال ها بوده است. در این روش تابع هزینه سیستم الگوریتم ژنتیک مانند یک روش ماشین بردار پشتیبان عمل کرده و قادر است سیگنال های ورودی را در دو دسته نویزدار و بدون نویز ذخیره و بازسازی نماید.

در مرجع [15] بخشی از سیگنال های حاصل از قلب انسان مورد آنالیز قرار گرفته است. این سیگنال ها ماهیت تصادفی داشته و آنالیز آن مستلزم استفاده از فیلتر هایی است که نیاز به ورودی ثابت اولیه نداشته باشند. لذا از ساختار فیلتر های تطبیقی که الگوریتم بازگشتی مناسبی داشته باشند بهره گرفته شده است.
نتایج حاصل نشان میدهد که این تشخیص آریتمی های قلبی است که البته این فیلتر ها در نهایت باید توانایی تشخیص اکثریت این آریتمی ها را داشته باشند و در میکرو پروسسور ها و مونیتور های تشخیص آریتم های قلبی و بررسی کامل سیگنال ECG پیاده سازی شوند.
لازم به ذکر است که نویز های موجود در این سیگنال ها شباهت بسیار زیادی با آریتم های قلب داشته و فیلترینگ تطبیقی راهی موثر در نشان دادن این دو مورد و تشخیص بهتر بیماری های قلبی ارائه میدهد.