تشخیص زودهنگام مرگ ناگهانی قلبی با استفاده از پردازش سیگنال قلبی و فیلتر کالمن تعمیم‌یافته

کهربا, فرین; محبی, مریم; داننده حصار, حامد

doi:10.22041/ijbme.2018.82463.1332

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

² استادیار، گروه مهندسی پزشکی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

³ دانشجوی دکتری مهندسی پزشکی، گروه مهندسی پزشکی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

https://doi.org/10.22041/ijbme.2018.82463.1332

چکیده

مرگ ناگهانی قلبی یکی از مهمترین عوامل مرگ و میر در جهان به شمار رفته، و در بین مرگهای ناشی از بیماریهای قلبی سهم عمدهای را به خود اختصاص میدهد. یکی از راههای کاهش آمار مرگ ناشی از این دسته از بیماریها، تشخیص به موقع وقوع ناهنجاری‌های خطرناک قلبی است. اساس این تحقیق بر این باور استوار است که ناهنجاریهای مخاطرهآمیز قلبی به صورت ناگهانی رخ نمیدهند، بلکه دقایقی قبل از وقوعشان، علائم و یا اختلالات پیشزمینهای به وجود می‌آید که حاکی از وقوع آن‌ها است. هدف این مقاله، بررسی و مدلسازی سیگنالهای قلبی با استفاده از فیلتر کالمن تعمیمیافته، بر اساس مدل دینامیکی غیرخطی برای آشکارسازی ناهنجاریهای پیش‌زمینهای و معرفی یک اندیس برای تشخیص زودهنگام مرگ ناگهانی قلبی میباشد. در روی‌کرد ارائه شده، از نسخهی قطبی مدل دینامیکی غیرخطی سیگنال قلب مک‌شری استفاده میشود. در این مدل غیرخطی، هر ضربان از سیگنال الکتروکاردیوگرام به صورت مجموعه‌ای از موجکهای گوسی بیان می شود. در الگوریتم پیشنهادی این مقاله، ابتدا مدل دینامیکی قلب با افزودن معادلات خودبازگشتی مربوط به پارامترهای مدل، اصلاح شده و سپس یک فیلتر کالمن تعمیم‌یافته، از آن مدل برای پردازش سیگنال قلبی استفاده میکند. در گام بعد، یک الگوریتم ابتکاری بر اساس ساختار پیشنهادی و با استفاده از نظارت بر سیگنال وفاداری (که تابعی از سیگنال نوآوری فیلتر کالمن است)، به تشخیص ناهنجاریهای موجود قبل از وقوع مرگ ناگهانی قلبی می‌پردازد. روش ارائه شده، روی سیگنالهای قلبی گرفته شده از 20 فرد مبتلا به مرگ ناگهانی قلبی (گروه تست) و هم‌چنین 18 فرد نرمال (گروه کنترل) موجود در پایگاههای داده‌ی فیزیونت ارزیابی شده است. نتایج به دست آمده حاکی از تغییر رفتار سیگنال وفاداری قبل از وقوع مرگ ناگهانی قلبی است. نتایج اعمال این الگوریتم روی20 فرد بیمار موجود در پایگاه دادهی "مرگ ناگهانی قلبی هولتر" فیزیونت نشان داده است که شاخص استخراج شده قادر است 17 مورد از 20 حمله را قبل از وقوع تشخیص دهد و دقتی در حدود 85 % داشته باشد.

کلیدواژه‌ها

موضوعات

پردازش سیگنال‌های حیاتی

عنوان مقاله [English]

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

نویسندگان [English]

Farin Kahroba ¹
Maryam Mohebbi ²
Hamed Danandeh Hesar ³

¹ Msc Student, Department of Biomedical Engineering, K. N. Toosi University of Technology, Tehran, Iran

² Assistant Professor, Department of Biomedical Engineering, K. N. Toosi University of Technology, Tehran, Iran

³ Phd Student, Department of Biomedical Engineering, K. N. Toosi University of Technology, Tehran, Iran

چکیده [English]

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).

کلیدواژه‌ها [English]

Electrocardiogram (ECG)
Extended Kalman Filter
Fidelity Signal
Sudden Cardiac Death Detection

مراجع

[1] G. I. Fishman, S. S. Chugh, J. P. DiMarco, C. M. Albert, M. E. Anderson, R. O. Bonow, et al., "Sudden cardiac death prediction and prevention report from a National Heart, Lung, and Blood Institute and Heart Rhythm Society workshop," Circulation, vol. 122, pp. 2335-2348, 2010.

[2] C. Sandroni, G. Ferro, S. Santangelo, F. Tortora, L. Mistura, F. Cavallaro,A. Caricato, and M. Antonelli, "In-hospital cardiac arrest: survival depends mainly on the effectiveness of the emergency response", Resuscitation, vol. 62, pp.291-297, 2004.

[3] S. Suraseranivongse, T. Chawaruechai, P. Saengsung, and C. Komoltri, "Outcome of cardiopulmonary resuscitation in a 2300-bed hospital in a developing country", Resuscitation, Vol.71, pp.188–193, 2006.

[4] Shen, Tsu-Wang, and et al. "A personal Sudden Cardiac Death (SCD) detector based on ECG biometric technology." World Congress on Medical Physics and Biomedical Engineering 2006. Springer Berlin Heidelberg, 2007.

[5] T.-W. Shen, H.-P. Shen, C.-H. Lin, and Y.-L. Ou, "Detection and prediction of sudden cardiac death (SCD) for personal healthcare," in 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 2575-2578,2007.

[6] H. Yu, F. Pi-hua, W. Yuan, L. Xiao-feng, L. Jun, L. Zhi, et al., "Prediction of sudden cardiac death in patients after acute myocardial infarction using T-wave alternans: a prospective study," Journal of electrocardiology, vol. 45, pp. 60-65, 2012.

[7] Fujita, Hamido, et al. "Sudden cardiac death (SCD) prediction based on nonlinear heart rate variability features and SCD index." Applied Soft Computing, vol. 43, pp. 510-519, 2016.

[8] P. E. McSharry, G. D. Clifford, L. Tarassenko, and L. A. Smith, "A dynamical model for generating synthetic electrocardiogram signals," IEEE Transactions on Biomedical Engineering, vol. 50, pp. 289-294, 2003.

[9] R. Sameni, M. B. Shamsollahi, C. Jutten, and G. D. Clifford, "A nonlinear Bayesian filtering framework for ECG denoising," IEEE Transactions on Biomedical Engineering, vol. 54, pp. 2172-2185, 2007.

[10] O. Sayadi and M. B. Shamsollahi, "ECG denoising and compression using a modified extended Kalman filter structure," IEEE Transactions on Biomedical Engineering, vol. 55, pp. 2240-2248, 2008.

[11] O. Sayadi and M. Shamsollahi, "A model-based Bayesian framework for ECG beat segmentation," Physiological measurement, vol. 30, p. 335, 2009.

[12] O. Sayadi, M. B. Shamsollahi, and G. D. Clifford, "Robust detection of premature ventricular contractions using a wave-based Bayesian framework," IEEE Transactions on Biomedical Engineering, vol. 57, pp. 353-362, 2010.

[13] Sameni, Reza, et al. "Filtering noisy ECG signals using the extended Kalman filter based on a modified dynamic ECG model." Computers in Cardiology, 2005. IEEE, 2005.

[14] J. Pan, W. J. Tompkins, "A real-time qrs detection algorithm,"

[15] IEEE transactions on biomedical engineeringو vol. 32, no. 3, pp. 230-6, 1985.

[16] Akhbari, Mahsa, Mohammad B. Shamsollahi, and Christian Jutten. "ECG fiducial points extraction by extended kalman filtering." Telecommunications and Signal Processing (TSP), 2013 36th International Conference on. IEEE, 2013.‏

[17] O. Sayadi, " Model-Based ECG Processing (Denoising, Compression and Classification)" ,MS Thesis,Sharif University of Technology, Tehran Iran, 200

نشریه‌ی علمی مهندسی پزشکی زیستی

تشخیص زودهنگام مرگ ناگهانی قلبی با استفاده از پردازش سیگنال قلبی و فیلتر کالمن تعمیم‌یافته

مراجع

مراجع

دوره 11، شماره 2
مرداد 1396
صفحه 187-199

تشخیص زودهنگام مرگ ناگهانی قلبی با استفاده از پردازش سیگنال قلبی و فیلتر کالمن تعمیم‌یافته

مراجع

مراجع

دوره 11، شماره 2مرداد 1396صفحه 187-199

دوره 11، شماره 2
مرداد 1396
صفحه 187-199