پیش‌بینی مرگ ناگهانی قلبی با استفاده از تحلیل زمان-فرکانسی سیگنال الکتروکاردیوگرام

مرگ ناگهانی قلبی (scd) یک عارضه‌ی مهم قلبی عروقی است که سالانه حدود 3 میلیون نفر را در سراسر جهان تحت تاثیر قرار داده و اغلب بدون علائم قابل مشاهده‌ی قبلی رخ می‌دهد. علل دقیق scd هنوز مشخص نیست، اگر چه فیبریلاسیون بطنی به عنوان یک عامل اصلی در پاتوفیزیولوژی آن شناخته می‌شود. با توجه به این که علائم معمولا تنها یک ساعت قبل از وقوع حادثه ظاهر می‌شوند، پیش بینی به موقع برای احیای موثر قلبی ضروری است. این مطالعه به منظور پیش‌بینی scd از تحلیل زمان-فرکانس سیگنال‌های ecg انجام شده است. در این پژوهش از دو مجموعه‌ی داده‌ی آنلاین هولتر مرگ ناگهانی قلبی و ریتم سینوسی نرمال mit-bih استفاده شده است. روش پیشنهادی شامل تقسیم بازه‌ی 60 دقیقه‌ای قبل از فیبریلاسیون بطنی به بخش‌های 1 دقیقه‌ای است که سپس با استفاده از تجزیه‌ی حالت تجربی (emd) به باندهای زیرزمان-فرکانس تفکیک شده‌اند. ویژگی‌های غیرخطی از این سیگنال‌های تجزیه شده استخراج گردیده و سپس طبقه‌بندی با استفاده از ماشین‌های بردار پشتیبان (svm) و k نزدیک‌ترین همسایگان (knn) انجام شده است. برای بهبود صحت، دو تکنیک انتخاب ویژگی آماری t-test و anova به کار گرفته شده است. نتایج نشان می‌دهد که استفاده از روش انتخاب ویژگی anova همراه با الگوریتم‌های svm و knn به صحت بالایی در پیش‌بینی scd دست یافته است. به طور خاص صحت متوسط در 60 دقیقه قبل از scd برای روش‌های anova-svm و anova-knn به ترتیب برابر با 93.51% و 93% است. با استفاده از انتخاب ویژگی t-test صحت متوسط برای روش‌های svm و knn به ترتیب برابر با 93.29% و 93.41% است. این یافته‌ها عمل‌کرد امیدوار کننده‌ی روش پیشنهادی در پیش‌بینی scd را نشان می‌دهد.

prediction of sudden cardiac death using time-frequency analysis of electrocardiogram signal

sudden cardiac death (scd) is a significant cardiovascular issue that affects approximately 3 million individuals globally each year, often occurring without any prior noticeable symptoms. the precise causes of scd remain unclear, although ventricular fibrillation is thought to play a crucial role in its pathophysiology. since symptoms usually appear only an hour before the event, timely prediction is essential for effective cardiac resuscitation. this study aims to predict scd using time-frequency analysis of ecg signals. two online datasets were utilized: the sudden cardiac death holter dataset and the mit-bih normal sinus rhythm dataset. the proposed method involves segmenting the 60-minute interval prior to ventricular fibrillation into one-minute segments, which are then decomposed into time-frequency sub-bands using empirical mode decomposition (emd). nonlinear features are extracted from these decomposed signals, followed by classification using support vector machines (svm) and k-nearest neighbors (knn). to enhance classification accuracy, two statistical feature selection techniques, t-test and anova, were employed. results indicate that using the anova feature selection method with svm and knn algorithms achieves high accuracy in predicting scd. specifically, the average accuracy rates for the 60 minutes preceding scd were 93.51% for anova-svm and 93% for anova-knn. with t-test feature selection, the average accuracy rates were 93.29% for svm and 93.41% for knn. these findings demonstrate the promising performance of the proposed approach in predicting scd.