بيماري هاي قلبي و عروقي از مهمترين عوامل تهديدکننده سلامت بشر در عصر حاضر هستند. بر همين اساس پايش سلامت قلبي و عروقي يکي از مهم ترين نيازهاي نظام سلامت جامعه است. يکي از ابزارهاي حياتي در راستاي نيل به اين هدف دستگاه هولتر مانيتور است که ميتواند سيگنال هاي قلبي را در مدت زمان طولاني ثبت کند. پس از ثبت، سيگنال توسط نرمافزار تحليل سيگنال ECG مورد بررسي و تحليل قرار ميگيرد. فرآيند پردازش در اين نرم افزار به طور خلاصه شامل بارگذاري اطلاعات، تنظيم پارامترها، پردازش اوليه (تشخيص ضربان و دسته بندي اوليه)، دسته بندي و انتخاب الگوهاي ضربان، پردازش اصلي (تعيين نقاط ويژه و تشخيص آريتمي ها) و تهيه گزارش خروجي است.
يکي از مهمترين کاربردهاي تجزيه و تحليل سيگنال هاي قلبي، تشخيص وقوع ضربان هاي غيرطبيعي است که در اصطلاح آريتمي ناميده ميشوند. به طور کلي ميتوان آريتمي ها را از دو ديدگاه دسته بندي کرد. در ديدگاه اول ريتم ضربان مد نظر قرار ميگيرد اما ديدگاه دوم بيشتر معطوف به مشخصات شکلي و مورفولوژي ضربان مورد نظر است. در اين ديدگاه، فواصل زماني موج هاي درون يک ضربان مانند عرض موج هاي P، QRS و T و ديگر فواصل بين نقاط ويژه ضربان و همچنين دامنه و يا اختلاف دامنه بين اين نقاط ويژه مورد بررسي و تحليل قرار ميگيرند. شکل 1 سيگنال ECG طبيعي را نشان ميدهد.
شکل 1: يک نمونه سيگنال ECG طبيعي
آريتمي قلبي(Cardiac arrhythmia) به معني غيرطبيعي بودن نرخ يا ريتم ضربان قلب است.
چهار دسته اصلي انواع آريتمي ها عبارتاند از:
◄ ضربان هاي زودرس (Premature [Extra] Beats)
◄ ريتمي هاي فوق بطني (Supraventricular Arrhythmias)
◄ آريتمي هاي بطني (Ventricular Arrhythmias)
◄ برادي کاردي ( Bradyarrhythmias)
شناخت مکانيسم، پيش زمينه ها و عوارض جانبي هر يک از اين آريتمي ها در تشخيص و تفکيک آنها از يکديگر و تعيين شرايط وقوع آنها بسيار تأثيرگذار است. بنابراين همه اين موارد در بررسي آريتمي ها به منظور ايجاد و توسعه الگوريتم هاي تشخيصي بايد مد نظر قرار بگيرد.
شکل2: نحوه تصميمگيري در مورد تقسيم بندي و تشخيص انواع آريتمي ها
از طرف پژوهشگران طيف وسيعي از الگوريتم هاي مختلف براي تشخيص QRS ارائه شده است. روش هايي که در دهه اخير پيشنهاد شده اند در يک مطالعه قوي مورد بررسي قرار گرفته اند.
تبديل موجک يا همان (Wavelet Transform (WT يکي از پرکاربردترين تبديلات رياضي در حوزه پردازش سيگنال و تصوير است. با توجه به ماهيت آناليز چند رزولوشني، اين تبديل جاي خود را در بسياري از کاربردهاي پردازشي باز کرده است و گاهي به عنوان توانمندترين ابزار موجود شناخته ميشود.
ساختار و بلوک دياگرام کلي نرم افزار براي دستيابي به يک درک کلي از عملکرد نرم افزار در شکل 3 ارائه شده است.
شکل3: بلوک دياگرام کامل برنامه
تبديل موجک، تفسيري از سيگنال در حوزه زمان-فرکانس ارائه ميدهد و ويژگي هاي زماني سيگنال در رزولوشن هاي مختلف نمايان ميشود. اين تبديل ابزار مناسبي براي تجزيه و تحليل سيگنال ECG با محتواي فرکانسي مختلف همچون کمپلکس QRS، موج P و موج T است. همچنين نويز و تأثير آرتيفکت بر روي سيگنال ECG در باندهاي فرکانسي مختلفي ظاهر ميشوند. بنابراين سهم مشارکت اين تأثيرات در مقياسه اي مختلف متفاوت خواهد بود.[1,2] شکل 4 نمايي از اين نوع پياده سازي را نشان ميدهد.
شکل 4: بلوک دياگرام يک پياده سازي مبتني بر فيلتر بانک براي DWT بر اساس الگوريتم Mallat
الگوريتم مورد نظر اين قابليت را دارد که مستقيماً بر روي سيگنال ECG ثبتشده در دستگاه هاي ديجيتال پياده سازي شود. بيشتر انرژي سيگنال ECG بر روي پهناي باند مقياسه اي 1 تا 5 منطبق ميشود. براي مقياسه اي بزرگتر از 4 انرژي کمپلکس QRS بسيارکم خواهد بود. همچنين، موج هاي P و T مؤلفه هاي قابل توجهي در مقياس 5 خواهند داشت هرچند جابجايي و حرکت خط زمينه (Base line) سيگنال نيز در اين باند تأثير زيادي دارد.
شکل 5: نتايج محاسبه DWT بر روي پنج مقياس اول بر روي سيگنال هاي شبيه سازي شده مشابه با ECG
با به کارگيري اطلاعات مربوط به نقاط ماکزيمم، مينيمم و عبور از صفر بر روي مقياس هاي مختلف، الگوريتم مورد نظر مي تواند نقاط مختلف را مورد تجزيه و تحليل قرار داده و پردازش کند.
منابع
1- S. Mallat and S. Zhong, “Characterization of signals from multiscale edges,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14, no. 7. pp. 710–732, 1992.
2- J. S. Sahambi, S. N. Tandon, and R. K. P. Bhatt, “Wavelet based ST-segment analysis,” Med. Biol. Eng. Comput., vol. 36, no. 5, pp. 568–572, 1998.
دیدگاه ها