تشخیص نوع و سطح خطر انقباضات زودرس بطنی (PVC) مبتنی بر پردازش سیگنالHRV

بیماری های قلبی و عروقی یکی از علل اصلی مرگ و میر در جهان صنعتی امروز هستند. و فیبریلاسیون بطنی شایع ترین آن هاست که حدود یک درصد از جمعیت عمومی کل جهان به آن مبتلا هستند. میزان ابتلا به این بیماری با بالا رفتن سن افزایش می یابد. تشخیص آریتمی های قلبی امری مهم و حائز اهمیت است. چرا که آریتمی در بلند مدت برای فرد خطرات بیشتری ایجاد میکند و میتواند حتی منجر به مرگ بیمار نیز شود. بنابراین روش تشخیص آریتمیها باید از دقت و صحت بالایی برخوردار باشد تا بتواند امکان دنبال کردن سطوح آریتمی را فراهم آورد. از دیرباز راه های تشخیص و طبقه بندی این آریتمی ها به عنوان یک مشکل بزرگ برای متخصصان قلب مطرح بوده است. انقباضات زودرس بطنی (PVC) یکی از شایع ترین بینظمیهای ضربان قلب است. انقباضات زودرس بطنی فعالیت های نامنظمی هستند که به علت انقباضات شدید بطنی اتفاق می افتند و بدین ترتیب، الگوهای غیر طبیعی در کمپلکس QRS سیگنال قلبی((ECG رخ می دهد. این انقباضات مکرر در طی فعالیت فیزیکی خطر مرگ را افزایش میدهند و میتواند منجر به آریتمی قلبی جدی تر مانند فیبریلاسیون دهلیزی شوند. معمولا انقباضات زودرس بطنی به راحتی در ECG با شکل متمایز تشخیص داده میشوند. برای این منظور می توان از هولتر مانیورینگ برای بررسی ریخت شناسی سیگنال ها استفاده کرد. سیگنال الکتروکاردیوگرام حاوی اطلاعات مفیدی درباره ی عملکرد قلب است ، سال هاست که به عنوان ابزاری جهت تشخیص بیماری های قلبی به کار گرفته می شود. در این پژوهش جهت پیش بینی انقباضات زود رس بطنی در بازه های زمانی مشخص، ویژگی های مبتنی بر بازه استخراج و با استفاده از شبکه عصبی و SVM و KNN و درخت تصمیم گیری وقوع و عدم وقوع PVC دربازه زمانی ۵ ثانیه پیش بینی گردید. نتایج نشان داد که شبکه عصبی تک لایه باا ۳۰ ناورون در لایه میانی دارایعملکرد بالاتری است. در این حالت صحت بر روی مجموعه تست ۸۵ % و صحت کل مجموعه ۹۵.۵ % به دست آمد.