ترجمه فارسی مقاله ضربان قلب و تغییرپذیری آن از ثبت‌های کوتاه‌مدت ECG به عنوان نشانگرهای زیستی برای تشخیص اختلال شناختی خفیف در جمعیت هند

چکیده

Alterations in Heart Rate (HR) and Heart Rate Variability (HRV) can reflect autonomic dysfunction associated with neurodegeneration. We investigate the influence of Mild Cognitive Impairment (MCI) on HR and its variability measures in the Indian population by designing a complete signal processing pipeline to detect the R-wave peaks and compute HR and HRV features from ECG recordings of 10 seconds, for point-of-care applications. The study cohort involves 297 urban participants, among which 48.48% are male and 51.51% are female. From the Addenbrooke’s Cognitive Examination-III (ACE-III), MCI is detected in 19.19% of participants and the rest, 80.8% of them are cognitively healthy. Statistical features like central tendency (mean and root mean square (RMS) of the Normal-to-Normal (NN) intervals) and dispersion (standard deviation (SD) of all NN intervals (SDNN) and root mean square of successive differences of NN intervals (RMSSD)) of beat-to-beat intervals are computed. The Wilcoxon rank sum test reveals that mean of NN intervals (p = 0.0021), the RMS of NN intervals (p = 0.0014), the SDNN (p = 0.0192) and the RMSSD (p = 0.0206) values differ significantly between MCI and non-MCI classes, for a level of significance, 0.05. Machine learning classifiers like, Support Vector Machine (SVM), Discriminant Analysis (DA) and Naive Bayes (NB) driven by mean NN intervals, RMS, SDNN and RMSSD, show a high accuracy of 80.80% on each individual feature input. Individuals with MCI are observed to have comparatively higher HR than healthy subjects. HR and its variability can be considered as potential biomarkers for detecting MCI.

چکیده به فارسی (ترجمه ماشینی)

تغییرات در ضربان قلب (HR) و تنوع ضربان قلب (HRV) می تواند منعکس کننده عملکرد اتونوم مرتبط با تولید عصبی باشد.ما تأثیر اختلال خفیف شناختی (MCI) بر HR و اقدامات تنوع آن در جمعیت هند را با طراحی یک خط لوله پردازش کامل سیگنال برای تشخیص قله های موج R و محاسبه ویژگی های HR و HRV از 10 ثانیه ، برای نقطه بررسی می کنیم.برنامه های کاربردی مراقبت.گروه مطالعه شامل 297 شرکت کننده در شهری است که از این میان 48.48 ٪ مرد و 51.51 ٪ زن هستند.از معاینه شناختی Addenbrooke-III (ACE-III) ، MCI در 19.19 ٪ از شرکت کنندگان تشخیص داده می شود و بقیه ، 80.8 ٪ از آنها از نظر شناختی سالم هستند.ویژگی های آماری مانند تمایل مرکزی (میانگین و میانگین مربع ریشه (RMS) فواصل طبیعی (NN)) و پراکندگی (انحراف استاندارد (SD) تمام فواصل NN (SDNN) و میانگین مربع ریشه تفاوت های پی در پی NNفواصل (RMSSD)) فواصل ضرب و شتم به ضرب و شتم محاسبه می شود.آزمون رتبه Wilcoxon Rank Sum نشان می دهد که میانگین فواصل NN (P = 0.0021) ، RMS از فاصله NN (P = 0.0014) ، SDNN (P = 0.0192) و RMSSD (P = 0.0206) بین MCI و غیر متفاوت استکلاس های MCI ، برای یک سطح از اهمیت ، 0.05.طبقه بندی کننده های یادگیری ماشین مانند ، دستگاه بردار پشتیبانی (SVM) ، تجزیه و تحلیل تبعیض آمیز (DA) و Bayes ساده لوح (NB) که توسط میانگین فواصل NN ، RMS ، SDNN و RMSSD رانده می شوند ، دقت بالایی از 80.80 ٪ را در هر ورودی ویژگی نشان می دهند.افراد مبتلا به MCI مشاهده می شوند که HR نسبتاً بالاتری نسبت به افراد سالم دارند.HR و تنوع آن می تواند به عنوان نشانگرهای زیستی بالقوه برای تشخیص MCI در نظر گرفته شود.