ثبت سفارش تلگرامی

انجام پایان نامه دکتری

 drtahqiq موسسه چاپ مقاله 

  •  

    الکتروکاردیوگرام چیست: مقاله

    الکتروکاردیوگرام

    طبقهبندی سیگنال ECG با استفاده از موجک و شبکه عصبی

    پس از چند مرحله پیش پردازش از تبدیل موجک پیوسته برای استخراج ویژگی های سیگنال می‌شود. به دلیل زیاد بودن تعداد بردارهای استخراج شده توسط موجک از آنالیز PCa جهت کاهش ابعاد و به عبارتی انتخاب بهترین نمونه‌ها استفاده شده است.

    شبکه عصبی چند لایه، طبقه‌بندی را بر روی شش کلاس که شامل سیگنال نرمال و 5 اریتمی قلبی که از گروهی خاص از سیگنال ECG بیماران پایگاه داده MIT-BIH انجام داده است. نمودار گرافیکی روش به کار رفته در این تحقیق در شکل 2-1 نشان داده شده است]7[.

     

    شکل 2-1 :مراحل طبقه بندی 6 آریتمی

    2-3- طبقهبندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی

    در این پژوهش پس از پیش‌پردازش، 15 ویژگی زمانی و 15 ویژگی از تبدیل موجک انتخاب شده است و برای کاهش ابعاد این ویژگی ها از روش PCA استفاده شد که نتیجه آن انتخاب 8 ویژگی از بهترین ویژگی‌های هر کلاس بوده است. شبکه عصبی پرسپترون چند لایه و شبکه عصبی پایه شعاعی به صورت ترکیبی طبقه‌بندی را انجام می دهد. در این تحقیق نشان داده شده است که ساختار ترکیبی شبکه عصبی دارای نتایجی به مراتب بهتر از شبکه عصبی MLP میباشد]4[.

     

    2-4- طبقهبندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی

    در این پژوهش از استخراج ویژگی موجک به همراه شبکه عصبی فازی برای شناسایی انقباضات زودرس بطنی PVC استفاده کردهاند. ایده اصلی و مزیت مهم این تحقیق استفاده مجدد از اطلاعات تولید شده در مرحله تشخیصQRS ، که یک مرحله اساسی برای بیشتر الگوریتم های طبقه بندی ECG است، می باشد. طول مدت زمان کمپلکس QRS در مقیاس سه و سطح زیر کمپلکس QRS در مقیاس چهار به عنوان ویژگی های مشخصه انتخاب شده اند. پس از نرمالیزاسیون، طبقه بندی PVC با استفاده از شبکه عصبی فازی روی سیگنال ECG تعدادی خاص از بیماران انجام شده است. دو مزیت اولیه استفاده از موجک یکسان برای دو مرحله تشخیص QRS و طبقهبندی PVC، محاسبات کمتر و پیچیدگی کمتر در هنگام پیاده سازی واقعی است]9[.

     

    2-5- طبقه‌بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان

    ویژگی‌های شکلی تبدیل موجک، با استفاده از آنالیز PCA به یک فضای ویژگی با ابعاد کمتر نگاشت داده شده اند، و همچنین ویژگی‌های زمانی از داده های ECG استخراج شده اند. برای قسمت تشخیص الگو از شبکه‌های عصبی مصنوعی رو به جلو که هر کدام با استفاده از تکنیک الگوریتم پرندگان چند هدفه استفاده شده است. در این تحقیق،‌سیستم طبقه‌بندی ارائه شده می تواند با آموزش ساختارهای شبکه بهینه به تغییرات اساسی در الگوهای ECG یک بیمار خاص سازگار شده و بنابراین می‌تواند به درصد دقت‌های بالاتری در دسته داده‌های بزرگ دست پیدا کند.

    بر روی کل داده‌های پایگاه داده میزان میانگین معیار عملکردهای دقت حساسیت برای روش پیشنهادی برای شناسایی ضربان‌های اکتوپیک بطنی (VEB) و ضربان‌های اکتوپیک بالابطنی (SVEB) انجام شده است]10[.

     

    2-6- طبقهبندی آریتمی‌های قلبی با استفاده از SVM

    در این پژوهش با تحلیل سیگنال ECG، ویژگی‌هاي آن با ترکیبی از تبدیل ویولت و مدل AR استخراج شده اند. با چنین تلفیقی روش هاي رایج در تشخیص بیماريهاي قلبی بهینه شدهاند. سپس از یک طبقهبنديکننده ماشین بردار پشتیبان با هسته گوسین به منظور طبقهبندي خودکار پنج نوع آریتمی قلبی استفاده شده است]2[.

     

    2-7- طبقهبندی آریتمی دهلیزی بطنی

    در اين پژوهش يك الگوريتم كارآمد تشخيص و طبقهبندي ECG تك كاناله مبتني بر تبديل موجك را اجرا نموده و به منظور تشخيص و طبقه‌بندي برخي آريتمي‌هاي خطرناك بطني به كار گرفته و بهبود داده شده است. در اولين مرحله، كمپلكس‌هاي QRS تشخيص داده مي‌شوند. سپس مشخصات هر QRS با شناسايي و تعيين قلههاي مو ج هاي تشكيل دهنده آن و نيز نقاط شروع و پايان كمپلكس QRS تكميل ميگردد. در ادامه قلههاي موج هايT ، P و نيز نقاط شروع و پايان هر يك تعيين ميشود . اين الگوريتم را با استفاده از دادههاي حاشيه نويسي شده معروف MIT/BIH Arrhythmia Database و QT Database ارزيابي شده اند. در الگوريتم پيشنهادي با بكارگيري موجك اسپلاين درجه دوم (quadratic spline)، كمپلكس QRS و همچنين موجهاي T و P از انواع نويزها و تداخلهاي ناخواسته تفكيك شده و تشخيص آريتمي‌هاي حاد در بانك اطلاعاتي سيگنالهاي الكتروكارديوگرام استاندارد حتي در حضور نويز و تداخل‌هاي ناخواسته نيز امكان پذير مي‌گردد. با استفاده از الگوريتم پيشنهادي تشخيص آريتميهاي تاكيكاردي بطني VT،  تاكيكاردي فوق بطني SVT، فيبريلاسيون بطني VFIB، فلاتر بطني VFL، فلاتر دهليزي AFL، و آريتمي فيبريلاسيون دهليزي AFIB، انجام شده است]12[.

     

    2-8- طبقه‌بندی سیگنال الکترو‌کاردیو‌گرام با طبقه‌بند ماشین بردار پشتیبان و الگوریتم PSO

    در این پژوهش از ویژگی‌های زمانی و مورفولوژیک استفاده شده است. آزمایش از روش‌های طبقه بند RBF و kNN و SVM به عمل آمده که نتایج برتری طبقه‌بند SVM  با هسته گوسی را نشان می‌دهد. همچنین برای تنظیم پارامترهای SVM از الگوریتم بهینه‌ساز PSO  استفاده شده است که باعث بهبود عملکرد طبقه‌بندی SVM می شود. در این مقاله از 250 و500و750 ضربان اموزش استفاده شده که با توجه به نتایج آزمایش عملکرد طبقه‌بند با 750 داده اموزش دقت 93.27% است]3[.

     

    2-9-  طبقه‌بندی آریتمی‌های قلبی با استفاده از PSO

    در این پژوهش یک سیستم جدید برای طبقهبندی سه نوع ضربان قلب شامل ضربان نرمال و دو آریتمی قلبی ارائه شده است. این سیستم شامل سه ماژول اصلی - یک ماژول استخراج ویژگی، یک ماژول طبقه بندی و یک ماژول بهینهسازی است. در ماژول استخراج ویژگی ترکیبی مناسب از ویژگیهای شکلی و زمانی ایجاد میشود. در ماژول طبقه بندی یک کلاس بند چند طبقه بر پایه ماشین بردار پشتیبان ارائه شده است. در ماژول بهینه‌سازی از الگوریتم اجتماع ذرات برای یافتن بهترین ویژگیها استفاده شده است. نتایج شبیه سازی دقت مناسبی داشت و این در حالی است که در بدست آمدن این سطح دقت،فقط مقدار کمی از ویژگیها استفاده شده است]14[.

     

    2-10-  رویکرد ترکیبی در طبقه‌بندی سرطان

    مدلی مبتنی بر فیلتر و رپر را جهت دستهبندی نشان گر سرطان برای انتخاب ژن در داده‌های ریز آرایه ارائه شده است. نتایج مدل ترکیبی انها که از نرخ فیشر[3] به عنوان فیلتر استفاده میکند،روی چندین مجموعه داده واقعی دقت کلاس‌بندی بسیار بهتری نسبت به مدل تنها رپر، نشان میدهد. مدل ترکیبی دو مرحله‌ای ارائه شده در این پژوهش  ویژگیهای مناسب را بر اساس معیار اماری حداکثر وابستگی و حداقل افزونگی انتخاب می‌کند. در مرحله اول مدل از معیار حداکثر ارتباط و حداقل افزونگی برای انتخاب زیر مجموعه بهینه ویژگی‌ها بهره می‌برد. در مرحله دوم از الگوریتمهای کلاسیک رو به جلو وعقب گرد برای جستجو در زیر مجموعههای مرحله اول استفاده می‌کند. نتایج تجربی مدل آنها حاکی از عملکرد بهتر این روش نسبت به روش فیلتر حداکثر وابستگی می‌باشد]15[.

     

    2-11- دسته‌بندی آریتمی‌های قلبی بر مینای تبدیل موجک و SVM

    در این پژوهش یک روش برای دسته‌بندی آریتمی‌های قلبی ارائه شده است که تعداد 5 آریتمی از بانک اطلاعاتی Physionet انتخاب شده و آریتمی‌ها به زمان های 6 ثانیه تقسیم شده و برای هر قطعه زمانی ضرایب تبدیل موجک به عنوان بردار ویژگی آن قطعه محاسبه شده و از ماشین بردار پشتیبان SVM برای دسته‌بندی آریتمی‌ها استفاده شده است. دسته‌بندی‌کننده‌های SVM را با بردارهای ویژگی قطعات آموزش داده و برای دسته‌بندی یک آریتمی مجهول، بردارهای ویژگی زمانی آن به SVM ها اعمال می‌شود]16[.

     

    [1] Principal component analysis

    [2] A multilayer perceptron

    [3] Fisher Ratio

Comments

  • (no comments)

Post Comments

This free website is created and hosted by Website.com's Site Builder.