fa سنجش استعداد ابتلا به فیبریلاسیون دهلیزی با استفاده از تحلیل‌های غیر خطی سیگنال الکتروکاردیوگرام مخابرات Communication پژوهشي Research <p dir="RTL"><strong>فیبریلاسیون</strong> <strong>دهلیزی یک</strong> <strong>تاکی‌آریتمی</strong> <strong>فوق بطنی است،</strong> <strong>که</strong> <strong>با</strong> <strong>فعالیت</strong> <strong>دهلیزی غیرهماهنگ</strong> <strong>و</strong> <strong>متعاقب</strong> <strong>آن</strong> <strong>وخامت</strong> <strong>عملکرد</strong> <strong>مکانیکی</strong> <strong>دهلیز</strong> <strong>مشخص</strong> <strong>می‌شود. بروز این بیماری در درصد بالایی از جمعیت جهان آن را به یک مشکل اجتماعی و اقتصادی تبدیل کرده است. با </strong><strong>تشخیص</strong> <strong>زود</strong> <strong>هنگام</strong> <strong>این آریتمی کشنده قلبی، می‌توان آن‌را پیشگیری و مدیریت نمود. </strong><strong>در این تحقیق</strong><strong> برآنیم با استفاده از روشهای غیرتهاجمی، بر پایه تجزیه و تحلیل غیرخطی سیگنال </strong><strong>الکتروکاردیوگرام ا</strong><strong>فراد مستعد ابتلا به فیبریلاسیون دهلیزی را شناسایی نماییم. </strong><strong>این تحقیق شامل</strong><strong> سه مرحله است، در گام نخست سیگنال‌های </strong><strong><span dir="LTR">ECG</span></strong><strong> جمع‌آوری شده از سایت فیزیونت پیش‌پردازش می‌شوند تا نویزهای ناشی از برق شهر و آرتیفکت‌های موجود در سیگنال حذف شوند، در ادامه سیگنال </strong><strong><span dir="LTR">HRV</span></strong><strong> از آنها استخراج می‌گردد. در مرحله دوم</strong><strong>، ده ویژگی غیرخطی از سیگنال</strong><span dir="LTR">HRV</span><strong> ، مشتمل بر میزان انحراف نمودار پوانکاره، بعد همبستگی، نمای لیاپانوف، آنتروپی تقریبی و آنتروپی طیف، و پنج ویژگی از تحلیل کمی نمودارهای بازگشتی استخراج می‌شوند. در مرحله سوم با استفاده از طبقه‌بندی کننده ماشین بردار پشتیبان به طبقه‌بندی دو گروه افراد سالم و افراد در معرض ابتلا به حملات فیبریلاسیونی می‌پردازیم. نتایج نهایی نشان می‌دهد که طبقه‌بندی کننده ماشین بردار پشتیبان توانسته است افراد بیمار را در زمانیکه سیگنال </strong><span dir="LTR">HRV</span><strong> آنها 5 دقیقه پیش از شروع حملات فیبریلاسیون دهلیزی تحلیل شده است با صحت 93% از افراد سالم تفکیک نماید.</strong></p> <p>Atrial Fibrillation is a supra ventricular tachyarrhythmia, which is characterized by the deterioration of atrial mechanical function and aberrant<strong><span dir="RTL">. </span></strong>It has become a social and economic problem because a large percentage of the world population suffering from this disease. The early diagnosis of this fatal cardiac Arrhythmia can be prevented and managed it. In this study, we used non-invasive methods based on nonlinear analysis of ECG signal, to identify individuals prone to Atrial Fibrillation. This study consists of three steps<strong><span dir="RTL">, </span></strong>the first step is preprocessing of ECG signals collected from the Physionet to removed 50 Hz and Artifacts noises, then the HRV signal is extracted from them. Secondly, extract nonlinear parameters from HRV signal, including the Poincare Plot Deviations, Correlation Dimension, Lyapunov Exponent, Approximate Entropy and Sample Entropy, and the five characteristics of Recurrence Plot Quantitative Analysis. Third we use a Support Vector Machine classifier for the classification healthy people and those at risk for Atrial Fibrillation Attack. Final results show that Support Vector Machine classifier is able to differentiate healthy from patient population with 93% accuracy, when HRV signal analysis 5 minutes before the onset of Atrial Fibrillation episodes.</p> فیبریلاسیون دهلیزی, سیگنال HRV , سری زمانی, کمیتهای آشوبی, ماشین بردار پشتیبان Atrial Fibrillation, HRV Signal, Time Series, Chaos Parameters, Support Vector Machine. 119 128 http://jiaeee.com/browse.php?a_code=A-10-1-77&slc_lang=fa&sid=1 M. Sepehrinia محمد سپهری‌نیا 1003194753284600318 1003194753284600318 Yes M. Pooyan محمد پویان 1003194753284600319 1003194753284600319 No