مدلسازی سه بعدی برداری زمانی الکتروکاردیوگرام قلب و کاربردهای آن

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیر الدین طوسی

2 استاد، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیر الدین طوسی

3 کارشناس ارشد، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیر الدین طوسی

چکیده

سیگنال ‌های ECG اطلاعات ارزشمند و مهمی از رفتار قلب را در اختیار پزشکان و  پژوهشگران قرار می‌ دهند، اما نه ‌تنها متخصصان قلب بلکه مهندسان نیز با الگوریتم‌ های توسعه‌ یافته خود قادر نیستند بدون اعمال پیش‌ پردازش ‌های مناسب به ‌تمامی اطلاعات پنهان در ECG  ها دست پیدا کنند. سیگنال ‌های 12 لیدی گرچه نمایانگر بزرگی رفتار الکتریکی قلب در یک چرخه‌ قلبی هستند ولی اطلاعات واضحی از جهت سیگنال الکتریکی قلب در اختیار نمی گذارند. از طرف دیگر، وکتورکاردیوگرافی (VCG) اطلاعات مربوط به ‌اندازه و جهت سیگنال الکتریکی قلب را در اختیار قرار می‌ دهد اما زمان وقوع در این نوع نمایش آشکار نیست. در این مقاله روشی جدید بیان شده است که در آن، به ‌دور از محاسباتی پیچیده، اندازه و جهت بردار الکتریکی قلب به ‌صورت تابعی از زمان نمایش داده می‌شود. در این نوع نمایش سه بعدی جدید، برخلاف ECG،  منحنی سه ‌بعدی نهایی، مستقل از نوع لیدهای قدامی است. بدین ترتیب از هر جفت لید قدامی دلخواهی منحنی یکسانی به دست می‌ آید که اطلاعات مربوط به رفتار الکتریکی قلب را نشان می ‌دهد. برخی از کاربردهای نمایش سه ‌بعدی ارائه شده با به‌کارگیری اطلاعات ECG بیماران در پایگاه داده‌ فیزیونت در این مقاله آورده شده است. بر این باوریم که اگر این روش مورد استفاده متخصصان قلب و محققان در این زمینه قرار گیرد، به آن‌ ها کمک می‌ کند تا اعمال قلب و ناهنجاری ‌های احتمالی را واضح ‌تر و بسیار سریع‌ تر تشخیص دهند.

کلیدواژه‌ها

موضوعات


[1] Jeong, D.U., and Lim, K.M., "Convolutional Neural Network for Classification of Eight Types of Arrhythmia using 2D Time–frequency Feature Map from Standard 12-lead Electrocardiogram", Scientific Reports, Vol. 11, No. 1, pp. 1-9, (2021).
 
[2] Hannun, A.Y., Rajpurkar, P.,  Haghpanahi, M., Tison, G.H., Bourn, C., Turakhia, M.P., and Ng, A.Y., "Cardiologist-level Arrhythmia Detection and Classification in Ambulatory Electrocardiograms using a Deep Neural Network", Nature Medicine, Vol. 25, No. 1, pp. 65-69, (2019).
 
[3] Attia, Z.I., Noseworthy, P., Lopez-Jimenez, F., Asirvatham, S.J., Deshmukh, A.J., Gersh, B.J., Carter, R.E., Yao, X., Rabinstein, A.A., Erickson, B.J., Kapa, S., and Friedman, P.A., "An Artificial Intelligence-enabled ECG Algorithm for the Identification of Patients with Atrial Fibrillation During Sinus Rhythm: A Retrospective Analysis of Outcome Prediction", The Lancet, Vol. 394, No. 10201, pp. 861-867, (2019).
 
[4] Natarajan, A., Chang, Y., Mariani, S., Rahman, A.,  Boverman, G., Vij, S., and Rubin, J., "A Wide and Deep Transformer Neural Network for 12-lead ECG Classification", in 2020 Computing in Cardiology: IEEE, doi: 10.22489/CinC.2020.107, 13-16 September, Rimini, Italy, pp. 1-4, (2020).
 
[5] Riera, A.R.P., Uchida, A.H., Filho, C.F., Meneghini, A., Ferreira, C., Schapacknik, E., Dubner, S., and Moffa, P., "Significance of Vectorcardiogram in the Cardiological Diagnosis of the 21st Century", Clinical Cardiology, Vol. 30, No. 7, pp. 319-323, (2007).
 
[6] Correa, R., Laciar, E., Arini, P., and Jané, R., "Analysis of QRS Loop in the Vectorcardiogram of Patients with Chagas' Disease", Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), doi: 10.1109/IEMBS.2010.5626863, 31 August - 04 September, Buenos Aires, Argentina, pp. 2561-2564, (2010).
 
[7] Diamant, U.-B., Jensen, S.M., Winbo, A., Stattin, E.-L., and Rydberg, A.,  "Vectorcardiographic Recordings of the QT Interval in a Pediatric Long QT Syndrome Population", Pediatric Cardiology, Vol. 34, No. 2, pp. 245-249, (2013).
 
[8] Diamant, U.-B., Winbo, A., Stattin, E.-L., Rydberg, A., Kesek, M., and Jensen, S.M., "Two Automatic QT Algorithms Compared with Manual Measurement in Identification of Long QT Syndrome", Journal of Electrocardiology, Vol. 43, No. 1, pp. 25-30, (2010).
 
[9] Braun, T., Spiliopoulos, S., Veltman, C., Hergesell, V., Passow, A., Tenderich, G., Borggrefe, M., and Koerner, M.M., "Detection of Myocardial Ischemia due to Clinically Asymptomatic Coronary Artery Stenosis at Rest using Supervised Artificial Intelligence-enabled Vectorcardiography–A Five-fold Cross Validation of Accuracy", Journal of Electrocardiology, Vol. 59, pp. 100-105, (2020).
 
[10] Perez Alday, E.A., Gu, A., Shah, A.J., Robichaux, C., Wong, A.I., Liu, C., Liu, F., Rad, A.B., Elola, A., Seyedi, S., Li, Q., Sharma, A., Clifford, G.D., and Reyna, M.A., "Classification of 12-lead ECGs: The Physionet/Computing in Cardiology Challenge 2020", Physiological Measurement, Vol. 41, No. 12, Article Number. 124003, (2020).
 
[11] Seko, Y., Kato, T., Yamaji, Y., Haruna, Y., Nakane, E., Haruna, T., and Inoko, M., "Clinical Impact of Left and Right Axis Deviations with Narrow QRS Complex on 3-year Outcomes in a Hospital-based Population in Japan", Scientific Reports, Vol. 11, No. 1, pp. 1-7, (2021).
 
[12] Moraes, D.N., Nascimento, B.R., Beaton, A.Z., Soliman, E.Z., Lima-Costa, M.F., Dos Reis, R.C.P., and Ribeiro, A.L.P., "Value of the Electrocardiographic (P Wave, T Wave, QRS) Axis as a Predictor of Mortality in 14 Years in a Population with a High Prevalence of Chagas Disease from the Bambui Cohort Study of Aging", The American Journal of Cardiology, Vol. 121, No. 3, pp. 364-369, (2018).
 
[13] Piña-Paz, S.A., and Singh, A., "T-wave Inversions in Inferior ST-elevation Myocardial Infarction-A Case of "Inferior Wellens Sign", The American Journal of Emergency Medicine, doi: 10.1016/j.ajem.2020.10.053,  Vol. 44, pp. 478. e1-478. e4, (2021).