Archive of SID. مقدمه. چكيده واژه هاي كليدي: سيگنال ECG تشخيص QRS شناسايي QRS هيستوگرام الكتروكارديوگرام دهد.

Transcript

1 يازدهمين كنفرانس مهندسي پزشكي ايران ۲۸ و ۲۹ بهمن تشخيص و شناسايي سيگنالهاي الكتروكارديوگرام اقبال منصوري دانشگاه شيراز دانشكده مهندسي بخش مهندسي و علوم كامپيوتر چكيده تشخيص وقوع تركيبهاي QRS و استخراج پارامترهاي ا ن از سيگنال الكتروكارديوگرام( ECG ) Arhive o SID مي تواند در نقش يك سيستم خبره وظيفه شناسايي ا ريتمي ها و ناهنجاريهاي قلبي را بر عهده گيرد. در فاز اول الگوريتم پيشنهادي تركيبهاي QRS از سيگنال استخراج شده و ضمن شمارش ا نها براي كلاسه بندي سيگنال در فاز بعدي مورد استفاده قرار مي گيرند. الگوريتم تشخيص دامنه عرض و شيب تركيبها را براي بررسي وقوع ا نها بكار مي برد و حدود ا ستانه مورد نياز را بطور خودكار تنظيم مي كند. كلاسه بندي سيگنالها نيز از سه ديدگاه شبكه عصبي ا ماري و فازي بررسي شده است. واژه هاي كليدي: سيگنال ECG تشخيص QRS شناسايي QRS هيستوگرام مقدمه ٢ الكتروكارديوگرام ثبت فعاليت الكتريكي قلب در هر انقباض مي باشد. هنگامي كه يك موج الكتريكي در قلب ايجاد مي شود داخل سلول قلبي به سرعت نسبت به خارج ا ن مثبت مي گردد. تحريک به واسطه موج الكتريكي باعث تغيير در قطبيت سلول مي گردد که دپولاريزاسيون نام دارد. بازگشت سلول تحريك شده رپولاريزاسيون مي گويند. شكل به حالت استراحت را مشخصات سيگنال ECG و مراحل تشكيل ا ن در هر انقباض قلب را نشان مي دهد. از سالها قبل گرايش روزافزوني در پردازش ECG با استفاده از كامپيوترها وجود داشته است و سيستم هاي بسياري طراحي و پياده سازي شده اند كه عمليات پردازش سيگنال هاي پزشكي را انجام مي دهند مثل ا ناليز نوار [] Holter ا ناليز ٢ ECG ليدي [٢] و نمايش وضعيت بيمار بصورت بلادرنگ [٣]. تمامي اين كاربردها به يك شناسايي دقيق از تركيب QRS در سيگنال ECG نياز دارند. طيف توان سيگنال ECG مي تواند براي طراحي فيلترهاي ميان گذر [٤] و بالا گذر(مشتق گير) جهت استخراج تركيب QRS از سيگنال مو ثر واقع شود. عملكرد يك فيلتر تطبيقي وفقي خطي براي تشخيص تركيبهاي QRS در محيط نويزي [٥] بهتر از كاركرد فيلترهاي ميان گذر است. Xue و همكاران [٦] الگوريتمي براي يک فيلتر تطبيقي وفقي بر ٣ پايه شبكه عصبي مصنوعي اراي ه دادند كه براي مدل كردن فركانسهاي پايين سيگنال ECG كه ذات ا غيرخطي و غيرايستا هستند قابل استفاده است. دانشجوی دکترای هوش مصنوعی Artiiial Neural Network Eletroardiogram ٧٧

2 th Iranian Conerene on Biomedial Engineering, February 00 اين پارامتر از احتساب موج T به عنوان تركيب QRS جلو گيري مي كند. در پژوهشي [٧] از روشهاي ا موزش بدون معلم در شبكه هاي عصبي براي كلاسه بندي سيگنالهايECG استفاده شكل موج سيگنال هاي ECG به ويژه تركيبهاي QRS [٨] براي افزايش شده است. Tompkins و همكاران به عوامل متعددي چون ليد مورد استفاده شخص مورد ا زمايش و وضعيت قلبي او بستگي دارد. بديهي است كه تركيب هاي QRS در اين سيگنالها داراي دامنه و عرض متنوعي خواهند بود بطوريكه ممكن است داراي قله يا گودي بوده و تغييرات ناگهاني يا ملايم داشته باشند. بدين كارا يي تشخيص سيگنالهاي ECG از ويژگيهاي وابسته به بيمار استفاده كردند كه اين ويژگيها مي توانند در روشهاي كلاسه بندي به كمك شبكه هاي عصبي مو ثر واقع شوند[ ٩ ]. در اين مقاله الگوريتمي براي تشخيص و شناسايي سيگنالهاي ECG اراي ه شده است. اين الگوريتم بصورت بلادرنگ و در دو فاز عمل مي كند. فاز اول عمل تشخيص و شمارش تركيب هاي QRS انجام مي دهد و در فاز دوم QRS هاي يافته شده در فاز از سيگنال فيلتر شده را نمودار بلوكي الگوريتم تشخيص تركيب هاي QRS در مشتق گير عبور داده مي شود تا اطلاعات مربوط به شيب قبل شناسايي شده و كلاسه بندي مي شوند. اين دسته موج R قابل استفاده گردند. سپس يك انتگرال گير پنجره بندي مي تواند ا ريتمي هاي قلبي را شناسايي نموده و در جهت تشخيص بيماريها و ناهنجاريهاي قلب انجام وظيفه نمايد. تشخيص وشمارش تركيبهاي QRS مهمترين مشخصه سيگنال ECG كه كارديولوژيست ها در تشخيص بيماريهاي قلب بكار مي گيرند تركيب QRS است. اين مشخصه نسبت به موجهاي P و T و ويژگيهاي ديگر سيگنال داراي اهميت بيشتري است زيرا تشخيص و جداسازي ا ن از سيگنال ECG نسبت به بقيه ويژگيها ا سانتر است. همچنين تركيب QRS دپولاريزاسيون بطني را نشان مي دهد كه در فعاليت الكتريكي قلب مهمترين نقش را دارد. بنابراين تشخيص و جداسازي تركيب QRS در كلاسه بندي و تشخيص ناهنجاريهاي قلب حياتي است. همچنين با تشخيص و شمارش QRS ها مي توان شدت ضربان قلب و ناهماهنگي هاي احتمالي ا ن را مشاهده و بررسي نمود. در روشهاي متداول تشخيص QRS معمو لا از دامنه و طول زماني (بلندي و عرض) تركيب هاي QRS استفاده Arhive o SID مي شود[ ۳ ]. اگر چه اين پارامترها كام لا ضروري و حياتي هستند ولي براي تشخيص قاطع كافي به نظر نمي رسند. بدين منظور از شيب موج R نيز استفاده شده است. چون اين شيب خيلي بيشتر از شيب موج T مي باشد در نتيجه دليل علاوه بر دامنه و عرض تركيب QRS از انرژي محلي ا ن نيز استفاده شده است. شكل ٢ نشان داده شده است. ابتدا سيگنال ECG از يك متحرك انرژي محلي سيگنال را محاسبه مي كند. در نهايت يك تشخيص دهنده QRS كه پارامترهاي ا ن از طريق پيشگويي قابل تنظيم هستند وقوع QRS ها را تشخيص داده و ا نها را شمارش مي كند. الگوريتم مشتق گير پنج نقطه اي كه يك فيلتر با پاسخ ضربه محدود بالاگذر است[ ] عمل مشتق گيري را انجام مي دهد. اين مشتق گير تقريبي از مشتق ايده ا ل در محدوده فركانسي d تا ٣ هرتز رافراهم مي ا ورد در حاليكه تا خير ا ن T است. پاسخ دامنه اي فيلتر تقريب دقيقي از مشتق واقعي تا حدود ٢ هرتز (/ فركانس نمونه برداري) را نشان مي دهد. اين محدوده فركانسي مهم است زيرا تمامي فركانسهاي بالاتر در مرحله حذف نويز توسط فيلتر ميان گذر وفقي تضعيف شده اند. از طرف ديگر چون مشتق گير يك فيلتر بالا گذر است پس نويزهاي فركانس پايين مثل اختلالات حركتي و سرگرداني خط پايه سيگنال ECG و همچنين موجهاي P و T را در حد قابل توجهي تضعيف مي كند. براي محاسبه انرژي محلي بايد تك تك نقاط سيگنال مثبت شوند و سپس انتگرال گيري روي ا نها صورت گيرد. بدين منظور از تابع مربع كه يك تقويت غيرخطي نيز انجام مي دهد استفاده شده است. اين عمل علاوه بر مثبت كردن تمام نقاط سيگنال ا نها را بطور غيرخطي تقويت مي ٧٨

3 يازدهمين كنفرانس مهندسي پزشكي ايران ۲۸ و ۲۹ بهمن كند بطوريكه مولفه هاي فركانس بالاتر در سيگنال كه اساس ا مربوط به تركيب QRS هستند تقويت مي شوند. انتگرال گير پنجره متحرك ويژگيهايي علاوه بر شيب موج R را استخراج مي كند. رابطه () معادله تفاضلي ا ن را نشان مي دهد كه در ا ن x(nt) نمونه nام از سيگنال T فاصله زماني(پريود) نمونه برداري و N نقاط (عرض) پنجره است كه بايد به دقت انتخاب شود. عرض پنجره بايد تقريب ا به اندازه عريض ترين تركيب QRS ممكن باشد. عرض كاربردي اين پنجره وابسته به سيگنال بوده و بصورت تجربي تعيين مي شود. N ( ) y nt = x( nt it ) () N i= 0 تشخيص دهنده وقوع QRS ها براساس انرژي محلي سيگنال كه توسط انتگرال گير پنجره متحرك محاسبه مي شود عمل مي كند. با توجه به دامنه اين انرژي يك حد ا ستانه براي ا ن در نظر گرفته مي شود که ارتباط مستقيم با ميزان انرژي سيگنال در محل وقوع QRS ها دارد. اگر دامنه انرژي سيگنال از حد ا ستانه بيشتر باشد ا ن قسمت از سيگنال به عنوان يك تركيب QRS شناخته شده و ضمن شمارش موقت ا جهت فاز كلاسه بندي ذخيره مي گردد. تشخيص دهنده نسبت به دامنه هاي انرژي كمتر از حد ا ستانه عكس العملي نشان نمي دهد. اندازه حد ا ستانه براي تشخيص QRS بعدي از روي حد ا ستانه هاي قبلي تخمين زده مي شود. با تشخيص QRS جاري قديمي ترين حد ا ستانه از مجموعه خارج شده و حد ا ستانه فعلي وارد مجموعه مي گردد و از روي اعضاء اين مجموعه حد ا ستانه جديد براي تشخيص بعدي بدست مي ا يد. به منظور افزايش حساسيت الگوريتم نسبت به Arhive o SID تغييرات سيگنال ورودي به جديدترين حدود ا ستانه در مجموعه اهميت بيشتري داده مي شود و در هنگام محاسبه حد ا ستانه جديد ضريب اين حدود نسبت به بقيه قابل توجه تر است. سيگنالهاي مختلف ECG خصوصيات و شكل موجهاي متنوعي دارند. الگوريتم تشخيص بايد نسبت به اين تنوع انعطاف پذيري زيادي از خود نشان دهد. بدين جهت قبل از شروع به كار الگوريتم بايد ويژگيها و مشخصات سيگنال ورودي استخراج شده و حد ا ستانه اوليه بر اساس ا نها تعيين گردد. بدين منظور به اندازه چندين پريود زماني QRS طول مي كشد تا پارامترها و حد ا ستانه الگوريتم پايدار گردند که در نمونه پياده سازي شده حدود چهار پريود زماني استفاده شده که به اندازه اعضاي مجموعه مذکور مي باشد. شناسايي وكلاسه بندي تركيب هاي QRS كلاسه بندي سيگنال ECG يك عمل تشخيص الگوست و با روشهاي مختلف شناسايي الگو مي توان عمل كلاسه بندي را انجام داد. روشهايي كه در اين مقاله مورد بررسي قرار گرفته و مي توانند استفاده شوند عبارتند از روش شبكه عصبي روش ا ماري و روش فازي. بكارگيري شبكه عصبي در اين روش براي كلاسه بندي سيگنال از شبكه BPP استفاده شده [] كه سه لايه دارد. نرونها در لايه ورودي به ويژگيهاي الگوي ورودي است. نرونهاي لايه خروجي نيز برابر كلاسها يا مشخصه هاي ا نهاست. پارامترهايي چون لايه هاي مخفي و نرونهاي ا نها كلاسها و ميزان شباهت ا نها و نيز ويژگيهاي الگوها تعيين كننده سرعت يادگيري شبكه و بازدهي ا ن مي باشند. در اين الگوريتم ي ويژگي مربوط به تركيب QRS از سيگنال استخراج شده و به ورودي شبكه اعمال مي شود. هر چه اين ويژگيها بيشتر باشد سرعت يادگيري شبكه بيشتر شده و كارا يي ا ن بالاتر مي رود. در اين روش بايد فاصله ويژگيهاي كلاسهاي مختلف از هم زياد باشد تا شبكه بتواند ا موخته شود. جدول ويژگيهاي مربوط به كلاسهاي مورد ا زمايش را نشان مي دهد. همانطوريكه از روي جدول مشخص است بيشتر كلاسها ويژگيهاي نزديك به هم دارند و در مواردي فقط يك يا دو ويژگي چند كلاس را از هم متمايز مي سازد. در عمل و هنگام ا موزش شبكه چنين ويژگيهايي مغلوب اكثريت شده و بنابراين شبكه ا موخته نخواهد شد. براي رهايي از اين تنگنا بايد كلاسهاي مختلفي كه داراي ويژگيهاي مشترك هستند را به عنوان يك كلاس در نظر گرفت و همچنين Feed orward bak propagation ٧٩

4 th Iranian Conerene on Biomedial Engineering, February 00 ويژگيها را افزايش داد. هيچيك از اين راه حلها عملي نيست زيرا شكل سيگنالهاي مربوط به اين كلاسها از هم متمايز بوده و نمي توانند در يك كلاس قرار گيرند. جدول. ويژگيهاي كلاسهاي مختلف eature lass 0 Arhive o SID شکل ۶ منحني يادگيري شبکه عصبي را براي حالتي نشان مي دهد که از ۱۰ کلاس موجود در جدول کلاسهاي شماره ۲ ۱ و ۸ بدليل پراکندگي زياد در ويژگيها حذف شده و بقيه کلاسها به ۳ کلاس مختلف تقسيم شده اند. روش ا ماري ) كمترين فاصله ( در روش حداقل فاصله تا ميانگين[ ] از بين كلاسهاي موجود نزديكترين كلاس به الگوي ورودي مشخص شده و به عنوان كلاس الگوي موردنظر معرفي مي شود. اين الگوريتم ويژگيهايي از كلاسها را به عنوان مشخصه كلاس انتخاب نموده و كلاسه بندي را با توجه به اين ويژگيها انجام مي دهد. براي افزايش كارا يي و قابليت اطمينان الگوريتم بايد ويژگيها زياد و شباهت كلاسها به هم كم باشد. برخلاف روش شبكه عصبي در اين روش تك تك ٥ ويژگيها ت عيين كننده مي باشند بطوريكه اگر دو كلاس مشابه فقط يك يا دو ويژگي متمايز داشته باشند عمل كلاسه بندي مي تواند با تقريب قابل قبولي صورت پذيرد. در زمان جمع ا وري اطلاعات ابتدا ويژگيهاي متمايزكننده يك كلاس مشخص مي شوند. سپس همه نمونه الگوهاي اين كلاس بررسي شده و ويژگيهاي ا نها استخراج مي گردد. ا نگاه ميانگين و انحراف استاندارد تك تك ويژگيها محاسبه شده و به عنوان مشخصه كلاس ثبت مي گردند. اين پروسه براي يكايك كلاسها تكرار مي شود و اطلاعات بدست ا مده در مرحله كلاسه بندي مورد استفاده قرار مي گيرند. الگوريتم شناسايي تركيب QRS كه شكل ٣ نمودار بلوكي ا ن را نشان مي دهد شامل دو مرحله است: استخراج ويژگيها و كلاسه بندي.QRS الگوريتم شناسايي به محض تشخيص وقوع يك QRS ويژگيهاي مربوط به اين تركيب را استخراج مي كند. از ا نجا كه الگوريتم شناسايي بلادرنگ بوده و بايد بدون وقفه عمل كلاسه بندي را انجام دهد بدين جهت تنها ويژگيهايي زماني از تركيب QRS انتخاب شده و از ويژگيهاي فركانسي مثل مولفه هاي FFT سيگنال صرفنظر شده است. محاسبه طيف توان سيگنال ECG (براساس (FFT م ي تواند اطلاعات ارزشمندي در باره طيف فرکانسي ترکي ب QRS به دست ا ورد. مطالعات صورت گرفته درباره منحني طيف سيگنال و ترکي ب QRS مربوط به ۳۸۷۵ طپش نشان مي دهد که فرکانس ترکيب حدود ۱۷ هرتز است[ ۴ ]. اين ويژگي مي تواند در شناسايي ترکيبهاي QRS و متمايز نمودن ا نها از ترکيبهاي مشابه (نويز) موجود در سيگنال مفيد واقع شود. شكل ٤ شش ويژگي انتخاب شده را نشان مي دهد. اي ن ويژگيها علاوه بر اينکه در ايجاد شکل ظاهري ECGهاي مختلف موثرند تغييرات احتمالي در ا نها مي تواند نشان دهنده انواع ا ريتمي ه يا غير معمول عرض ترکي ب قلبي باشد(به عنوان مثال افزايش QRS نشان دهنده انقباض زودرس بطني است). سه ويژگي دامنه مثبت P دامنه منفي N و عرض W مربوط به تركيب QRS هستند و ويژگيهاي طول (مدت زمان) D ارتفاع H و مساحت A از روي انرژي تركيب QRS بدست مي ا يند. نكته قابل توجه اين است كه چون قبل از محاسبه انرژي شيب موج R توسط مشتق گير منظور شده است بنابراين ويژگي مساحت در واقع اطلاعات مربوط به شيب موج R را نيز شامل مي شود. ٨

5 يازدهمين كنفرانس مهندسي پزشكي ايران ۲۸ و ۲۹ بهمن نداشته باشند ) نتيجه كلاسه بندي دقيق تر خواهد بود. فرض كنيد j امين ويژگي سيگنال وروي ij µ و Arhive o SID j σبه ij ترتيب ميانگين و انحراف استاندارد j امين ويژگي در i امين كلاس و i شماره i امين كلاس باشد. الگوريتم چه نمونه الگوهاي يك كلاس بيشتر باشد تعيين كلاس به صورت زير خواهد بود: هيستوگرام ويژگيهاي ا ن دقيق تر و داراي اطلاعات با i ارزش تري خواهد بود. i اگر تك تك ويژگيهاي مورد استفاده به عنوان متغيرهاي j j µ ij > σ ij µ kj σ kj i or all j's k j µ lj < j µ kj i j l or all k l طبق الگوريتم براي انتخاب كلاس يك ويژگي خاص مقدار j j بعد از استخراج همه ويژگيهاي مربوط به سيگنال ورودي برخلاف روش قبل كه ميانگين و انحراف استاندارد عمل كلاسه بندي ا غاز مي شود. براي تك تك ويژگيها ويژگيهاي يك كلاس به عنوان مشخصه ها و پارامترهاي ا ن نزديكترين كلاس انتخاب مي شود. كلاسي كه بيشترين كلاس استفاده مي شد در اين روش بايد هيستوگرام انتخاب را به خود اختصاص داده باشد ) نزديكترين كلاس ويژگيهاي كلاس نگهداري شوند. بديهي است كه اين روش به همه ويژگيها ) به عنوان كلاس QRS ورودي برگزيده هزينه بيشتري در پي خواهد داشت. شده و نتيجه كلاسه بندي شماره اين كلاس خواهد بود. هر در زمان جمع ا وري اطلاعات يا ا موزش الگوريتم همه چه ويژگيها بيشتر و دفعات انتخاب كلاسها نمونه الگوهاي يك كلاس بررسي شده و تك تك ويژگيهاي پراكنده تر باشد ) دو كلاس با بيشترين انتخاب وجود ا ن استخراج مي گردند. سپس با توجه به مقدار يك ويژگي اين ويژگي با ميانگين ويژگي مربوطه در تك تك كلاسها مقايسه مي شود. اگر ميزان اختلاف اين ويژگي با ميانگين ويژگي كلاس خاصي بيشتر از انحراف استاندارد ويژگي ا ن كلاس باشد نتيجه مي شود كه ويژگي نمي تواند به اين كلاس تعلق داشته باشد. از بين كلاسهايي كه به ويژگي به اندازه لازم نزديكند نزديكترين ا نها به عنوان نتيجه كلاسه بندي مشخص شده و كلاس اين ويژگي خاص قرار ميگيرد. روش فازي (كمترين فاصله دوبعدي) دو پارامتر ميزان پراكندگي مقدار ويژگيها از ميانگين (انحراف استاندارد ( و فراواني اين پراكندگي اساس كلاسه بندي به روش فازي ) فاصله دو بعدي ( را تشكيل مي دهند. شكل ٥ مقايسه فاصله يك بعدي و دو بعدي را در كلاسه بندي نشان مي دهد. فاصله يك بعدي مقدار ويژگي از ميانگين در هر دو كلاس برابر است در حاليكه با در نظر گرفتن نمودار فراواني (هيستوگرام) دو كلاس اين ويژگي به خصوصيات كلاس يك نزديكتر است و بايد به اين كلاس مربوط شود. بنابراين خاص در همه نمونه الگوهاي كلاس هيستوگرام ا ن ويژگي محاسبه شده و به عنوان پارامتر ا ن ويژگي براي كلاس مورد نظر ذخيره مي شود. اين پروسه براي همه ويژگيها در تك تك كلاسها صورت مي گيرد. نكته قابل توجه اينكه هر فازي در نظر گرفته شوند در ا ن صورت هيستوگرام اين ويژگيها نقش توابع عضويت را در كلاسه بندي فازي بر عهده خواهند داشت. چون هيستوگرام ها در زمان ا موزش الگوريتم تشكيل مي شوند پس توابع عضويت ويژگيهاي يك كلاس كام لا به خصوصيات ا ن كلاس بستگي دارند و در اكثر موارد توزيع ا نها نرمال است. موتور استنتاج در كلاسه بندي فازي از روش بيشترين عضويت استفاده مي كند. بعداز استخراج ويژگيهاي سيگنال ورودي تابع عضويت يكايك ويژگيها در همه كلاسها مشخص شده و بيشترين مقدار عضويت شماره كلاس ويژگي را تعيين مي كند. همانند روش قبل با توجه به نتايج مربوط به تك تك ويژگيها كلاس با بيشترين دفعات عضويت كلاس سيگنال ECG ورودي را تعيين خواهد كرد. نتايج پياده سازي و پيشنهادات بازدهي الگوريتم بكار رفته براي تشخيص تركيبهاي QRS و استخراج ا نها از سيگنال براي ECG هاي منظم تقريب ا صد در صد است. اما اگر تركيبهاي QRS متوالي در يك سيگنال با هم اختلاف ساختاري شديدي داشته باشند الگوريتم نمي تواند خود را با اين تغييرات سازگار كند و ٨

6 th Iranian Conerene on Biomedial Engineering, February 00 بنابراين در تشخيص دچار مشكل مي شود. به عنوان راه حل مي توان از واريانس وزني (مشتق) به همراه ميانگين وزني در الگوريتم پيشگويي حدود ا ستانه استفاده كرد. ديديم كه كلاسه بندي تركيبهاي QRS با استفاده از شبكه هاي عصبي زماني مناسب است كه ويژگيها زياد و كلاسها كم باشد. هر چه پراكندگي كلاسهاي مختلف از يكديگر بيشتر باشد نتيجه كلاسه بندي دقيق تر و مطمي ن تر خواهد بود. اگر ويژگيهاي كلاسهاي مختلف تركيب QRS خواص مشترك داشته باشند مدت زمان ا موزش شبكه طولاني شده و در مواردي شبكه به هيچ عنوان ا موخته نخواهد شد. بكارگيري ويژگيهاي بيشتري از سيگنال انتخاب نمونه الگوهاي مناسب تر از هر كلاس گزينش سيگنالهاي كام لا متفاوت ECG به عنوان كلاسها و افزايش پيچيدگي و حساسيت شبكه مورد استفاده مي تواند شبكه عصبي را به عنوان روش قدرتمند و قابل اعتماد كلاسه بندي سيگنالهاي ECG در ا ورد. در شبكه هاي عصبي يك يا چند ويژگي مخالف با اكثريت معمو لا مغلوب شده و تا ثير ا ن در كار شبكه مشهود نخواهد بود. هر چند اين خصوصيت شبكه قابليت اعتماد ا نرا بالا مي برد ولي به همان نسبت از حساسيت ا ن مي كاهد. بكارگيري روشهاي ا ماري در جهت افزايش حساسيت الگوريتم نتايج قابل قبولي را اراي ه مي دهد. جدول ٢. نتايج كلاسه بندي به روش حداقل فاصله از ميانگين Arhive o SID QRS ٧٩ ناشناخته خطا سيگنال ECG ٢٢ ٧ ٥ ٢٥ ٢٥ ٤ ٥ ٣ ٤ ٩ ٤ ٦٧ ٤٩ ٨٦ ٩ در روش حداقل فاصله كه ميانگين و واريانس ويژگيهاي يك كلاس به عنوان ملاك تشخيص استفاده مي شود حساسيت الگوريتم نسبت ا بالاست زيرا تك تك ويژگيهاي سيگنال ورودي در تشخيص كلاس مربوطه شركت فعال و تعيين كننده دارند و نتيجه كلاسه بندي بر اساس ميزان را ي است و كلاسي برگزيده مي شود كه بيشترين دفعات انتخاب را به خود اختصاص داده باشد البته به شرطي كه ميزان را ي از يك حد ا ستانه تجاوز كند. جدول ٢ نتايج حاصله از كلاسه بندي را براي چندين سيگنال ECG كه از پايگاه داده [٢] MIT/BIH انتخاب شده اند نشان مي دهد. در اين روش اگر هيستوگرام ويژگيها تقريب ا نرمال باشد در ا نصورت ميانگين ويژگيها مي تواند نماينده قابل اعتمادي از ا نها براي عمل كلاسه بندي باشد. در غير اينصورت روش حداقل فاصله از ميانگين جوابگو نخواهد بود زيرا اين روش توجهي به هيستوگرام نداشته و تنها به ميانگين ويژگيها وابسته است. اما روش حداقل فاصله دو بعدي كه هيستوگرام ويژگيها را به عنوان توابع عضويت متغيرهاي فازي بكار مي برد بطور ضمني روش قبل را نيز دربرمي گيرد زيرا قله هيستوگرامهاي تقريب ا نرمال به ميانگين ويژگي مربوط مي شود. اگر نمونه الگوهاي يك كلاس شباهت زيادي به هم نداشته باشند درا نصورت ممكن است هيستوگرام ويژگي بيش از يك قله داشته باشد. بديهي است كه استفاده از فاصله يك بعدي در اين مورد تشخيص نادرستي را نتيجه مي دهد در حاليكه روش فازي مي تواند اين اشتباه را جبران كند. همچنين در مواردي كه الگوريتم فاصله يك بعدي دچار سردرگمي مي شود به عبارت ديگر فاصله يك ويژگي از ميانگين دو كلاس مختلف يكسان است (شكل ٥) روش فاصله دو بعدي مي تواند مشكل گشا باشد. جدول ٣ نتايج كلاسه بندي به روش فازي را براي سيگنالهاي ECG مورد ا زمايش نشان مي دهد. جدول ٣. نتايج كلاسه بندي به روش فازي QRS ناشناخته خطا سيگنال ECG ٢٢ ٧ ٥ ٢٥ ٦ ٣ ٤ ٢٥ ٩ ٧٩ ٦٧ ٤٩ ٨٦ ٨٢

7 يازدهمين كنفرانس مهندسي پزشكي ايران ۲۸ و ۲۹ بهمن [] I. Landman, and Y. Herzog, " Classiiation o ECG signals by unsupervised learning algorithms ", Web Page: Projets/projet000.htm. [8] Y.H. Hu, S. Palreddy, and W. J. Tompkins, "A patient adaptable ECG beat lassiier using a mixture o experts approah," IEEE Trans. Biomed. Eng., vol., pp September 99. [9] H. GholamHosseini and H. Nazeran, Eiient eatures or ANN-based ECG lassiiers,proeedings o The Inaugural Conerene o the IEEE Engineering in Mediine and Biology Soiety, Monash University, Australia, February 999. [0] W. J. Tompkins, " Biomedial Digital Signal Proessing ", Englewood Clis, NJ: Prentie Hall, 99. [] R. J. Shalko, " Pattern Reognition: Statistial, Strutural and Neural approahes ", John Wiley & Sons In., 99. [] G. Moody and R. Mark, MIT-BIH Arrhythmia Database Diretory, MIT-BIH Database Distribution, Massahusetts Inst. Tehno., 99. ٢٥ Arhive o SID ٩ از مقايسه نتايج جدولهاي ٢ و ٣ مشخص مي شود كه براي بعضي سيگنالها روش حداقل فاصله از ميانگين مناسب است و براي سيگنالهاي ديگري روش فازي مناسب تر مي باشد كه اين بستگي به نمونه الگوهاي كلاسهاي مختلف و هيستوگرامهاي حاصله از ا نها براي ويژگيها دارد. بديهي است كه استفاده از توانايي هر دو روش به عنوان مكمل يكديگر مي تواند نتايج بهتر و قابل اطمينان تري داشته باشد. مراجع [] M. L. Ahlstrom, and W. J. Tompkins, " Automated high-speed analysis o Holter tapes with miroomputers ", IEEE Trans. Biomed. Eng., BME-0, pp. 6-6, 98. [] J. L. Willems, " A review o omputer ECG analysis: Time to evaluate and standardize ", CRC Critial Rev. Med. Inorm., vol., no., pp. 6-0, 98. [ ] J. Pan, and W. J. Tompkins, " A realtime QRS detetion algorithm ", IEEE Trans. Biomed. Eng., BME-, no., pp. 0-6, 98. [] N. V. Thakor, J. G. Webster, and W. J. Tompkins, " Estimation o QRS omplex power spetra or design o a QRS ilter ", IEEE Trans. Biomed. Eng., BME-, pp. 0-0, 98. [] " Adaptive mathed iltering or ECG detetion ", in Pro. Ann. Int. Con. IEEE Eng. Med. Biol. So., pp. - 6, 988. [6] Q. Z. Xue, Y. H. Hu, and W. J. Tompkins, " Neural-network-based adaptive mathed iltering or QRS detetion ", IEEE Trans. Biomed. Eng., BME-9, no., pp. -9, 99. ٨٣

8 th Iranian Conerene on Biomedial Engineering, February 00 Arhive o SID ٨٤