งานวิจัยนี้ศึกษาพารามิเตอร์ของคลื่นไฟฟ้าหัวใจในผู้ป่วยที่มีอาการ Ventricular Fibrillation (VF) การศึกษาแบ่งเป็น 2 ส่วนคือ การวิเคราะห์การเปลี่ยนแปลงของคุณลักษณะของคลื่นหัวใจก่อนการเกิด VF และการศึกษาวิธีการตรวจจับสภาวะ VF ข้อมูลที่ใช้ในการศึกษาประกอบด้วย ฐานข้อมูล Creighton University ventricular tachyarrhythmia และฐานข้อมูล MIT-BIH arrhythmia วิธีการสกัดคุณลักษณะของคลื่นหัวใจ งานวิจัยนี้คือ วิธีการแปลงเวฟเล็ท ผลจาการศึกษาการเปลี่ยนแปลงของคุณลักษณะของคลื่นหัวใจก่อนการเกิด VF พบว่า การกระจายตัวของคุณลักษณะที่ใช้ในการศึกษามีการกระจายตัวที่แตกต่างกันในช่วงเวลาที่แตกต่าง กัน แต่อย่างไรก็ตามแนวโน้มในการเปลี่ยนแปลงของคุณลักษณะก่อนการเกิด VF นั้นยังไม่ชัดเจนในงานวิจัยนี้ ในส่วนของการศึกษาวิธีการตรวจจับสภาวะ VF พบว่าลักษณะของเวฟเล็ทสเปคตรัมของสัญญาณปกติจะกว้าง กว่าสัญญาณ VF โดยความกว้างสเปคตรัม (SW) เป็นคุณลักษณะที่ดีที่สุดในการตรวจจับสัญญาณ VF มีพื้นที่ ใต้ ROC เท่ากับ 96 และผลลัพธ์ในการจำแนกสัญญาณระหว่าง VF และสัญญาณปกติ พบว่าการจำแนกด้วย คุณลักษณะคู่ของ ความถี่สูงสุด (FP) กับ ความกว้างสเปคตรัม (SW) ให้ผลลัพท์สูงสุดที่ 96?0.2% specificity และ 93?0.2% sensitivity ซึ่งผลที่ได้จากงานวิจัยนี้คือ คุณลักษณะของสัญญาณคลื่นไฟฟ้าหัวใจที่วิเคราะห์ จากเวฟเล็ทสเปคตรัมนั้นสามารถเพิ่มประสิทธิภาพในการตรวจจับอาการ VF ที่มีความแม่นยำมากขึ้น This research focuses on a parametric study of electrocardiogram (ECG) in ventricular fibrillation (VF) patients. This work can be provided into two part of study. The first part of this research investigates the changes of some characteristic features of pre-VF traces. The study of VF detection technique is considered in the second part of this research. The Creighton University ventricular tachyarrhythmia database (CU) and MIT-BIH arrhythmia database were used in these two investigations. The wavelet transform was applied for extracting the characteristic features. In pre-VF study, the distributions between different regions are significantly different for several studied features. However a trend of VF developing is not consistent in this experiment. In the study of the VF detection, it is found that the wavelet power spectrum of SN trace is broader than that of VF. The spectrum width of wavelet power spectrum (SW) is the best quality feature for VF detection. The area under receiver operating characteristic (ROC) curve for SW was 96. The Bayesian classifier was employed to classify between sinus rhythm group (SN) and VF group (VF). The classification with peak frequency (FP) and SW achieved the highest performance was 96?0.2% specificity obtained at 93?0.2% sensitivity. This investigation exhibits that wavelet spectrum markers have a potential to improve the accuracy of the VF detection algorithm.