طبقه‌بندی فیبریلاسیون دهلیزی با استفاده از الگوریتمpica-esn و تبدیل stockwell

فیبریلاسیون دهلیزی (af) شایع‌ترین نوع آریتمی قلبی است که با ایجاد بی‌نظمی در ضربان قلب همراه است. مطالعات بالینی نشان می‌دهند که بیماران مبتلا به af اغلب علائم قابل مشاهده‌ای درطول فیبریلاسیون دهلیزی ندارند؛ ازاین‌رو، تشخیص این بیماری برای پزشک متخصص دشوار است. تشخیص خودکار af با استفاده از سیگنال‌ الکتروکاردیوگرام (سیگنال ecg) به پزشک معالج در تشخیص کمک بسزایی می‌کند و خطر ابتلا به بیمارهای حاد قلبی و سکته مغزی را کاهش می‌دهد. در این مقاله، رویکردی جدید به‌منظور استخراج سیگنال‌ فیبریلاتور دهلیزی (موج f) از سیگنال‌ ecg با استفاده از الگوریتم pica-esn و آنالیز زمان- فرکانس آن توسط تبدیل stockwell برای طبقه‌بندی af پایان‌یافته و پایان‌نیافته پیشنهاد شده‌است. ابتدا سیگنال‌ فیبریلاتور دهلیزی (موج f) از سیگنال ecg استخراج شده و پس از آن تصویر زمان-فرکانس موج f با استفاده از تبدیل stockwell به‌دست می‌آید؛ در ادامه، دامنه تصویر زمان-فرکانس stockwell توسط ویژگی‌های مختلف بازتوصیف و به‌ترکیب سه طبقه‌بند اعمال می‌شود. به‌علاوه در این مطالعه آزمایش جدیدی برای بررسی پایداری ویژگی‌ها درطول سیگنال پیشنهاد شده‌است. این مطالعه بر روی پایگاه ‌داده فیزیونت پیاده‌‌سازی شده‌ و نتایج به‌دست‌آمده نشان می‌دهند که روش پیشنهادی عملکرد بهتری در مقایسه با روش‌های برگزیده چالش فیزیونت با دستیابی به‌دقت 100درصد دارد.

atrial fibrillation classification using pica-esn algorithm and stockwell transform

atrial fibrillation (af) is a prevalent cardiac arrhythmia characterized by irregular heartbeats, often without noticeable symptoms in patients. diagnosing af is challenging for cardiologists, requiring advanced methods for accurate identification using electrocardiogram (ecg) signals. automated af diagnosis can significantly aid cardiologists in prompt identification, potentially reducing the risks associated with acute heart disease and stroke. various non-invasive techniques based on ecg signal processing have been suggested to better understand the mechanisms by analyzing the atrial fibrillatory waves (f-waves). different signal processing methods for f-wave extraction have been explored, which may be classified as follows: average beat subtraction and its advanced variants, qt-interval interpolation, principal and independent component analysis, nonlinear adaptive filtering using an echo state network, diffusion geometry, and extended kalman filtering. this study aims to extract the f-wave from the ecg signal using the pica-esn algorithm, which yields better results compared to other methods. additionally, the f-wave’s time-frequency behavior was analyzed using the stockwell transform to differentiate between terminated and non-terminated af states for the first time in this study. first, the pica-esn algorithm facilitated the extraction of the f-wave from the ecg signal. subsequently, the stockwell transform was used to compute the time-frequency maps of the extracted f-wave. various features were derived from the amplitude of the stockwell transform and utilized in conjunction with three classifiers: mlp, svm, and adaboost. the findings reveal that the proposed method outperforms selected methodologies from the physionet challenge 2004, achieving an impressive 100% accuracy in both tasks. additionally, an experiment was conducted to assess the robustness of the proposed features across consecutive signal segments, validating their stability during signal analysis.