Paroksismal atriyal fibrilasyon başlangıç zamanının kalp hızı değişkenliği analizi ve yapay zeka yöntemleriyle önceden kestirimi

Abstract

Bu çalışmada, Paroksismal Atriyal Fibrilasyon (PAF) atağı gerçekleşmeden kaç dakika öncesinden atağın tespit edilebileceği ve en iyi örüntü tanıma ve kestirim yöntemlerinin belirlenmesi üzerine bir çalışma sunulmuştur. PAF, Atriyal Fibrilasyon (AF) türleri içerisinde en çok karşılaşılan ve en temel aşamadır. Bu aşamada hastalığın fark edilip önlem alınması ve sonraki aşamalara geçmesinin önlenmesi çok önemlidir. Bu doğrultuda, 49 adet Normal, 25 adet PAF rahatsızlığına sahip ama hemen PAF atağı geçirmeyen ve 25 adet PAF rahatsızlığına sahip ve verinin bitiminde PAF atağı geçiren 30 dk'lık veriler %50 örtüşmeye sahip 10 parçaya ayrılmıştır. Bu parçaların her biri üzerinde kalp hızı değişkenliği (KHD) zaman alanı ölçümleri ve frekans alanı ölçümlerinden hızlı Fourier dönüşümü, Lomb-Scargle yöntemi, dalgacık dönüşüm yöntemleri ve doğrusal olmayan ölçümlerden Poincare çizim ölçümleri ile öznitelikler elde edilmiştir. Bu öznitelikler kullanılarak, filtre yöntemi ve sarmal yöntem ile belirleyici öznitelikler tespit edilip PAF atağı erken kestirim performansları analiz edilmiştir. Bununla birlikte öznitelik normalizasyon işlemlerinin PAF atağı kestirimindeki rolü de incelenmiştir. 0-5 dakika zaman aralığında KNN sınıflandırma algoritması ile %92 genel doğrulukla kestirim performansı elde edilmiştir. PAF atağını daha erken ve daha yüksek bir başarımla tespit için üç katlı sınıflandırıcı sistemi önerilmiştir. Bu sistemde atak gerçekleşmeden en az 10 dakika öncesindeki veriler kullanılarak 20-25 dakika zaman aralığında en yüksek %98 genel başarım elde edilmiştir. Literatürdeki benzer çalışmalara göre oldukça yüksek sonuçlar elde edilmiştir. Sonuç olarak, 5 dakikalık parçalar üzerinden gerçekleştirilen bu çalışmanın yeni bir otomatik PAF atağı erken uyarı ve tanıma sistemi olarak kullanılması önerilmektedir

In this study, we present a study of how many minutes before the Paroxysmal Atrial Fibrillation (PAF) event occurred and the best pattern recognition and prediction methods were determined. PAF is the most common and most basic stage of Atrial Fibrillation (AF). At this stage, it is very important to be aware of the disease and to prevent it and prevent it from going to the next stage. In this regard, The data from 49 non-patient subjects, 25 PAF patients with no attack during the recording and 25 patients with a PAF attack just end of the 30-minute recording. These data were recorded for 30 minutes and divided into 10 segments with 50% overlap. On each of these parts, heart rate variability (HRV) time domain measurements and fast Fourier transforms, Lomb-Scargle method, wavelet transform methods from frequency domain measurements and Poincare plot measurements from non-linear measurements were obtained. By using these features, the filter method and the wrapper method were used to determine the predictive features and then early prediciton performance of PAF attack have been analyzed. However, the role of feature normalization in PAF estimation has also been examined. Prediction performance of 92% general accuracy was obtained with the KNN classification algorithm at 0-5 minute time interval. A three-fold classifier system has been proposed to detect PAF at an earlier and higher performance. In this system, the highest 98% overall performance was achieved in 20-25 minutes time interval using the data at least 10 minutes before the PAF attack occurred. Compared to similar works in the literature, very high results were obtained. As a result, it is suggested that this study, performed over 5 minutes of data, be used as a new automatic early warning of PAF attack and recognition system.